JP2002186280A - 交流モータのステータ回転故障検出器およびその検出システムおよびその方法 - Google Patents
交流モータのステータ回転故障検出器およびその検出システムおよびその方法Info
- Publication number
- JP2002186280A JP2002186280A JP2001308662A JP2001308662A JP2002186280A JP 2002186280 A JP2002186280 A JP 2002186280A JP 2001308662 A JP2001308662 A JP 2001308662A JP 2001308662 A JP2001308662 A JP 2001308662A JP 2002186280 A JP2002186280 A JP 2002186280A
- Authority
- JP
- Japan
- Prior art keywords
- motor
- value
- fundamental frequency
- current
- voltage
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H1/00—Details of emergency protective circuit arrangements
- H02H1/0092—Details of emergency protective circuit arrangements concerning the data processing means, e.g. expert systems, neural networks
-
- 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
- G01R31/346—Testing of armature or field windings
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
- H02H7/08—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions for dynamo-electric motors
- H02H7/09—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions for dynamo-electric motors against over-voltage; against reduction of voltage; against phase interruption
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
- Control Of Electric Motors In General (AREA)
- Control Of Ac Motors In General (AREA)
Abstract
(57)【要約】
【課題】モータ故障を検出するための参照用テーブルを
不要とし、かつコンピュータネットワークを使用できる
交流モータのステータ回転故障検出器およびその検出シ
ステムおよびその方法を提供すること。 【解決手段】ステータ回転故障検出器10と電気モータ14
のステータ回転故障検出をリアルタイムで行う方法が提
供される。回転故障検出器10は、交流モータからの電圧
値および電流値を得る複数のセンサ22a,22b,26a,26b
と、電圧値および電流値からシーケンス成分を計算する
プロセッサ30と、トレーニング時に電気モータ14に供給
する電圧、電流の基本周波数シーケンス成分を用いるフ
ィードフォワード・ニュートラルネットワークと、推定
値と瞬時値を比較して故障信号を出力する比較器を含
み、ステータ回転故障を示す現在の基本周波数シーケン
ス成分を推定する。
不要とし、かつコンピュータネットワークを使用できる
交流モータのステータ回転故障検出器およびその検出シ
ステムおよびその方法を提供すること。 【解決手段】ステータ回転故障検出器10と電気モータ14
のステータ回転故障検出をリアルタイムで行う方法が提
供される。回転故障検出器10は、交流モータからの電圧
値および電流値を得る複数のセンサ22a,22b,26a,26b
と、電圧値および電流値からシーケンス成分を計算する
プロセッサ30と、トレーニング時に電気モータ14に供給
する電圧、電流の基本周波数シーケンス成分を用いるフ
ィードフォワード・ニュートラルネットワークと、推定
値と瞬時値を比較して故障信号を出力する比較器を含
み、ステータ回転故障を示す現在の基本周波数シーケン
ス成分を推定する。
Description
【０００１】
【発明の属する技術分野】本発明は、電気モータ監視シ
ステムに関し、特に、交流モータにおけるステータの回
転故障を検出するための装置およびその方法に関する。
ステムに関し、特に、交流モータにおけるステータの回
転故障を検出するための装置およびその方法に関する。
【０００２】
【従来の技術】三相交流モータ等の電気モータは、商業
的および産業的環境において多岐にわたり使用されてい
る。冷蔵システム、プリントプレス、アセンブリライ
ン、および種々の応用において、このようなモータが用
いられる。この利用に関係なく、モータの故障を迅速に
検出することは、非常に重要である。
的および産業的環境において多岐にわたり使用されてい
る。冷蔵システム、プリントプレス、アセンブリライ
ン、および種々の応用において、このようなモータが用
いられる。この利用に関係なく、モータの故障を迅速に
検出することは、非常に重要である。
【０００３】一般的に、モータ故障は、電気モータが完
全にブレークダウンするまで検出されない。これによ
り、不当な費用を招き、修理における電気モータの停止
時間の遅延、および起こりうる危険状態を作り出す。そ
の結果、電気モータの完全なブレークダウンの前にモー
