JP2002098672A - Diagnostic method for abnormal overheating at inside of power apparatus - Google Patents
Diagnostic method for abnormal overheating at inside of power apparatusInfo
- Publication number
- JP2002098672A JP2002098672A JP2000294155A JP2000294155A JP2002098672A JP 2002098672 A JP2002098672 A JP 2002098672A JP 2000294155 A JP2000294155 A JP 2000294155A JP 2000294155 A JP2000294155 A JP 2000294155A JP 2002098672 A JP2002098672 A JP 2002098672A
- Authority
- JP
- Japan
- Prior art keywords
- organic substance
- overheating
- power device
- learning
- vector
- 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
Abstract
Description
【０００１】[0001]
【発明の属する技術分野】本発明は、電力供給用タービ
ン発電機などの電力用機器の内部の異常過熱を診断する
方法に関し、機器の内部ガスの状態を調べることによっ
て、機器の内部で使用されている材料の異常過熱や劣化
の検出を行なう方法に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a method for diagnosing abnormal overheating inside a power device such as a turbine generator for power supply. The present invention relates to a method for detecting abnormal overheating or deterioration of a material.
【０００２】[0002]
【従来の技術】タービン発電機内のガスを調べることに
よって、タービン発電機内部で使用されている材料の異
常過熱や劣化を診断する方法が、特開平１１−１０８８
３２号公報に開示されている。この方法では、あらかじ
めタービン発電機を構成する各材料のそれぞれについ
て、熱、放電、腐食または摩擦による劣化によって発生
する有機物質のデータ（データ１）を測定しておき、運
転時のタービン発電機の内部のガスから得られる有機物
質のデータ（データ２）と照合を行なうことにより、異
常過熱や劣化が生じている材料を特定し、異常過熱や劣
化が生じている部位の推定を行なっている。2. Description of the Related Art A method of diagnosing abnormal overheating or deterioration of materials used in a turbine generator by examining gas in the turbine generator is disclosed in Japanese Patent Laid-Open No. 11-1088.
No. 32 discloses this. In this method, data (data 1) of an organic substance generated by deterioration due to heat, discharge, corrosion or friction is measured in advance for each of the materials constituting the turbine generator, and the turbine generator during operation is measured. By collating with the data (data 2) of the organic substance obtained from the gas inside, the material in which abnormal overheating or deterioration has occurred is specified, and the portion in which abnormal overheating or deterioration has occurred is estimated.
【０００３】データの測定を行なう方法としては、ガス
クロマトグラフィ、質量分析、赤外線吸収、反射赤外吸
収、Ｘ線光電子分光があげられている。As methods for measuring data, gas chromatography, mass spectrometry, infrared absorption, reflection infrared absorption, and X-ray photoelectron spectroscopy are mentioned.
【０００４】また、データ１とデータ２とを計算機に取
り込み、計算機上で照合を行なうことにより、短時間で
診断を行なうことができるとしている。Further, it is stated that a diagnosis can be performed in a short time by taking data 1 and data 2 into a computer and performing collation on the computer.
【０００５】[0005]
【発明が解決しようとする課題】しかし、前記従来技術
による異常過熱診断方法は取り扱うデータの量が膨大で
あり、異常過熱、放電、腐食または摩擦によるタービン
発電機内部の構成材料の過熱や劣化によってデータのど
の部分に変化が起こり、タービン発電機内部の構成材料
のうちどの部分が劣化したのかを特定することが困難で
あった。However, the method for diagnosing abnormal overheating according to the prior art described above involves a large amount of data to be handled, and may be caused by overheating or deterioration of components inside the turbine generator due to abnormal overheating, discharge, corrosion or friction. It has been difficult to identify which part of the data has changed and which part of the constituent materials inside the turbine generator has deteriorated.
【０００６】[0006]
【課題を解決するための手段】本発明による電力用機器
内部の異常過熱診断方法は、電力用機器内部のガス中に
存在する有機物質または有機物質の分解生成物を質量分
析計で測定し、ニューラルネットワークのアルゴリズム
で過熱や劣化が生じている構成材料を特定するものであ
る。According to the present invention, there is provided a method for diagnosing abnormal overheating inside a power device, comprising the steps of: measuring an organic substance or a decomposition product of the organic substance present in a gas inside the power apparatus with a mass spectrometer; The purpose of the present invention is to specify a constituent material that has been overheated or deteriorated by a neural network algorithm.
【０００７】またとくに推奨するものとして、本発明の
電力用機器内部の異常過熱診断方法は、ニューラルネッ
トワークのアルゴリズムとしてKohonen のＬＶＱ(Learn
ingVector Quantization)を用いるものである。[0007] It is particularly recommended that the method for diagnosing abnormal overheating in power equipment according to the present invention be implemented by Kohonen's LVQ (Learn) as a neural network algorithm.
ingVector Quantization).
【０００８】また、さらに進んで言うならば、本発明の
電力用機器内部の異常過熱診断方法は、ニューラルネッ
トワークを、機器内部の各構成材料を加熱して得られた
データを用いて学習を行なって学習させたベクトル群を
出力するプログラムと、出力されたベクトル群を用いて
過熱部位を特定するプログラムとに分割するものであ
る。More specifically, the method for diagnosing abnormal overheating inside a power device according to the present invention learns a neural network using data obtained by heating each constituent material inside the device. The program is divided into a program for outputting a group of vectors learned by the learning and a program for specifying an overheated portion using the output vector group.
【０００９】[0009]
【発明の実施の形態】前記課題を解決するために、本発
明の発明者らは鋭意検討の結果、電力機器内部のガスか
ら得られた質量スペクトルのデータを用い、ニューラル
ネットワークのアルゴリズムにより異常が生じている材
料を特定する方法を考え出した。BEST MODE FOR CARRYING OUT THE INVENTION In order to solve the above problems, the inventors of the present invention have conducted intensive studies, and as a result, using a mass spectrum data obtained from a gas inside a power device, an abnormality of a neural network has been described. A method has been devised to identify the resulting material.
【００１０】図１は、本発明の異常過熱診断方法におけ
る有機物質の測定方法を説明する図である。FIG. 1 is a diagram for explaining a method of measuring an organic substance in the abnormal overheating diagnosis method of the present invention.
【００１１】まず、タービン発電機１内の水素ガスを一
部取り出して、有機物質吸着管（トラップ）２に通す。
水素ガス中の有機物質は、トラップ２に詰められた石英
ウール３などに吸着される（図１（ａ））。First, a part of the hydrogen gas in the turbine generator 1 is taken out and passed through an organic substance adsorption tube (trap) 2.
The organic substance in the hydrogen gas is adsorbed on the quartz wool 3 or the like packed in the trap 2 (FIG. 1A).
【００１２】一定時間吸着を行なったトラップ２をター
ビン発電機１から取り外し、注入装置４に取り付ける。
注入装置４に備えた加熱装置によりトラップ２を加熱
し、吸着した有機物質を放出する。放出された有機物質
は、冷却トラップ５に吸着される。温度を室温まで上げ
たのち、高周波加熱装置により冷却トラップ５を一気に
２５０℃まで加熱し、吸着された有機物質を質量分析計
６に注入する（図１（ｂ））。測定結果として、内部ガ
スに含まれる有機物質の質量スペクトルが得られる。The trap 2 that has been adsorbed for a predetermined time is removed from the turbine generator 1 and attached to the injection device 4.