タの故障、特に、ステータ回転故障を効果的にかつ有益
に検出することが必要である。
全にブレークダウンするまで検出されない。これによ
り、不当な費用を招き、修理における電気モータの停止
時間の遅延、および起こりうる危険状態を作り出す。そ
の結果、電気モータの完全なブレークダウンの前にモー
タの故障、特に、ステータ回転故障を効果的にかつ有益
に検出することが必要である。
【０００４】電気モータに対する従来の監視技術は、ス
テータ回転故障をブレークダウンの前に検出するには不
十分である。一般的に、電気モータ監視装置は、ロータ
における欠陥から生じるモータ故障を検出する。これら
の欠陥は、ロータの回転中にのみ検出することができ
る。
テータ回転故障をブレークダウンの前に検出するには不
十分である。一般的に、電気モータ監視装置は、ロータ
における欠陥から生じるモータ故障を検出する。これら
の欠陥は、ロータの回転中にのみ検出することができ
る。
【０００５】これらの既知のシステムは、回転中にロー
タにより発生したスペクトルの調波における変化を判断
する。しかし、電気モータのステータは、固定部材であ
り、それゆえ、欠点は、付加的な調波を生じないことで
ある。このような従来技術を利用する場合、電気モータ
におけるステータの巻線のブレークダウンまたは故障か
ら生じるモータ故障を検出するので、この方法は有効で
はない。
タにより発生したスペクトルの調波における変化を判断
する。しかし、電気モータのステータは、固定部材であ
り、それゆえ、欠点は、付加的な調波を生じないことで
ある。このような従来技術を利用する場合、電気モータ
におけるステータの巻線のブレークダウンまたは故障か
ら生じるモータ故障を検出するので、この方法は有効で
はない。
【０００６】従来のステータ回転故障システムは、また
厄介な問題を有している。これら既知のステータ回転故
障システムは、効率的でなくかつ時間を浪費する。多く
の方法が、理想的でかつバランスの取れたモータの形式
を使用するが、実際の機械は理想的でないので失敗す
る。１つの方法は、電気モータの過度の作動状態に対す
るデータを含む参照用テーブルを導き出すことが必要で
ある。この参照用テーブルを有効にするための十分なデ
ータを蓄積するために、種々の作動状態下で、多数のサ
イクル介して電気モータを回転させることが必要であ
る。
厄介な問題を有している。これら既知のステータ回転故
障システムは、効率的でなくかつ時間を浪費する。多く
の方法が、理想的でかつバランスの取れたモータの形式
を使用するが、実際の機械は理想的でないので失敗す
る。１つの方法は、電気モータの過度の作動状態に対す
るデータを含む参照用テーブルを導き出すことが必要で
ある。この参照用テーブルを有効にするための十分なデ
ータを蓄積するために、種々の作動状態下で、多数のサ
イクル介して電気モータを回転させることが必要であ
る。
【０００７】ステータの回転故障があるかどうかを判断
するために、電気モータの正常作動中においてある瞬時
の時間で集められた作動データと、類似の作動パラメー
タでの電気モータに対する参照用テーブルのデータとが
比較される。回転故障を判断するための有効性は、この
参照用テーブルの範囲および程度による。参照用テーブ
ルの範囲と程度が大きければ、それだけ、費用がかか
る。こうして、既知のステータ回転故障における検出機
構の利用は、かなり制限を受けるとともに多くの費用が
かかる。それゆえ、この参照用テーブルは、全ての作動
状態に対するデータを含むことはできない。
するために、電気モータの正常作動中においてある瞬時
の時間で集められた作動データと、類似の作動パラメー
タでの電気モータに対する参照用テーブルのデータとが
比較される。回転故障を判断するための有効性は、この
参照用テーブルの範囲および程度による。参照用テーブ
ルの範囲と程度が大きければ、それだけ、費用がかか
る。こうして、既知のステータ回転故障における検出機
構の利用は、かなり制限を受けるとともに多くの費用が
かかる。それゆえ、この参照用テーブルは、全ての作動
状態に対するデータを含むことはできない。
【０００８】さらに、従来のこれらのステータ故障検出
システムは、重み付けされたファーストフーリエ変換
（WFFT)を用いる。このWFFTは、変換を実行するために
所定の時間にわたっていくつかの組のデータを必要とす
る。
システムは、重み付けされたファーストフーリエ変換
（WFFT)を用いる。このWFFTは、変換を実行するために
所定の時間にわたっていくつかの組のデータを必要とす
る。
【０００９】考えられるすべての各作動状態を記憶する
ための参照テーブルを不要にするとともに、電気モータ
のステータに関連するモータ故障を検出するステータ回
転故障装置およびその方法を設計することが望ましい。
ための参照テーブルを不要にするとともに、電気モータ
のステータに関連するモータ故障を検出するステータ回
転故障装置およびその方法を設計することが望ましい。
【００１０】
【発明が解決しようとする課題】本発明は、モータ故障
を検出するための作動パラメータ基準テーブルを不要と
し、かつ上述の問題を克服するオンザフライ(on-the-fl
y)式のコンピュータネットワークを使用できる交流モー
タのステータ回転故障検出器およびその検出システムお
よびその方法を提供することを目的としている。
を検出するための作動パラメータ基準テーブルを不要と
し、かつ上述の問題を克服するオンザフライ(on-the-fl
y)式のコンピュータネットワークを使用できる交流モー
タのステータ回転故障検出器およびその検出システムお
よびその方法を提供することを目的としている。
【００１１】
【課題を解決するための手段】上記目的を達成するため
に、本発明は、各請求項に記載の構成を有する。本発明
は、フィードフォワード・ニュートラルネットワークを
用いることによって、上述の参照用テーブル、及びモー