The trap 2 is heated by a heating device provided in the injection device 4 to release the adsorbed organic substance. The released organic substances are adsorbed on the cooling trap 5. After raising the temperature to room temperature, the cooling trap 5 is heated at a stretch to 250 ° C. by a high-frequency heating device, and the adsorbed organic substance is injected into the mass spectrometer 6 (FIG. 1B). As a measurement result, a mass spectrum of the organic substance contained in the internal gas is obtained.
【００１３】一方、図１（ｃ）に示すように、タービン
発電機の各構成材料をそれぞれ熱劣化装置により加熱
し、発生した有機物質を石英ウール３などに吸着させ
る。吸着させた有機物質を、同様に質量分析計６に注入
する（図１（ｂ））。各構成材料から発生した有機物質
の質量スペクトルが得られる。On the other hand, as shown in FIG. 1C, each constituent material of the turbine generator is heated by a thermal deterioration device, and the generated organic substance is adsorbed on the quartz wool 3 or the like. The adsorbed organic substance is similarly injected into the mass spectrometer 6 (FIG. 1B). A mass spectrum of the organic substance generated from each constituent material is obtained.
【００１４】このようにして得た、各構成材料から発生
した有機物質についての質量スペクトルと、運転中の発
電機の内部ガスに含まれる有機物質の質量スペクトルと
を比較して、運転中の発電機のどの構成材料に異常があ
り有機物質を発生させているのかを特定する。The mass spectrum of the organic substance generated from each constituent material thus obtained is compared with the mass spectrum of the organic substance contained in the internal gas of the generator during operation, and the power generation during operation is compared. Identify which component of the machine is abnormal and is generating organic substances.
【００１５】本発明では、この特定をKohonenのＬＶＱ
（Learning Vector Quantization）の方法（＊１）を用
いて行なう。図２にＬＶＱのフロー図を示す。In the present invention, this identification is described by Kohonen's LVQ.
(Learning Vector Quantization) method (* 1). FIG. 2 shows a flowchart of LVQ.
【００１６】ここでは、ｍ次元のベクトル（パターンベ
クトル）で表現される多数個のパターンを、Ｊ個のクラ
スに分類する場合を例として、ＬＶＱのアルゴリズムを
説明する。Here, the LVQ algorithm will be described by taking as an example a case where a large number of patterns represented by m-dimensional vectors (pattern vectors) are classified into J classes.
【００１７】ＬＶＱでは、各クラスは、それぞれ固有の
レファレンスベクトルを持っており、そのレファレンス
ベクトルの数は任意である。ここでは、各クラス
（Ｇ1，Ｇ2，・・・，ＧJ）は、それぞれ１つづつレフ
ァレンスベクトル（ｎ1，ｎ2，・・・，ｎJ）を持って
いるものとする。各レファレンスベクトル（ｎ1，ｎ2，
・・・，ｎJ）は、パターンベクトルと同次元、すなわ
ちｍ次元のベクトルである。In LVQ, each class has a unique reference vector, and the number of reference vectors is arbitrary. Here, it is assumed that each class (G 1 , G 2 ,..., G J ) has one reference vector (n 1 , n 2 ,..., N J ). Each reference vector (n 1 , n 2 ,
.., N J ) are vectors of the same dimension as the pattern vector, that is, m-dimensional vectors.
【００１８】 ｎi∈Ｒm ｉ＝１,２,・・・,Ｊ （式１）[0018] n i ∈R m i = 1,2, ···, J ( Equation 1)
【００１９】ＬＶＱでは、学習により各クラスのレファ
レンスベクトルを更新する。まず、学習用として、どの
クラスに所属するかがわかっているパターンベクトルｙ
を用意する。そして、パターンベクトルｙと各レファレ
ンスベクトル（ｎ1，ｎ2，・・・，ｎJ）とのハミルト
ン距離ｄi(ｙ)を求める。距離ｄi(ｙ)が一番小さくなる
レファレンスベクトルがｎcであるとする。すでに述べ
たように、ｎcはクラスＧcのレファレンスベクトルであ
る。In the LVQ, reference vectors of each class are updated by learning. First, for learning, a pattern vector y to which a class belongs is known.
Prepare Then, the pattern vector y and the reference vector determined (n 1, n 2, ··· , n J) Hamilton distance between d i a (y). The distance d i (y) is the most small reference vectors is assumed to be n c. As already mentioned, n c is a reference vector of class G c .
【００２０】ここで、パターンベクトルｙがクラスＧc
に所属している場合には、レファレンスベクトルｎcを
パターンベクトルｙに近づける（式２）。Here, the pattern vector y has the class G c
When belonging to the closer the reference vector n c the pattern vector y (Equation 2).
【００２１】一方、もしパターンベクトルｙがクラスＧ
r（ｒ≠ｃ）に所属しており、クラスＧcに所属していな
い場合には、レファレンスベクトルｎcをパターンベク
トルｙから遠ざける（式３）とともに、パターンベクト
ルｙの所属するクラスＧrのレファレンスベクトルｎrを
パターンベクトルｙに近づける（式４）。On the other hand, if the pattern vector y is a class G
r (r ≠ c) and does not belong to the class G c , the reference vector n c is moved away from the pattern vector y (Equation 3), and the pattern vector y belongs to the class G r . The reference vector n r is made closer to the pattern vector y (Equation 4).
【００２２】いずれの場合も、ｎc，ｎr以外のレファレ
ンスベクトルは変更しない（式５）。In any case, reference vectors other than n c and n r are not changed (Equation 5).
【００２３】パターンベクトルｙがクラスＧcに所属す
る場合 ｎc（ｔ＋１）＝ｎc（ｔ）＋β（ｔ）（ｙ（ｔ）−ｎc（ｔ）） （式２） パターンベクトルｙがクラスＧcに所属しない場合 ｎc（ｔ＋１）＝ｎc（ｔ）−β（ｔ）（ｙ（ｔ）−ｎc（ｔ）） （式３） ｎr（ｔ＋１）＝ｎr（ｔ）＋β（ｔ）（ｙ（ｔ）−ｎr（ｔ）） （式４） ｎc，ｎr以外のレファレンスベクトル ｎi（ｔ＋１）＝ｎi（ｔ） ｆｏｒ ｉ≠ｃ，ｉ≠ｒ （式５）[0023] If the pattern vector y belongs to the class G c n c (t + 1 ) = n c (t) + β (t) (y (t) -n c (t)) ( Equation 2) pattern vector y class If that does not belong to G c n c (t + 1 ) = n c (t) -β (t) (y (t) -n c (t)) ( equation 3) n r (t + 1 ) = n r (t) + β (t) (y (t) -n r (t)) ( equation 4) n c, n r other reference vectors n i (t + 1) = n i (t) for i ≠ c, i ≠ r ( formula 5 )
【００２４】ここで、ｔは学習の回数に対応した離散値
（ｔ＝０，１，２，・・・）をとり、β（ｔ）は学習の
収束の速さに関連するパラメータであり、学習の回数ｔ
の増加にともなって単調に減少する０以上、１以下の実
数である。Here, t is a discrete value (t = 0, 1, 2,...) Corresponding to the number of times of learning, and β (t) is a parameter related to the speed of convergence of learning. Number of learning t
Is a real number of 0 or more and 1 or less that monotonously decreases with the increase of.
【００２５】０≦β（ｔ）≦１．０ （式６）0 ≦ β (t) ≦ 1.0 (Equation 6)
【００２６】以上説明した、学習によるレファレンスベ
クトルの更新の例を、図３および図４に模式図を示し説
明する。An example of the above-described updating of the reference vector by learning will be described with reference to schematic diagrams shown in FIGS.
【００２７】たとえば、図３は、クラスの数が６個（Ｊ
＝６）であり、パターンベクトルｙがクラスＧ1に所属
している場合を示している。図３においてハミルトン距
離ｄi(ｙ)が最小となるレファレンスベクトルはｎ1（ｃ
＝１）である。したがって、（式２）にしたがって、レ
ファレンスベクトルｎ1をパターンベクトルｙに近づけ
る（図中矢印）。For example, FIG. 3 shows that the number of classes is six (J
= 6), and shows a case where the pattern vector y belongs to class G 1. In FIG. 3, the reference vector that minimizes the Hamilton distance d i (y) is n 1 (c
= 1). Therefore, according to (Equation 2), the reference vector n 1 is made closer to the pattern vector y (arrow in the figure).
【００２８】たとえば、図４は、クラスの数が６個（Ｊ
＝６）であり、パターンベクトルｙがクラスＧ1に所属
している場合を示している。図４においては、ハミルト
ン距離ｄi(ｙ)が最小となるレファレンスベクトルはｎ5
（ｃ＝５）である。したがって、（式３）および（式
４）にしたがって、レファレンスベクトルｎ5をパター
ンベクトルｙから遠ざけ、レファレンスベクトルｎ1を
パターンベクトルｙに近づける（図中矢印）。For example, FIG. 4 shows that the number of classes is six (J
= 6), and shows a case where the pattern vector y belongs to class G 1. In FIG. 4, the reference vector that minimizes the Hamilton distance d i (y) is n 5
(C = 5). Therefore, according to (Equation 3) and (Equation 4), the reference vector n 5 is moved away from the pattern vector y, and the reference vector n 1 is moved closer to the pattern vector y (arrow in the figure).
【００２９】これらの式にしたがって、学習用のパター
ンベクトルを用いてレファレンスベクトルが変更されな
くなるまで、学習を反復して実行する。According to these equations, learning is repeatedly executed until the reference vector is not changed using the learning pattern vector.
【００３０】テストパターン（どのクラスに所属するか
がわかっていないパターン）の識別、すなわちテストパ
ターンのクラス分けは、学習が完了したレファレンスベ
クトルを用いて行なう。テストパターンのパターンベク
トルｘと各レファレンスベクトルとのハミルトン距離ｄ
i（ｘ）を求め、ハミルトン距離ｄi（ｘ）が最も小さく
なるレファレンスベクトルを持つクラスが、テストパタ
ーンの所属するクラスである。The identification of a test pattern (a pattern to which a class does not belong), that is, the classification of the test pattern is performed using the reference vector for which learning has been completed. Hamilton distance d between pattern vector x of test pattern and each reference vector
The class having the reference vector for which i (x) is obtained and the Hamilton distance d i (x) is the smallest is the class to which the test pattern belongs.
【００３１】以上説明した方法で、レファレンスベクト
ルを学習によって更新し、学習完了後のレファレンスベ
クトルを使用してテストパターンのクラス分けを行なう
プログラムを、FORTRANで記述した例をプログラム例１
として示す。In the above-described method, a program for updating a reference vector by learning and classifying a test pattern using the reference vector after the learning is completed is described in FORTRAN as a program example 1.
As shown.
【００３２】実施の形態１ 発電機を構成する各構成材料のうち、エポキシ１、エポ
キシ２、塗料１、塗料２、塗料３およびオイルを、それ
ぞれ図１（ｃ）に示した装置で加熱し、発生した有機物
質を有機物質吸着管に吸着させた。さらに、図１（ｂ）
の装置を使用して、吸着させた有機物質を質量分析計に
注入した。得られた質量スペクトルを表１および表２に
示す。Embodiment 1 Epoxy 1, epoxy 2, paint 1, paint 2, paint 3 and oil among the constituent materials constituting the generator are heated by the apparatus shown in FIG. The generated organic substance was adsorbed on the organic substance adsorption tube. Further, FIG.
The adsorbed organic substance was injected into the mass spectrometer using the apparatus described in (1). Tables 1 and 2 show the obtained mass spectra.
【００３３】[0033]
【表１】 [Table 1]
【００３４】[0034]
【表２】 [Table 2]
【００３５】プログラム例１を使用し、表１のデータを
レファレンスベクトルとし、表２のデータは学習用のパ
ターンベクトルとして使用し、レファレンスベクトルの
更新を行なった。学習完了時のレファレンスベクトルを
表３に示す。Using the program example 1, the data in Table 1 was used as a reference vector, and the data in Table 2 was used as a pattern vector for learning, and the reference vector was updated. Table 3 shows reference vectors at the completion of learning.
【００３６】[0036]
【表３】 [Table 3]
【００３７】ここで、レファレンスベクトルｎ1はエポ
キシ１に、ｎ2はエポキシ２に、ｎ3は塗料３に、ｎ4は
塗料１に、ｎ5はオイルに、ｎ6は塗料２にそれぞれ対応
している。Here, reference vector n 1 corresponds to epoxy 1, n 2 corresponds to epoxy 2, n 3 corresponds to paint 3, n 4 corresponds to paint 1, n 5 corresponds to oil, and n 6 corresponds to paint 2. are doing.
【００３８】学習の効果を確認するために、表４のデー
タを用意した。表４は、発電機を構成する各構成材料の
うち、エポキシ１、エポキシ２、塗料１およびオイルを
それぞれ加熱し、発生した有機物質を質量分析計に注入
して得た質量スペクトルである。In order to confirm the effect of learning, data shown in Table 4 was prepared. Table 4 is a mass spectrum obtained by heating epoxy 1, epoxy 2, paint 1, and oil among the constituent materials constituting the generator, and injecting the generated organic substance into the mass spectrometer.
【００３９】[0039]
【表４】 [Table 4]
【００４０】表４のデータをテストパターンとして、プ
ログラム例１に入力したところ、１００％の正解率で加
熱した材料を特定した。When the data in Table 4 was input as a test pattern to the program example 1, materials heated with a correct answer rate of 100% were specified.
【００４１】図５は、本発明によるタービン発電機内部
の異常過熱の診断方法で使用する装置の構成図である。
タービン発電機内のガスは、ガス導入用配管１１から有
機物質吸着管（トラップ）１２へと導かれる。有機物質
吸着管１２には吸着剤が詰められている。装置にはバイ
パス用配管１３が備えられ、さらにガスの流路を選択す
るために弁１４が備えられている。また、導入するガス
の流量を調整し、流量と積算流量とを読み取るために流
量制御器１５が設けられている。導入されたガスは最終
的に、出口１６から大気中に放出される。FIG. 5 is a block diagram of an apparatus used in the method for diagnosing abnormal overheating inside the turbine generator according to the present invention.