タの全ての作動パラメータを推定しまたは発生させなけ
ればならないことに代わる方法を提供する。
に、本発明は、各請求項に記載の構成を有する。本発明
は、フィードフォワード・ニュートラルネットワークを
用いることによって、上述の参照用テーブル、及びモー
タの全ての作動パラメータを推定しまたは発生させなけ
ればならないことに代わる方法を提供する。
【００１２】本発明は、既知の良好な作動状態下にある
電気モータの電圧データおよび電流データを獲得する工
程を含む。存在する電圧および電流のデータを変換する
ためにコンピュータプログラムが与えられ、その特性デ
ータは、容易に得られかつ後の使用のために保存され
る。このシステムは、また、実際の作動状態下にある電
気モータから瞬時データを得るための手段を有する。こ
の瞬時のデータは、フィードフォワード・ニュートラル
ネットワークによって発生する推定されたデータと比較
される。上述のデータの比較に基づいて、電気モータに
おける一組のステータ回転故障値が正確に識別される。
電気モータの電圧データおよび電流データを獲得する工
程を含む。存在する電圧および電流のデータを変換する
ためにコンピュータプログラムが与えられ、その特性デ
ータは、容易に得られかつ後の使用のために保存され
る。このシステムは、また、実際の作動状態下にある電
気モータから瞬時データを得るための手段を有する。こ
の瞬時のデータは、フィードフォワード・ニュートラル
ネットワークによって発生する推定されたデータと比較
される。上述のデータの比較に基づいて、電気モータに
おける一組のステータ回転故障値が正確に識別される。
【００１３】それゆえ、本発明のある構成によれば、電
気モータ用のステータ回転故障検出器が開示されてい
る。この検出器は、電気モータに供給される電流および
電圧の信号を得るために複数のセンサを有する。この電
流データおよび電圧データにおける各シーケンス成分
は、フィードフォワード・ニュートラルネットワークに
接続されるとともに複数のセンサに接続されたプロセッ
サによって計算される。フィードフォワード・ニュート
ラルネットワークは、電流値および電圧値、または、そ
の少なくとも一部分を受け取り、比較器に出力される推
定値を計算する。この推定値および瞬時値の分析に基づ
いてステータ回転故障の兆候が判断される。
気モータ用のステータ回転故障検出器が開示されてい
る。この検出器は、電気モータに供給される電流および
電圧の信号を得るために複数のセンサを有する。この電
流データおよび電圧データにおける各シーケンス成分
は、フィードフォワード・ニュートラルネットワークに
接続されるとともに複数のセンサに接続されたプロセッ
サによって計算される。フィードフォワード・ニュート
ラルネットワークは、電流値および電圧値、または、そ
の少なくとも一部分を受け取り、比較器に出力される推
定値を計算する。この推定値および瞬時値の分析に基づ
いてステータ回転故障の兆候が判断される。
【００１４】本発明の別の構成によれば、ステータ回転
故障検出システムが開示され、このシステムは、マイク
ロプロセッサとコンピュータ用読出し可能記憶媒体を有
する。コンピュータ用の読出し可能記憶媒体上に記憶さ
れたコンピュータプログラムによって命令されると、マ
イクロプロセッサは、少なくとも１つの入力を介して基
本周波数データを受け取る。このデータは、電気モータ
に供給する、ライン電圧の正および負のシーケンス成分
と、ライン電流の正のシーケンス成分を有する。コンピ
ュータプログラムによって命令されるとき、マイクロプ
ロセッサは、フィードフォワード・ニュートラルネット
ワークを初期化し、上述のデータに基づいて、推定した
ライン電流の負のシーケンス成分を決定する。本発明
は、また、ライン電流の推定された負のシーケンス成分
を出力するための少なくとも１つの出力を有する。
故障検出システムが開示され、このシステムは、マイク
ロプロセッサとコンピュータ用読出し可能記憶媒体を有
する。コンピュータ用の読出し可能記憶媒体上に記憶さ
れたコンピュータプログラムによって命令されると、マ
イクロプロセッサは、少なくとも１つの入力を介して基
本周波数データを受け取る。このデータは、電気モータ
に供給する、ライン電圧の正および負のシーケンス成分
と、ライン電流の正のシーケンス成分を有する。コンピ
ュータプログラムによって命令されるとき、マイクロプ
ロセッサは、フィードフォワード・ニュートラルネット
ワークを初期化し、上述のデータに基づいて、推定した
ライン電流の負のシーケンス成分を決定する。本発明
は、また、ライン電流の推定された負のシーケンス成分
を出力するための少なくとも１つの出力を有する。
【００１５】本発明の更に他の構成によれば、電気モー
タにおけるステータ回転故障を検出するための装置は、
正しく作動する既知の電気モータからのライン電圧信号
およびライン電流信号を受け取るための手段を有してい
る。時間に対して連続的な電圧信号および電流信号の少
なくとも一部分のシーケンス成分を決定するための変換
手段が設けられている。本発明は、さらに、上述のシー
ケンス成分に基づく推定された電流値を出力するための
手段を有している。この推定した電流値は、順次、比較
手段を介して、リアルタイムで得られる瞬時に獲得され
た電流値と比較される。
タにおけるステータ回転故障を検出するための装置は、
正しく作動する既知の電気モータからのライン電圧信号
およびライン電流信号を受け取るための手段を有してい
る。時間に対して連続的な電圧信号および電流信号の少
なくとも一部分のシーケンス成分を決定するための変換
手段が設けられている。本発明は、さらに、上述のシー
ケンス成分に基づく推定された電流値を出力するための
手段を有している。この推定した電流値は、順次、比較
手段を介して、リアルタイムで得られる瞬時に獲得され
た電流値と比較される。
【００１６】本発明の別の構成によれば、コンピュータ
プログラムは、電気モータにおけるステータ回転故障を