The gas in the turbine generator is guided from a gas introduction pipe 11 to an organic substance adsorption pipe (trap) 12. The organic substance adsorption tube 12 is filled with an adsorbent. The apparatus is provided with a bypass pipe 13 and further provided with a valve 14 for selecting a gas flow path. Further, a flow controller 15 is provided for adjusting the flow rate of the gas to be introduced and reading the flow rate and the integrated flow rate. The introduced gas is finally released from the outlet 16 into the atmosphere.
【００４２】ガス導入配管１１に、運転中の発電量６０
０ＭＷの水素冷却式タービン発電機内の水素ガスを導入
し、弁１４を操作して一方の有機物質吸着管１２を選択
し、水素ガスを出口１６へと通過させた。有機物質吸着
管１２は金属製とし、その中には石英ウールを１グラム
詰めた。流量制御器１５にて水素ガスの通過量を毎分２
リットルに設定し、２５分間水素ガスを有機物質吸着管
１２に通過させたのち、すべての弁１４を閉じた。この
ようにして有機物質吸着管１２に、水素ガス５０リット
ル中の有機物質が捕らえられた。The amount of power generated during operation is 60
Hydrogen gas in a 0 MW hydrogen-cooled turbine generator was introduced, the valve 14 was operated to select one of the organic substance adsorption tubes 12, and the hydrogen gas was passed to the outlet 16. The organic substance adsorption tube 12 was made of metal, and 1 g of quartz wool was packed therein. The flow rate of the hydrogen gas is set to 2
After setting hydrogen to 25 liters and passing hydrogen gas through the organic substance adsorption tube 12 for 25 minutes, all valves 14 were closed. In this manner, the organic substance in 50 liters of hydrogen gas was captured by the organic substance adsorption tube 12.
【００４３】水素ガス中の有機物質の捕獲が完了したの
ち、有機物質吸着管１２を取り外した。つぎに、有機物
質吸着管１２を図１（ｂ）に示す装置に取り付け２５０
℃に加熱し、有機物質吸着管１２内に吸着している有機
物質を冷却トラップ５に吸着する。そののち、冷却トラ
ップ５を高周波加熱により一挙に２５０℃まで加熱し、
吸着した有機物質を質量分析計６に導入した。そのとき
の質量スペクトルのデータを、表５に示す。After the capture of the organic substance in the hydrogen gas was completed, the organic substance adsorption tube 12 was removed. Next, the organic substance adsorption tube 12 is attached to the apparatus shown in FIG.
The organic substance adsorbed in the organic substance adsorbing tube 12 is adsorbed on the cooling trap 5 by heating to the temperature. After that, the cooling trap 5 is heated to 250 ° C. by high frequency heating at once,
The adsorbed organic substance was introduced into the mass spectrometer 6. Table 5 shows the data of the mass spectrum at that time.
【００４４】[0044]
【表５】 [Table 5]
【００４５】このデータをテストパターンとしてプログ
ラム例１に入力したところ、過熱されたのはオイルであ
るという応答があった。ゆえに、この発電機は異常過熱
していないことが明らかになった。When this data was input as a test pattern to the program example 1, there was a response that the oil was overheated. Therefore, it became clear that this generator did not overheat.
【００４６】実施の形態２ プログラム例１のうち、レファレンスベクトルの学習を
行なう部分のみを独立させて、プログラム例２とした。
プログラム例２を使用し、各構成材料を加熱して得られ
た質量スペクトルにより、レファレンスベクトルの学習
を行なった。その結果、表３に示すようなレファレンス
ベクトルを得た。これらのレファレンスベクトルを用
い、visial C++で書いたプログラムにより質量分析計を
制御するとともに発電機内部ガスから採取した有機物質
による過熱部位の特定にももちいることとした。ガス分
析の方法は図１に示す。５００ＭＷのタービン発電機を
ガス分析装置につないで内部ガスを判定したところ、過
熱されたのはオイルであると判定された。Embodiment 2 In the program example 1, only the part for learning the reference vector is made independent to form a program example 2.
Using Program Example 2, reference vectors were learned from mass spectra obtained by heating each constituent material. As a result, reference vectors as shown in Table 3 were obtained. By using these reference vectors, the mass spectrometer was controlled by a program written in visual C ++, and it was also used to identify the location of overheating caused by organic substances collected from the gas inside the generator. The gas analysis method is shown in FIG. When a 500 MW turbine generator was connected to the gas analyzer to determine the internal gas, it was determined that the oil was overheated.
【００４７】実施の形態３ 実施の形態１では、発電機の各構成材料の質量スペクト
ルとして全て純品のものを用いた。本実施の形態では、
オイルとエポキシとの混合物について加熱と質量スペク
トルの採取を行ない、採取した質量スペクトルを用いて
レファレンスベクトルの学習を行なった。学習後のレフ
ァレンスベクトルを用い、テストパターンの判別を行な
ったところ、９０％以上の精度で過熱した構成材料の特
定を行なうことができた。Third Embodiment In the first embodiment, the mass spectrum of each constituent material of the generator is entirely pure. In the present embodiment,
The mixture of oil and epoxy was heated and the mass spectrum was collected, and the reference vector was learned using the collected mass spectrum. When the test pattern was determined using the reference vector after learning, the overheated constituent material could be specified with an accuracy of 90% or more.
【００４８】実施の形態４ 前記実施の形態では、タービン発電機を例として説明を
行なったが、他の電力機器、たとえばガス絶縁開閉装置
（ＧＩＳ）やガス絶縁トランスなどに対しても同様の課
題があり、本発明の解決手段が有効である。Fourth Embodiment In the above-described embodiment, a turbine generator has been described as an example. However, the same problem applies to other power devices, such as a gas insulated switchgear (GIS) and a gas insulated transformer. Therefore, the solution of the present invention is effective.