検出するために設けられている。このプログラムが実行
されると、コンピュータは、良好な作動手順の作動中、
電気モータの基本周波数データを得る。このコンピュー
タプログラムは、さらに、基本周波数データの少なくと
も一部分が、複数のウエイトを有するフィードフォワー
ド・ニュートラルネットワークに入力される。コンピュ
ータは、フィードフォワード・ニュートラルネットワー
クをトレーニングして、各ウエイトをある値に収束し、
この値をメモリに記憶する。コンピュータは、瞬時作動
中、電気モータから基本周波数データを得る。この瞬時
の基本周波数パラメータは、フィードフォワード・ニュ
ートラルネットワークに入力される。コンピュータは、
次に、モータの瞬時作動における推定した基本周波数パ
ラメータを獲得して、このパラメータと瞬時の基本周波
数パラメータと比較し、交流モータにおける回転故障を
判断する。
プログラムは、電気モータにおけるステータ回転故障を
検出するために設けられている。このプログラムが実行
されると、コンピュータは、良好な作動手順の作動中、
電気モータの基本周波数データを得る。このコンピュー
タプログラムは、さらに、基本周波数データの少なくと
も一部分が、複数のウエイトを有するフィードフォワー
ド・ニュートラルネットワークに入力される。コンピュ
ータは、フィードフォワード・ニュートラルネットワー
クをトレーニングして、各ウエイトをある値に収束し、
この値をメモリに記憶する。コンピュータは、瞬時作動
中、電気モータから基本周波数データを得る。この瞬時
の基本周波数パラメータは、フィードフォワード・ニュ
ートラルネットワークに入力される。コンピュータは、
次に、モータの瞬時作動における推定した基本周波数パ
ラメータを獲得して、このパラメータと瞬時の基本周波
数パラメータと比較し、交流モータにおける回転故障を
判断する。
【００１７】更に本発明の別の構成によれば、交流モー
タにおけるステータ回転故障を検出するための装置が開
示される。この装置は、少なくとも２つの交流モータの
電流信号を得るために少なくとも２つの電流センサと、
少なくとも２つの交流モータの電圧信号を得るために少
なくとも２つの電圧センサを有している。この交流モー
タの電流信号と電圧信号は、アナログ／デジタル変換器
に入力され、デジタル電流信号とデジタル電圧信号を生
じる。本発明において、マイクロプロセッサは、デジタ
ル信号を解読して交流モータ作動の基本周波数シーケン
スパラメータを計算する。交流モータの作動における推
定した基本周波数パラメータは、フィードフォワード・
ニュートラルネットワークによって決定される。
タにおけるステータ回転故障を検出するための装置が開
示される。この装置は、少なくとも２つの交流モータの
電流信号を得るために少なくとも２つの電流センサと、
少なくとも２つの交流モータの電圧信号を得るために少
なくとも２つの電圧センサを有している。この交流モー
タの電流信号と電圧信号は、アナログ／デジタル変換器
に入力され、デジタル電流信号とデジタル電圧信号を生
じる。本発明において、マイクロプロセッサは、デジタ
ル信号を解読して交流モータ作動の基本周波数シーケン
スパラメータを計算する。交流モータの作動における推
定した基本周波数パラメータは、フィードフォワード・
ニュートラルネットワークによって決定される。
【００１８】更に、本発明の別の構成によれば、電気モ
ータにおけるステータの回転故障があるかどうかを検出
するための方法が開示されている。この方法は、電気モ
ータの良好な作動状態中、電気モータから基本周波数ト
レーニングパラメータを獲得する工程を有する。このス
テータの回転故障を検出する方法は、電気モータの正常
状態の推定した基本周波数値を決定するために、基本周
波数トレーニングパラメータからシーケンスフェーザー
(phasor;位相）を決定すること、およびこれらの推定し
た基本周波数値を決定することを含んでいる。好ましく
は、この方法は、さらに、電気モータの使用時に電気モ
ータから瞬時の基本周波数値を獲得する工程をさらに含
んでいる。この方法は、次に、この瞬時の基本周波数値
と作動の推定した基本周波数値を比較して、故障値を決
定し、さらに、この比較に基づく故障値を指示する。こ
の故障値は、電気モータ内に、ステータ回転故障がある
かを表示している。
ータにおけるステータの回転故障があるかどうかを検出
するための方法が開示されている。この方法は、電気モ
ータの良好な作動状態中、電気モータから基本周波数ト
レーニングパラメータを獲得する工程を有する。このス
テータの回転故障を検出する方法は、電気モータの正常
状態の推定した基本周波数値を決定するために、基本周
波数トレーニングパラメータからシーケンスフェーザー
(phasor;位相）を決定すること、およびこれらの推定し
た基本周波数値を決定することを含んでいる。好ましく
は、この方法は、さらに、電気モータの使用時に電気モ
ータから瞬時の基本周波数値を獲得する工程をさらに含
んでいる。この方法は、次に、この瞬時の基本周波数値
と作動の推定した基本周波数値を比較して、故障値を決
定し、さらに、この比較に基づく故障値を指示する。こ
の故障値は、電気モータ内に、ステータ回転故障がある
かを表示している。
【００１９】さらに、本発明の別な構成によれば、交流
モータにおけるステータ回転故障を存在するかの判断す
るための方法は、フィードフォワード・ニュートラルネ
ットワークのシーケンスフェーザーパラメータを選択
し、さらに、良好な作動状態下で、交流モータの形式を
学習するために、フィードフォワード・ニュートラルネ
ットワークををトレーニングする各ステップを含んでい
る。また、この方法は、モータの使用時に交流モータの
測定された値を獲得し、使用中の電気モータから取られ
た測定値を交流モータ作動の推定値と比較する各ステッ
プを含んでいる。この方法は、ビジランス値(vigilance
value)を越える回転故障値が検出されるまで、上述の