【００４９】プログラム例１ C MAIN PROGRAM C 1(AR309),2(DR311),3(CORE NISS),4(RED NISS),5(OIL),6(PHENOL) DIMENSION RS(16,8),XS(16),RSS(16),XXS(120,16),N1(120), 2 RS0(16,6),DIST3(6) INTEGER COUNT C LIMITMAX=0.2/CONVERG LIMIT=200 CONVERG=0.001 READ(5,1000) ((RS(I,J),I=1,16),J=1,6) 1000 FORMAT(16F7.4) 3 L=KN+1 COUNT=0 DO 500 J=1,6 DO 500 I=1,16 RS0(I,J)=0.0 500 CONTINUE KT=1 C GAKUSYUU VECTOR NO YOMIKOMI 4 WRITE(6,5) L 5 FORMAT(17H INPUT TEACHER NO,I4) 10 READ(5,1200) N1(L),(XXS(L,I),I=1,16) 1200 FORMAT(I1,16F7.4) C YOMIKOMI NO TEISI IF(N1(L).EQ.0) KN=L-1 IF(N1(L).EQ.0) GO TO 141 L=L+1 GO TO 4 141 K=1 ALFA=0.2-0.001*KT KT=KT+1 COUNT=COUNT+1 IF(COUNT.EQ.LIMIT) GO TO 201 IF(COUNT.EQ.1) GO TO 142 C DIST3 NO 0 KA DO 540 J=1,6 DIST3(J)=0.0 540 CONTINUE DIST4=0.0 C RS TO RS0 NO KYORI DO 600 J=1,6 DO 550 I=1,16 550 DIST3(J)=DIST3(J)+ABS(RS(I,J)-RS0(I,J)) DIST3(J)=DIST3(J)/16.0 600 DIST4=DIST4+DIST3(J) DIST4=DIST4/6.0 IF(DIST4.LE.CONVERG) GO TO 200 C RS0 NO KAKIKAE DO 650 J=1,6 DO 650 I=1,16 RS0(I,J)=RS(I,J) 650 CONTINUE 142 N=N1(K) IF(K.EQ.KN+1) GO TO 141 K=K+1 181 J=1 400 DIST2=1.0 C GAKUSYUU VECTOR NO SUBROUTINE INSUU HENO HENKAN 144 DO 145 I=1,16 XS(I)=XXS(K-1,I) 145 RSS(I)=RS(I,J) C SUBROUTINE NO SANSYOU CALL KYORI(XS,RSS,DIST) WRITE(6,2040) DIST,DIST2 2040 FORMAT(1H ,10X,F9.6,5X,F10.6) J=J+1 WRITE(6,2080) J-1 2080 FORMAT(1H ,I6) IF(J.GE.8) GO TO 146 IF(DIST.GT.DIST2)GO TO 144 DIST2=DIST J1=J-1 GO TO 144 146 CONTINUE IF(N.EQ.J1)GO TO 148 DO 147 I=1,16 RS(I,J1)=RS(I,J1)-ALFA*(XS(I)-RS(I,J1)) RS(I,N)=RS(I,N)+ALFA*(XS(I)-RS(I,N)) 147 CONTINUE GO TO 142 148 CONTINUE DO 149 I=1,16 RS(I,J1)= RS(I,J1)+ALFA*(XS(I)-RS(I,J1)) 149 CONTINUE GO TO 142 C SYUUSOKU 200 WRITE(6,1300) 1300 FORMAT(1H ,10HCONVERGENT ) GO TO 150 201 WRITE (6,1301) 1301 FORMAT(15H NOT CONVERGENT ) C SYUUSOKU VECTOR NO KAKIDASI 150 WRITE(6,1340) DIST4,COUNT-1 1340 FORMAT(10H DISTANCE ,F7.5,9H REPEAT ,I4) DO 160 J=1,6 WRITE(6,1350)(RS(I,J),I=1,16) 160 CONTINUE 1350 FORMAT(1H ,16F8.5) C MONDAI VECTOR NO YOMIKOMI WRITE(6,1360) 1360 FORMAT(31H QUESTION RELEARN -.1 END -.2 ) 255 READ(5,1400)(XS(I),I=1,16) 1400 FORMAT(16F7.4) C MONDAI NO OWARI IF(XS(1).EQ.-0.1) GO TO 3 IF(XS(1).LT.-0.1) GO TO 256 J=1 DIST2=1.0 250 DO 260 I=1,16 260 RSS(I)=RS(I,J) CALL KYORI(XS,RSS,DIST) J=J+1 IF(J.EQ.8) GO TO 300 IF(DIST.GT.DIST2) GO TO 250 DIST2=DIST J2=J-1 GO TO 250 C KOTAE NO KAKIDASI 300 WRITE(6,1600) J2 1600 FORMAT(8H ANSWER=,I2) GO TO 255 256 STOP END SUBROUTINE KYORI(XS,RSS,DIST) DIMENSION XS(16),RSS(16) DIST=0.0 DO 20 I=1,16 20 DIST=DIST+ABS(XS(I)-RSS(I)) DIST=DIST/16.0 RETURN ENDProgram Example 1 C MAIN PROGRAM C 1 (AR309), 2 (DR311), 3 (CORE NISS), 4 (RED NISS), 5 (OIL), 6 (PHENOL) DIMENSION RS (16, 8), XS (16), RSS (16), XXS (120,16), N1 (120), 2 RS0 (16,6), DIST3 (6) INTEGER COUNT C LIMITMAX = 0.2 / CONVERG LIMIT = 200 CONVERG = 0.001 READ (5 , 1000) ((RS (I, J), I = 1,16), J = 1,6) 1000 FORMAT (16F7.4) 3 L = KN + 1 COUNT = 0 DO 500 J = 1,6 DO 500 I = 1,16 RS0 (I, J) = 0.0 500 CONTINUE KT = 1 C GAKUSYUU VECTOR NO YOMIKOMI 4 WRITE (6,5) L 5 FORMAT (17H INPUT TEACHER NO, I4) 10 READ (5,1200) N1 ( L), (XXS (L, I), I = 1,16) 1200 FORMAT (I1,16F7.4) C YOMIKOMI NO TEISI IF (N1 (L) .EQ.0) KN = L-1 IF (N1 ( L) .EQ.0) GO TO 141 L = L + 1 GO TO 4 141 K = 1 ALFA = 0.2-0.001 * KT KT = KT + 1 COUNT = COUNT + 1 IF (COUNT.EQ.LIMIT) GO TO 201 IF (COUNT.EQ.1) GO TO 142 C DIST3 NO 0 KA DO 540 J = 1,6 DIST3 (J) = 0.0 540 CONTINUE DIST4 = 0.0 C RS TO RS0 NO KYORI DO 600 J = 1,6 DO 550 I = 1,16 550 DIST3 (J) = DIST3 (J) + ABS (RS (I, J) -RS0 (I, J)) DIST3 (J) = DIST3 (J) /16.0 600 DIST4 = DIST4 + DIST3 (J ) DIST4 = DIST4 / 6.0 IF (DIST4.LE.CONVERG) GO TO 200 C RS0 NO KAKIKAE DO 650 J = 1,6 DO 650 I = 1,16 RS0 (I, J) = RS (I, J) 650 CONTINUE 142 N = N1 (K) IF (K.EQ.KN + 1) GO TO 141 K = K + 1 181 J = 1 400 DIST2 = 1.0 C GAKUSYUU VECTOR NO SUBROUTINE INSUU HENO HENKAN 144 DO 145 I = 1,16 XS (I) = XXS (K-1, I) 145 RSS (I) = RS (I, J) C SUBROUTINE NO SANSYOU CALL KYORI (XS, RSS, DIST) WRITE (6,2040) DIST, DIST2 2040 FORMAT (1H, 10X, F9.6,5X, F10.6) J = J + 1 WRITE (6,2080) J-1 2080 FORMAT ( 1H, I6) IF (J.GE.8) GO TO 146 IF (DIST.GT.DIST2) GO TO 144 DIST2 = DIST J1 = J-1 GO TO 144 146 CONTINUE IF (N.EQ.J1) GO TO 148 DO 147 I = 1,16 RS (I, J1) = RS (I, J1) -ALFA * (XS (I) -RS (I, J1)) RS (I, N) = RS (I, N) + ALFA * (XS (I) -RS (I, N)) 147 CONTINUE GO TO 142 148 CONTINUE DO 149 I = 1,16 RS (I, J1) = RS (I, J1) + ALFA * (XS (I) -RS (I, J1)) 149 CONTINUE GO TO 142 C SYUUSOKU 200 WRITE (6,1300) 1300 FORMAT (1H, 10HCONVERGENT) GO TO 150 201 WRITE (6,1301) 1301 FORMAT (15H NOT CONVERGENT) C SYUUSOKU VECTOR NO KAKIDASI 150 WRITE (6,1340) DIST4, COUNT-1 1340 FORMAT (10H DISTANCE, F7.5,9H REPEAT, I4) DO 160 J = 1,6 WRITE (6,1350) (RS (I, J), I = 1,16) 160 CONTINUE 1350 FORMAT (1H, 16F8.5) C MONDAI VECTOR NO YOMIKOMI WRITE (6,1360) 1360 FORMAT (31H QUESTION RELEARN -.1 END -.2) 255 READ (5,1400) (XS (I), I = 1,16) 1400 FORMAT (16F7.4) C MONDAI NO OWARI IF (XS (1) .EQ.