ステップを繰り返す。このような回転故障値が検出され
るとき、この方法は、交流モータにおけるステータ回転
故障の存在を使用者に指示する。
モータにおけるステータ回転故障を存在するかの判断す
るための方法は、フィードフォワード・ニュートラルネ
ットワークのシーケンスフェーザーパラメータを選択
し、さらに、良好な作動状態下で、交流モータの形式を
学習するために、フィードフォワード・ニュートラルネ
ットワークををトレーニングする各ステップを含んでい
る。また、この方法は、モータの使用時に交流モータの
測定された値を獲得し、使用中の電気モータから取られ
た測定値を交流モータ作動の推定値と比較する各ステッ
プを含んでいる。この方法は、ビジランス値(vigilance
value)を越える回転故障値が検出されるまで、上述の
ステップを繰り返す。このような回転故障値が検出され
るとき、この方法は、交流モータにおけるステータ回転
故障の存在を使用者に指示する。
【００２０】本発明の種々の他の特徴、目的、および利
点は、以下で説明する詳細な記述と図面に基づいて明ら
かになるであろう。
点は、以下で説明する詳細な記述と図面に基づいて明ら
かになるであろう。
【００２１】
【発明の実施の形態】本発明の実施の形態を図面に基づ
いて説明する。本発明の作動環境は、図１に示すような
三相交流誘導モータに関して記述される。しかし、本発
明は、電気モータの他の形式と同様に、単一レイヤーま
たは他の多相交流モータに使用することができる。
いて説明する。本発明の作動環境は、図１に示すような
三相交流誘導モータに関して記述される。しかし、本発
明は、電気モータの他の形式と同様に、単一レイヤーま
たは他の多相交流モータに使用することができる。
【００２２】図１において、回転故障検出器が示されて
おり、この検出器は、図２において説明される回転故障
検出方式を包含している。ステータ回転故障システム１
０は、伝送ライン１６a、１６ｂ、１６ｃを介して電気
モータ１４に接続した電源１２を含んでいる。このステ
ータ回転故障システム１０は、さらに、伝送ライン１６
a、１６ｂ、１６ｃを通って電気モータ１４に伝達され
る電流および電圧を監視するためにアナログ−デジタル
変換器（ＡＤ変換器）２０を有する汎用コンピュータ１
８を含む。電流センサ２２a、２２ｂは、モータ１４に
流れる電流の波形を得て、この波形を伝送ライン２４
a、２４ｂを介してＡ／Ｄ変換器２０に伝送する。電圧
センサ２６a、２６ｂは、モータ１４に供給される電圧
の波形を得て、この波形を伝送ライン２８a、２８ｂを
介してＡ／Ｄ変換器２０に伝送する。Ａ／Ｄ変換器２０
は、この電流波形と電圧波形を受け取り、この波形の測
定値が容易に得られるように各波形をデジタル化する。
コンピュータ１８は、Ａ／Ｄ変換器２０からのデジタル
化された信号を受け取るマイクロプロセッサ３０を有
し、図３〜図１０に従って論じるようにマイクロプロセ
ッサ３０がデジタル化信号を分析するコンピュータプロ
グラムを実行する。
おり、この検出器は、図２において説明される回転故障
検出方式を包含している。ステータ回転故障システム１
０は、伝送ライン１６a、１６ｂ、１６ｃを介して電気
モータ１４に接続した電源１２を含んでいる。このステ
ータ回転故障システム１０は、さらに、伝送ライン１６
a、１６ｂ、１６ｃを通って電気モータ１４に伝達され
る電流および電圧を監視するためにアナログ−デジタル
変換器（ＡＤ変換器）２０を有する汎用コンピュータ１
８を含む。電流センサ２２a、２２ｂは、モータ１４に
流れる電流の波形を得て、この波形を伝送ライン２４
a、２４ｂを介してＡ／Ｄ変換器２０に伝送する。電圧
センサ２６a、２６ｂは、モータ１４に供給される電圧
の波形を得て、この波形を伝送ライン２８a、２８ｂを
介してＡ／Ｄ変換器２０に伝送する。Ａ／Ｄ変換器２０
は、この電流波形と電圧波形を受け取り、この波形の測
定値が容易に得られるように各波形をデジタル化する。
コンピュータ１８は、Ａ／Ｄ変換器２０からのデジタル
化された信号を受け取るマイクロプロセッサ３０を有
し、図３〜図１０に従って論じるようにマイクロプロセ
ッサ３０がデジタル化信号を分析するコンピュータプロ
グラムを実行する。
【００２３】コンピュータ１８は、マイクロプロセッサ
３０に接続されたオーバーライド端子３２を有し、作動
時に交流誘導モータ１４の使用者がマイクロプロセッサ
３０の出力オーバーライドできるようにする。このよう
なオーバーライドは、モータ故障にかかわらずプロセス
を続行する重要なアプリケーションにおいて、シャット
ダウンを遅らせるのに役立つ。マイクロプロセッサ３０
は、出力端子３４を介してモータ１４の使用者にデータ
を出力する。
３０に接続されたオーバーライド端子３２を有し、作動
時に交流誘導モータ１４の使用者がマイクロプロセッサ
３０の出力オーバーライドできるようにする。このよう
なオーバーライドは、モータ故障にかかわらずプロセス
を続行する重要なアプリケーションにおいて、シャット
ダウンを遅らせるのに役立つ。マイクロプロセッサ３０
は、出力端子３４を介してモータ１４の使用者にデータ
を出力する。
【００２４】図２は、システムのブロック図であり、こ
のシステムは、マイクロプロセッサ３０によって実行さ
れるコンピュータプログラムを含んでいる。デジタル化
した波形の電圧および電流データ（基本周波数データ、
基本周波数シーケンスパラメータまたは入力レイヤーと
もいう。）３６は、このデータを処理するフィードフォ
ワード ネットワーク３８に入力され、実際の作動にお
ける電気モータ１４における電流の負シークエンス成分
のリアル部分４０ａとイマジナリー部分４０bに対する
推定値を出力する。比較器４２は、この推定データ４０
ａ、40ｂを受け取り、推定データ４０a、40ｂと実際の
データ成分とを比較する。この推定データ４０ａ、40ｂ
は、推定された基本周波数値、推定された基本周波数パ
ラメータまたは出力レイヤーともいう。実際の動作中に
得られる電気モータ１４の負シークエンス電流のリアル
成分４４ａとイマジナリー成分４４ｂを含む。これら測
定値の成分４４ａ、４４ｂは、瞬時の基本周波数値また
は瞬時の基本周波数パラメータともいう。比較器４２
は、一般的に加算器、減算器、または合算器を含み、以
後、一般的に比較器として言及する。故障指示器４６
は、比較器４２から出力値を受け取り、電気モータ１４
の故障状態４８の存在を示す。
のシステムは、マイクロプロセッサ３０によって実行さ
れるコンピュータプログラムを含んでいる。デジタル化
した波形の電圧および電流データ（基本周波数データ、
基本周波数シーケンスパラメータまたは入力レイヤーと
もいう。）３６は、このデータを処理するフィードフォ
ワード ネットワーク３８に入力され、実際の作動にお
ける電気モータ１４における電流の負シークエンス成分
のリアル部分４０ａとイマジナリー部分４０bに対する
推定値を出力する。比較器４２は、この推定データ４０
ａ、40ｂを受け取り、推定データ４０a、40ｂと実際の
データ成分とを比較する。この推定データ４０ａ、40ｂ
は、推定された基本周波数値、推定された基本周波数パ
ラメータまたは出力レイヤーともいう。実際の動作中に
得られる電気モータ１４の負シークエンス電流のリアル
成分４４ａとイマジナリー成分４４ｂを含む。これら測
定値の成分４４ａ、４４ｂは、瞬時の基本周波数値また
は瞬時の基本周波数パラメータともいう。比較器４２
は、一般的に加算器、減算器、または合算器を含み、以
後、一般的に比較器として言及する。故障指示器４６
は、比較器４２から出力値を受け取り、電気モータ１４
の故障状態４８の存在を示す。
【００２５】本発明は、種々の故障指示器４６を想定し
ており、電気モータ１４の更なる作動を防止するセルフ
オーガナイジング フィーチャ マップ（ＳＯＦＭ）４
６ａに制限されることなく、ホーン音を出力したり、針
の振幅を用いて故障を示したり、および／またはフラッ
シュ光を出力したり、その他色々の方法が考えられる。
ＳＯＦＭ４６ａは、電気モータ１４の作動状態を図式化
するニュートラルネットワークである。電気モータ１４
の作動状態を適切に示すために、ＳＯＦＭ４６ａは、入
力として、負シーケンス電圧５０の出力値４８および振
幅を受け取る。
ており、電気モータ１４の更なる作動を防止するセルフ
オーガナイジング フィーチャ マップ（ＳＯＦＭ）４
６ａに制限されることなく、ホーン音を出力したり、針
の振幅を用いて故障を示したり、および／またはフラッ
シュ光を出力したり、その他色々の方法が考えられる。
ＳＯＦＭ４６ａは、電気モータ１４の作動状態を図式化
するニュートラルネットワークである。電気モータ１４
の作動状態を適切に示すために、ＳＯＦＭ４６ａは、入
力として、負シーケンス電圧５０の出力値４８および振
幅を受け取る。
【００２６】本発明は、代わりのものとして、第２故障
指示器４６ｂを用いることも想定している。第２指示器
４６ｂは、メータ、一組の故障ライト、あるいは、ここ
で言及された故障指示器のいかなる組み合わせも含むこ
とができる。ステータ回転故障を検出する技術の熟練者
であれば、本発明の実行において、ＳＯＦＭ４６ａに限
って使用されるものではなく、代わりに他の特定の故障
指示器を使用できることが理解できるであろう。
指示器４６ｂを用いることも想定している。第２指示器
４６ｂは、メータ、一組の故障ライト、あるいは、ここ
で言及された故障指示器のいかなる組み合わせも含むこ
とができる。ステータ回転故障を検出する技術の熟練者
であれば、本発明の実行において、ＳＯＦＭ４６ａに限
って使用されるものではなく、代わりに他の特定の故障
指示器を使用できることが理解できるであろう。
【００２７】図３は、Ａ／Ｄ変換器２０からマイクロプ
ロセッサ３０によって受け取られるデジタル化した電流
波形および電圧波形の変換を示している。この変換は、
一般的に、シンクロナス リファレンス フレーム（Ｓ
ＲＦ）変換と呼ばれ、良く知られている。ＳＲＦは、デ
ジタルデータを変換するための技術であり、ファースト
フーリエ変換（ＦＦＴ）と違って、データの連続的な
変換を可能にする。ＳＲＦ変換と異なるＦＦＴが、使用
できる結果が得られる前に、デジタルデータに基づいて
実行される前に、データを集計するいくつかのサイクル
が必要である。
ロセッサ３０によって受け取られるデジタル化した電流
波形および電圧波形の変換を示している。この変換は、
一般的に、シンクロナス リファレンス フレーム（Ｓ
ＲＦ）変換と呼ばれ、良く知られている。ＳＲＦは、デ
ジタルデータを変換するための技術であり、ファースト
フーリエ変換（ＦＦＴ）と違って、データの連続的な
変換を可能にする。ＳＲＦ変換と異なるＦＦＴが、使用
できる結果が得られる前に、デジタルデータに基づいて
実行される前に、データを集計するいくつかのサイクル
が必要である。
【００２８】好ましくは、ＳＲＦ変換１００は、図２に
おいて、上述した方法で、２つのライン電流および２つ
のライン電圧を最初に得る。２つのライン電圧Ｖab、Ｖ
bcが静止基準フレーム１１０に変換され、各々真数(rea
l number)である静止電圧Ｖs qs、Ｖs dsのｄ軸およびｑ
軸をそれぞれ計算する。静止電圧Ｖs qs、Ｖs dsは、同期
基準フレーム１２０に変換される。静止電圧Ｖs qs、Ｖs
dsを同期基準フレーム１２０に変換するために、変換角
度eが、同期基準フレーム１２０に入力されなければな
らない。同期基準フレーム１２０の出力Ｖe dsは、加算
器１２２に入力される。加算器１２２の出力は、デジタ
ルＰＩコントローラ１２４に入力され、ｄ軸電圧をゼロ
に調整する。閉ループにおいて、周波数ｓを調整し、さ
らに積分器を使用することによって、変換角度eの値
は、ｄ軸電圧Ｖe dsがゼロに向かうように収束される。
そして、ｑ軸の同期電圧Ｖe qsが低域フィルタ１２８を
通過し、そのＲＭＳ値１３０に変換してライン間電圧Ｖ