-0.1) GO TO 3 IF (XS (1) .LT.-0.1) GO TO 256 J = 1 DIST2 = 1.0 250 DO 260 I = 1,16 260 RSS (I ) = RS (I, J) CALL KYORI (XS, RSS, DIST) J = J + 1 IF (J.EQ.8) GO TO 300 IF (DIST.GT.DIST2) GO TO 250 DIST2 = DIST J2 = J -1 GO TO 250 C KOTAE NO KAKIDASI 300 WRITE (6,1600) J2 1600 FORMAT (8H ANSWER =, I2) GO TO 255 256 STOP END SUBROUTINE KYORI (XS, RSS, DIST) DIMENSION XS (16), RSS (16 ) DIST = 0.0 DO 20 I = 1,16 20 DIST = DIST + ABS (XS (I) -RSS (I)) DIST = DIST / 16.0 RETURN END
【００５０】プログラム例２ C MAIN PROGRAM C 1(AR309),2(DR311),3(CORE NISS),4(RED NISS),5(OIL),6(PHENOL) DIMENSION RS(16,8),XS(16),RSS(16),XXS(120,16),N1(120), 2 RS0(16,6),DIST3(6) C REFARENCE VECTOR NO YOMIKOMI READ(5,1000) ((RS(I,J),I=1,16),J=1,6) 1000 FORMAT(16F7.4) DO 20 J=1,6 20 WRITE(6,1100) (RS(I,J),I=1,16) 1100 FORMAT(1H ,16F7.4) K=1 KT=1 C GAKUSYUU VECTOR NO YOMIKOMI 10 READ(5,1200) N1(K),(XXS(K,I),I=1,16) 1200 FORMAT(I1,16F7.4) WRITE(6,3000) N1(K) 3000 FORMAT(1H ,I9) C YOMIKOMI NO TEISI IF(N1(K).EQ.0) KN=K IF(N1(K).EQ.0) GO TO 450 K=K+1 GO TO 10 C RS0(I,J) NO 0 KA 450 DO 500 I=1,16 DO 500 J=1,6 RS0(I,J)=0.0 500 CONTINUE 141 K=1 ALFA=0.2-0.001*KT KT=KT+1 WRITE(6,2090) ALFA C DIST3 NO 0 KA DO 540 J=1,6 DIST3(J)=0.0 540 CONTINUE DIST4=0.0 C RS TO RS0 NO KYORI DO 600 J=1,6 DO 550 I=1,16 550 DIST3(J)=DIST3(J)+ABS(RS(I,J)-RS0(I,J)) DIST3(J)=DIST3(J)/16.0 WRITE(6,2000) DIST3(J) 2000 FORMAT(1H ,F10.5) 600 DIST4=DIST4+DIST3(J) DIST4=DIST4/6.0 C RS0 NO KAKIKAE DO 650 J=1,6 DO 650 I=1,16 RS0(I,J)=RS(I,J) 650 CONTINUE IF(ALFA.LE.0.0) GO TO 200 IF(DIST4.LE.0.01) GO TO 200 142 N=N1(K) IF(K.EQ.KN) GO TO 141 K=K+1 181 J=1 400 DIST2=1.0 C GAKUSYUU VECTOR NO SUBROUTINE INSUU HENO HENKAN 144 DO 145 I=1,16 XS(I)=XXS(K-1,I) 145 RSS(I)=RS(I,J) C SUBROUTINE NO SANSYOU CALL KYORI(XS,RSS,DIST) WRITE(6,2040) DIST,DIST2 2040 FORMAT(1H ,10X,F9.6,5X,F10.6) J=J+1 WRITE(6,2080) J-1 2080 FORMAT(1H ,I6) IF(J.GE.8) GO TO 146 IF(DIST.GT.DIST2)GO TO 144 DIST2=DIST J1=J-1 GO TO 144 146 CONTINUE 2090 FORMAT(1H ,F10.6) IF(N.EQ.J1)GO TO 148 DO 147 I=1,16 RS(I,J1)=RS(I,J1)-ALFA*(XS(I)-RS(I,J1)) RS(I,N)=RS(I,N)+ALFA*(XS(I)-RS(I,N)) 147 CONTINUE GO TO 142 148 CONTINUE DO 149 I=1,16 RS(I,J1)= RS(I,J1)+ALFA*(XS(I)-RS(I,J1)) 149 CONTINUE GO TO 142 C SYUUSOKU 200 WRITE(6,1300) 1300 FORMAT(1H ,8HCONVEXED ) C SYUUSOKU VECTOR NO KAKIDASI DO 160 J=1,6 WRITE(6,1350)(RS(I,J),I=1,16) 160 CONTINUE 1350 FORMAT(1H ,16F8.5) 256 STOP END SUBROUTINE KYORI(XS,RSS,DIST) DIMENSION XS(16),RSS(16) DIST=0.0 DO 20 I=1,16 20 DIST=DIST+ABS(XS(I)-RSS(I)) DIST=DIST/16.0 RETURN ENDProgram example 2 C MAIN PROGRAM C 1 (AR309), 2 (DR311), 3 (CORE NISS), 4 (RED NISS), 5 (OIL), 6 (PHENOL) DIMENSION RS (16, 8), XS (16), RSS (16), XXS (120,16), N1 (120), 2 RS0 (16,6), DIST3 (6) C REFARENCE VECTOR NO YOMIKOMI READ (5,1000) ((RS (I, J), I = 1,16), J = 1,6) 1000 FORMAT (16F7.4) DO 20 J = 1,6 20 WRITE (6,1100) (RS (I, J), I = 1,16 ) 1100 FORMAT (1H, 16F7.4) K = 1 KT = 1 C GAKUSYUU VECTOR NO YOMIKOMI 10 READ (5,1200) N1 (K), (XXS (K, I), I = 1,16) 1200 FORMAT ( I1,16F7.4) WRITE (6,3000) N1 (K) 3000 FORMAT (1H, I9) C YOMIKOMI NO TEISI IF (N1 (K) .EQ.0) KN = K IF (N1 (K) .EQ. 0) GO TO 450 K = K + 1 GO TO 10 C RS0 (I, J) NO 0 KA 450 DO 500 I = 1,16 DO 500 J = 1,6 RS0 (I, J) = 0.0 500 CONTINUE 141 K = 1 ALFA = 0.2-0.001 * KT KT = KT + 1 WRITE (6,2090) ALFA C DIST3 NO 0 KA DO 540 J = 1,6 DIST3 (J) = 0.0 540 CONTINUE DIST4 = 0.0 C RS TO RS0 NO KYORI DO 600 J = 1,6 DO 550 I = 1,16 550 DIST3 (J) = DIST3 (J) + ABS (RS (I, J) -RS0 (I, J)) DIST3 (J) = DIST3 (J) /16.0 WRITE (6,2000) DIST3 (J) 2000 FORMAT (1H, F10.5) 600 DIST4 = DIST4 + DIST3 (J) DIST4 = DIST4 / 6.0 C RS0 NO KAKIKAE DO 650 J = 1,6 DO 650 I = 1,16 RS0 (I, J) = RS (I, J) 