Lspの正シーケンス成分の振幅を生じる。このＲＭＳ値
の電圧ＶLspは、ライン−ニュートラル位相計算器(phas
or calculation)１４８に出力される。
おいて、上述した方法で、２つのライン電流および２つ
のライン電圧を最初に得る。２つのライン電圧Ｖab、Ｖ
bcが静止基準フレーム１１０に変換され、各々真数(rea
l number)である静止電圧Ｖs qs、Ｖs dsのｄ軸およびｑ
軸をそれぞれ計算する。静止電圧Ｖs qs、Ｖs dsは、同期
基準フレーム１２０に変換される。静止電圧Ｖs qs、Ｖs
dsを同期基準フレーム１２０に変換するために、変換角
度eが、同期基準フレーム１２０に入力されなければな
らない。同期基準フレーム１２０の出力Ｖe dsは、加算
器１２２に入力される。加算器１２２の出力は、デジタ
ルＰＩコントローラ１２４に入力され、ｄ軸電圧をゼロ
に調整する。閉ループにおいて、周波数ｓを調整し、さ
らに積分器を使用することによって、変換角度eの値
は、ｄ軸電圧Ｖe dsがゼロに向かうように収束される。
そして、ｑ軸の同期電圧Ｖe qsが低域フィルタ１２８を
通過し、そのＲＭＳ値１３０に変換してライン間電圧Ｖ
Lspの正シーケンス成分の振幅を生じる。このＲＭＳ値
の電圧ＶLspは、ライン−ニュートラル位相計算器(phas
or calculation)１４８に出力される。
【００２９】ライン間電圧ＶLsp、およびarg（ＶLsn）
のそれぞれの負シーケンス成分の振幅および位相を決定
するために、静止ｑ軸電圧Ｖs qs、静止ｄ軸電圧Ｖs ds、
および収束した変換角度eは、同期基準フレーム１３２
に入力される。この同期基準出力Ｖe qs、Ｖe dsは、Ｖ
Lsnおよびarg（ＶLsn）を計算する前に低域フィルタ１
３４ａ、１３４ｂを通過する。ＶLsnおよびarg
（ＶLsn）を計算１３６は、以下のように設定される。
のそれぞれの負シーケンス成分の振幅および位相を決定
するために、静止ｑ軸電圧Ｖs qs、静止ｄ軸電圧Ｖs ds、
および収束した変換角度eは、同期基準フレーム１３２
に入力される。この同期基準出力Ｖe qs、Ｖe dsは、Ｖ
Lsnおよびarg（ＶLsn）を計算する前に低域フィルタ１
３４ａ、１３４ｂを通過する。ＶLsnおよびarg
（ＶLsn）を計算１３６は、以下のように設定される。
【００３０】
【数１】 計算されるライン間電圧の負シーケンス成分の振幅およ
び位相は、ライン−ニュートラル位相計算器１４８に出
力される。
び位相は、ライン−ニュートラル位相計算器１４８に出
力される。
【００３１】電流波形の正および負のシーケンス成分に
おける両方の振幅および位相に関する計算は、ライン間
電圧の振幅および位相の両方における負のシーケンス成
分の計算と非常に類似する。しかしながら、変換角度e
は、負でなければ同期基準フレーム１３８への変換に入
力され、ライン電流の正のシーケンス成分に対する振幅
および位相を計算する。
おける両方の振幅および位相に関する計算は、ライン間
電圧の振幅および位相の両方における負のシーケンス成
分の計算と非常に類似する。しかしながら、変換角度e
は、負でなければ同期基準フレーム１３８への変換に入
力され、ライン電流の正のシーケンス成分に対する振幅
および位相を計算する。
【００３２】ライン電流の正のシーケンス成分の計算
は、次の通りである。
は、次の通りである。
【数２】 ライン電流の負シーケンス成分を計算するために、変換
角度eは、修正されて−1140.eだけ乗算され、isqsおよ
びisdsが同期基準フレーム１４２に入力される。１４２
における結果は、２つの値i.e qsおよびi.e dsであり、こ
の値は低域フィルタを通過した後、ライン間電流の負シ
ーケンス成分を与える計算１４６に使用される。
角度eは、修正されて−1140.eだけ乗算され、isqsおよ
びisdsが同期基準フレーム１４２に入力される。１４２
における結果は、２つの値i.e qsおよびi.e dsであり、こ
の値は低域フィルタを通過した後、ライン間電流の負シ
ーケンス成分を与える計算１４６に使用される。
【００３３】ライン電流の負シーケンス成分を計算する
ための式は、次の通りである。
ための式は、次の通りである。
【数３】 正および負のシーケンス成分は、１４８において、位相
計算のために出力される振幅および位相を有する。
計算のために出力される振幅および位相を有する。
【００３４】位相計算１４８は、図２のフィードフォワ
ード・ニュートラルネットワーク３８の入力データを計
算するのに必要である。フィードフォワード・ニュート
ラルネットワーク３８への入力データ３６であるＶsp、
Ｖsn_real、Ｖsn_imag・、Ｉ sp_real、およびＩＶ
sp_imag・が次の通り計算される。
ード・ニュートラルネットワーク３８の入力データを計
算するのに必要である。フィードフォワード・ニュート
ラルネットワーク３８への入力データ３６であるＶsp、
Ｖsn_real、Ｖsn_imag・、Ｉ sp_real、およびＩＶ
sp_imag・が次の通り計算される。
【００３５】
【数４】 ライン電流の負シーケンス成分の位相計算１４８は、実
数と虚数のＩsp_real、およびＩＶsp_imag・が、図２に
おいて論じられたようにフィードフォワード・ニュート
ラルネットワーク３８によって発生した推定の負シーケ
ンス成分４０ａ、４０ｂと比較される。
数と虚数のＩsp_real、およびＩＶsp_imag・が、図２に
おいて論じられたようにフィードフォワード・ニュート
ラルネットワーク３８によって発生した推定の負シーケ
ンス成分４０ａ、４０ｂと比較される。
【００３６】本発明により考えられるフィードフォワー
ド・ニュートラルネットワーク３８は、２つの明確な作
動段階、即ち、トレーニング段階とテスト段階を有す
る。図４は、フィードフォワード・ニュートラルネット
ワーク３８の最も一般的なトレーニング方法のフローチ