650 CONTINUE IF (ALFA.LE.0.0) GO TO 200 IF (DIST4.LE.0.01) GO TO 200 142 N = N1 (K ) IF (K.EQ.KN) GO TO 141 K = K + 1 181 J = 1 400 DIST2 = 1.0 C GAKUSYUU VECTOR NO SUBROUTINE INSUU HENO HENKAN 144 DO 145 I = 1,16 XS (I) = XXS (K- 1, I) 145 RSS (I) = RS (I, J) C SUBROUTINE NO SANSYOU CALL KYORI (XS, RSS, DIST) WRITE (6,2040) DIST, DIST2 2040 FORMAT (1H, 10X, F9.6,5X , F10.6) J = J + 1 WRITE (6,2080) J-1 2080 FORMAT (1H, I6) IF (J.GE.8) GO TO 146 IF (DIST.GT.DIST2) GO TO 144 DIST2 = DIST J1 = J-1 GO TO 144 146 CONTINUE 2090 FORMAT (1H, F10.6) IF (N.EQ.J1) GO TO 148 DO 147 I = 1,16 RS (I, J1) = RS (I, J1 ) -ALFA * (XS (I) -RS (I, J1)) RS (I, N) = RS (I, N) + ALFA * (XS (I) -RS (I, N)) 147 CONTINUE GO TO 142 148 CONTINUE DO 149 I = 1,16 RS (I, J1) = RS (I, J1) + ALFA * (XS (I) -RS (I, J1)) 149 CONTINUE GO TO 142 C SYUUSOKU 200 WRITE (6 , 1300) 1300 FORMAT (1H, 8HCONVEXED) C SYUUSOKU VECTOR NO KAKIDASI DO 160 J = 1,6 WRITE (6,1350) (RS (I, J), I = 1,16) 160 CONTINUE 1350 FORMAT (1H, 16F8 .5) 256 STOP END SUBROUTINE KYORI (XS, RSS, DIST) DIMENSION XS (16), RSS (16) DIST = 0.0 D O 20 I = 1,16 20 DIST = DIST + ABS (XS (I) -RSS (I)) DIST = DIST / 16.0 RETURN END
【００５１】[0051]
【発明の効果】以上述べたように、本発明によれば、電
力用機器の各構成材料から発生する有機物質の測定結果
により学習を行ない、学習の結果と電力用機器の内部ガ
ス中の有機物質の測定結果とから、異常過熱部位の特定
を行なうことにしたので、異常過熱した部位を正確に特
定することができる効果がある。As described above, according to the present invention, learning is performed based on the measurement result of the organic substance generated from each constituent material of the power equipment, and the learning result and the organic substance in the internal gas of the power equipment are learned. Since the abnormally overheated portion is determined from the measurement result of the substance, there is an effect that the abnormally overheated portion can be accurately specified.
【００５２】また、学習と特定にニューラルネットワー
クのアルゴリズム、とくにKohonenのＬＶＱを用いるこ
とにしたので、処理すべきデータの量を少なくすること
ができる。Further, since the neural network algorithm, particularly Kohonen's LVQ, is used for learning and identification, the amount of data to be processed can be reduced.
【００５３】（＊１） T.Kohonen,Self-Organization
and Associative Memory, Springer-Verlag pp199-209,
1987(* 1) T. Kohonen, Self-Organization
and Associative Memory, Springer-Verlag pp199-209,
1987
【図１】 本発明の異常過熱診断方法における有機物質
の測定方法を説明する図である。FIG. 1 is a diagram illustrating a method for measuring an organic substance in the abnormal overheating diagnosis method of the present invention.
【図２】 ＬＶＱのフロー図である。FIG. 2 is a flowchart of LVQ.
【図３】 ＬＶＱにおける各クラスのレファレンスベク
トルとパターンベクトルとの関係を示す図である。FIG. 3 is a diagram showing a relationship between reference vectors and pattern vectors of each class in LVQ.
【図４】 ＬＶＱにおける各クラスのレファレンスベク
トルとパターンベクトルとの関係を示す図である。FIG. 4 is a diagram showing a relationship between reference vectors and pattern vectors of each class in LVQ.
【図５】 本発明の異常過熱診断方法で使用する装置の
構成図である。FIG. 5 is a configuration diagram of an apparatus used in the abnormal overheating diagnosis method of the present invention.
１ タービン発電機、２ 有機物質吸着管（トラッ
プ）、３ 石英ウール、４ 注入装置、５ 冷却トラッ
プ、６ 質量分析計、７ 純粋材料、８ 熱劣化装置、
１１ ガス導入用配管、１２ 有機物質吸着管、１３
バイパス用配管、１４ 弁、１５ 流量調節器、１６
ガス出口。1 Turbine generator, 2 Organic substance adsorption tube (trap), 3 Quartz wool, 4 Injection device, 5 Cooling trap, 6 Mass spectrometer, 7 Pure material, 8 Thermal degradation device,
11 gas introduction pipe, 12 organic substance adsorption pipe, 13
Bypass piping, 14 valves, 15 Flow controller, 16
Gas outlet.
───────────────────────────────────────────────────── フロントページの続き (72)発明者 反田 哲史 東京都千代田区丸の内二丁目２番３号 三 菱電機株式会社内 Ｆターム(参考） 2G015 AA03 AA13 CA20 ────────────────────────────────────────────────── ─── Continuing on the front page (72) Inventor Tetsushi Sanda 2-3-2 Marunouchi, Chiyoda-ku, Tokyo F-term in Mitsubishi Electric Corporation (reference) 2G015 AA03 AA13 CA20
Claims (6)
物質または有機物質の分解生成物を質量分析計で測定
し、該測定結果から異常過熱の生じている部位を特定す
る方法において、該特定がニューラルネットワークのア
ルゴリズムを用いて行なわれることを特徴とする電力用
機器の内部異常過熱診断方法。1. A method for measuring an organic substance or a decomposition product of an organic substance present in a gas inside a power device by a mass spectrometer, and identifying a portion where abnormal overheating has occurred from the measurement result. A method for diagnosing abnormal internal overheating of a power device, wherein the specification is performed using a neural network algorithm.
ズムとしてKohonenのＬＶＱ(Learning Vector Quantiza
tion)を用いることを特徴とする請求項１記載の電力用
機器の内部異常過熱診断方法。2. The algorithm of Kohonen's LVQ (Learning Vector Quantiza
2. The method for diagnosing abnormal internal overheating of a power device according to claim 1, wherein the method includes:
生じた有機物質または有機物質の分解生成物を質量分析
計で測定し、該測定結果を用いて前記ニューラルネット
ワークの学習を行なうことを特徴とする請求項１または
２記載の電力用機器の内部異常過熱診断方法。3. Heating each constituent material of the power equipment,
3. The internal abnormality of a power device according to claim 1, wherein the generated organic substance or a decomposition product of the organic substance is measured by a mass spectrometer, and learning of the neural network is performed using the measurement result. Overheating diagnostic method.
類からなる混合物を加熱し、生じた有機物質または有機
物質の分解生成物を質量分析計で測定し、該測定結果を
用いて前記ニューラルネットワークの学習を行なうこと
を特徴とする請求項１、２または３記載の電力用機器の
内部異常過熱診断方法。4. A mixture of two kinds of constituent materials of the power equipment is heated, and a generated organic substance or a decomposition product of the organic substance is measured by a mass spectrometer. 4. The method for diagnosing abnormal internal overheating of a power device according to claim 1, wherein learning of a neural network is performed.
いる測定結果が、前記電力用機器の各構成材料および／
または構成材料の混合物の分解スペクトル、質量分析計
校正試料スペクトルまたは質量分析計残留ガススペクト
ルであることを特徴とする請求項３または４記載の電力
用機器の内部異常過熱診断方法。5. The measurement result used for learning of the neural network includes:
5. The method for diagnosing abnormal internal overheating of a power device according to claim 3, wherein the spectrum is a decomposition spectrum of a mixture of constituent materials, a mass spectrometer calibration sample spectrum or a mass spectrometer residual gas spectrum.
構成材料および／または構成材料の混合物についての測
定結果を用いて学習を行ない、学習させたベクトル群を
出力する第１のプログラムと、出力されたベクトル群と
前記電力用機器内部のガスについての測定結果とを用い
て異常過熱の生じている部位を特定する第２のプログラ
ムとに分割したことを特徴とする請求項３または４記載
の電力用機器の内部異常過熱診断方法。6. A first program for performing learning on the neural network using measurement results of the constituent materials and / or the mixture of the constituent materials, and outputting a trained vector group, The power device according to claim 3 or 4, wherein the power device is divided into a second program that specifies a portion where abnormal overheating has occurred using a group and a measurement result of gas inside the power device. Internal abnormal overheating diagnosis method.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000294155A JP2002098672A (en) | 2000-09-27 | 2000-09-27 | Diagnostic method for abnormal overheating at inside of power apparatus |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000294155A JP2002098672A (en) | 2000-09-27 | 2000-09-27 | Diagnostic method for abnormal overheating at inside of power apparatus |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2002098672A true JP2002098672A (en) | 2002-04-05 |
Family
ID=18776817
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2000294155A Pending JP2002098672A (en) | 2000-09-27 | 2000-09-27 | Diagnostic method for abnormal overheating at inside of power apparatus |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2002098672A (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004348740A (en) * | 2003-05-22 | 2004-12-09 | Microsoft Corp | Self-learning method and system for detecting abnormality |
| JP2006308515A (en) * | 2005-05-02 | 2006-11-09 | Fuji Electric Systems Co Ltd | Degradation diagnosing method for oil-filled electric apparatus |
| JP2008286611A (en) * | 2007-05-16 | 2008-11-27 | Univ Nagoya | System for diagnosing winding of electric equipment |
-
2000
- 2000-09-27 JP JP2000294155A patent/JP2002098672A/en active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004348740A (en) * | 2003-05-22 | 2004-12-09 | Microsoft Corp | Self-learning method and system for detecting abnormality |
| JP2006308515A (en) * | 2005-05-02 | 2006-11-09 | Fuji Electric Systems Co Ltd | Degradation diagnosing method for oil-filled electric apparatus |
| JP2008286611A (en) * | 2007-05-16 | 2008-11-27 | Univ Nagoya | System for diagnosing winding of electric equipment |
| JP4508211B2 (en) * | 2007-05-16 | 2010-07-21 | 国立大学法人名古屋大学 | Electrical equipment winding diagnosis system |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110009236A (en) | A kind of oil-immersed power transformer built-in electrical insulation degree of aging quantitative evaluating method | |
| CN114912533B (en) | State monitoring system and monitoring method applied to transformer | |
| US20150034813A1 (en) | Controlling Hydrogen-Deuterium Exchange on a Spectrum by Spectrum Basis | |
| US20190294758A1 (en) | Identification and localization of rotational spectra using recurrent neural networks | |
| Cruden et al. | Analysis of shockwave radiation data in nitrogen | |
| Siddique et al. | Artificial neural networks based incipient fault diagnosis for power transformers | |
| JP2002098672A (en) | Diagnostic method for abnormal overheating at inside of power apparatus | |
| GB2561879A (en) | Spectroscopic analysis | |
| CN117034017B (en) | Mass spectrogram classification method, system, medium and equipment based on deep learning | |
| CN109557434A (en) | Local discharge signal recognition methods under strong background noise based on the classification of compound dictionary rarefaction representation | |
| CN110135090B (en) | Circuit system tolerance modeling and analyzing method based on response surface method | |
| CN113253069B (en) | Partial discharge risk assessment method based on multispectral intensity | |
| CN111060497B (en) | LIBS (laser induced breakdown spectroscopy) measuring method for unburned carbon content of mixed-type fly ash based on SVM (support vector machine) cascade model | |
| Gao et al. | Finding meta winning ticket to train your maml | |
| JP2001228117A (en) | Diagnostic method for internal abnormal overheat of power apparatus | |
| CN114913156B (en) | Transformer fault diagnosis system and diagnosis method thereof | |
| Jalali‐Heravi et al. | Principal Component Analysis‐Ranking as a Variable Selection Method for the Simulation of 13C Nuclear Magnetic Resonance Spectra of Xanthones Using Artificial Neural Networks | |
| Zhang et al. | Multiple SVMs modelling method for fault diagnosis of power transformers | |
| Soltani et al. | On dispersion of stable random vectors and its application in the prediction of multivariate stable processes | |
| CN114509490B (en) | Ultra-high/extremely-high vacuum system mass spectrum measurement method based on spectrogram iterative analysis | |
| CN109916850A (en) | Method based near infrared spectrum significance analysis test sample physicochemical property | |
| Crawford et al. | Computer methods in analytical mass spectrometry. Structure codes in processing mass-spectral data | |
| Titus et al. | Impedance Spectroscopy for Quality Testing of Interdigitated Circuits. | |
| Shmakov et al. | Full Event Particle-Level Unfolding with Variable-Length Latent Variational Diffusion | |
| Chen et al. | A Probabilistic Classifier for Transformer Dissolved Gas Analysis Using Various Input Variables |