ャート図である。フィードフォワード・ニュートラルネ
ットワーク３８のトレーニングは、５×１の入力ベクト
ルｐの形式でネットワーク３８の隠れたレイヤーに入力
データ３６を入力１６０することから始まる。隠れたレ
イヤーは、隠れたレイヤーの多数のニューロン５２、Ｍ
hidと、５×Ｍhidの次元を有するウエイトマトリックス
Ｗhidを形成するウエイト５４とからなる。このウエイ
トは、予め決められた値に設定され、入力データ３６に
おける変化に応答して変化する。
ド・ニュートラルネットワーク３８は、２つの明確な作
動段階、即ち、トレーニング段階とテスト段階を有す
る。図４は、フィードフォワード・ニュートラルネット
ワーク３８の最も一般的なトレーニング方法のフローチ
ャート図である。フィードフォワード・ニュートラルネ
ットワーク３８のトレーニングは、５×１の入力ベクト
ルｐの形式でネットワーク３８の隠れたレイヤーに入力
データ３６を入力１６０することから始まる。隠れたレ
イヤーは、隠れたレイヤーの多数のニューロン５２、Ｍ
hidと、５×Ｍhidの次元を有するウエイトマトリックス
Ｗhidを形成するウエイト５４とからなる。このウエイ
トは、予め決められた値に設定され、入力データ３６に
おける変化に応答して変化する。
【００３７】一般的に、各ウエイトは、ゼロ値に予め設
定される。隠れたレイヤーのニューロン５２は、入力デ
ータ３６上で実行される特定の算術的機能に対応する。
隠れたレイヤーの出力を決めるために、一般的に表示さ
れたステップ１６２では、隠れたレイヤーのウエイトマ
トリックスの転置Ｗhid Tとベクトルｐの積にｂhidが加
えられる。このバイアスベクトルは、Ｍhid×１として
次元付けられた隠れたレイヤーのニューロンに対するベ
クトルである。双曲線タンジェントは、式(12)に示すよ
うに隠れたレイヤーの出力ｙhidを決定するために合算
される。 ｙhid ＝tanh（Ｗhid Tｐ＋ｂhid） （12）
定される。隠れたレイヤーのニューロン５２は、入力デ
ータ３６上で実行される特定の算術的機能に対応する。
隠れたレイヤーの出力を決めるために、一般的に表示さ
れたステップ１６２では、隠れたレイヤーのウエイトマ
トリックスの転置Ｗhid Tとベクトルｐの積にｂhidが加
えられる。このバイアスベクトルは、Ｍhid×１として
次元付けられた隠れたレイヤーのニューロンに対するベ
クトルである。双曲線タンジェントは、式(12)に示すよ
うに隠れたレイヤーの出力ｙhidを決定するために合算
される。 ｙhid ＝tanh（Ｗhid Tｐ＋ｂhid） （12）
【００３８】この隠れたレイヤー１６２の出力ｙhidを
決定した後、ニュートラルネットワークの出力ｙ
outは、１６４で示す出力レイヤーにおいて計算され
る。一般的に、この出力レイヤーは、多数のニューロン
とウエイト（図示略）からなる。以下に示す式（13）を
解くことにより積ｙoutが与えられる。Ｗout Tは、Ｗout
の転置マトリックスを表し、ｂoutは、出力レイヤーの
ニューロンに対する２×１バイアスベクトルを表す。Ｗ
outは、Ｍhid×２として次元付けられた出力レイヤーの
ウエイトマトリックスである。 ｙout ＝Ｗout Tｙhid ＋ｂout （13）
決定した後、ニュートラルネットワークの出力ｙ
outは、１６４で示す出力レイヤーにおいて計算され
る。一般的に、この出力レイヤーは、多数のニューロン
とウエイト（図示略）からなる。以下に示す式（13）を
解くことにより積ｙoutが与えられる。Ｗout Tは、Ｗout
の転置マトリックスを表し、ｂoutは、出力レイヤーの
ニューロンに対する２×１バイアスベクトルを表す。Ｗ
outは、Ｍhid×２として次元付けられた出力レイヤーの
ウエイトマトリックスである。 ｙout ＝Ｗout Tｙhid ＋ｂout （13）
【００３９】フィードフォワード・ニュートラルネット
ワーク３８の出力ｙout は、電気モータ１４の連続する
トレーニング作業の測定値ｙdesから式（14）に従って
減算され、予測１６６における誤差を計算する。同様
に、ｙout 、ｙdesは、電気モータ１４のライン電流に
おける振幅および位相を有する負シーケンス成分の２×
1ベクトルである。 ｅ ＝ｙdes−ｙout （14）
ワーク３８の出力ｙout は、電気モータ１４の連続する
トレーニング作業の測定値ｙdesから式（14）に従って
減算され、予測１６６における誤差を計算する。同様
に、ｙout 、ｙdesは、電気モータ１４のライン電流に
おける振幅および位相を有する負シーケンス成分の２×
1ベクトルである。 ｅ ＝ｙdes−ｙout （14）
【００４０】式（14）により生じるように、ｙdesとｙ
outの差ｅは、電気モータ１４の作動の実際値とフィー
ドフォワード・ニュートラルネットワーク３８によって
生じた推定値との差を示し、予測における誤差として一
般的に言及される。電気モータ１４または計測器におけ
る不均衡な電源または固有の歪がないならば、ｅの値
は、ゼロとなるであろう。しかし、電源または計測器に
おいて、固有の歪がない正確な均衡は、起こりそうにな
い。その結果、ｅは、わずかではあるがいくらかの正の
値を有することになる。
outの差ｅは、電気モータ１４の作動の実際値とフィー
ドフォワード・ニュートラルネットワーク３８によって
生じた推定値との差を示し、予測における誤差として一
般的に言及される。電気モータ１４または計測器におけ
る不均衡な電源または固有の歪がないならば、ｅの値
は、ゼロとなるであろう。しかし、電源または計測器に
おいて、固有の歪がない正確な均衡は、起こりそうにな
い。その結果、ｅは、わずかではあるがいくらかの正の
値を有することになる。
【００４１】ステップ１６６での(ｅ)の計算の後、ウエ
イトマトリックスの値は、既知の「デルタ規則」に従っ
てステップ１６８で更新される。このデルタ規則は、ニ
ュートラルネットワークのウエイトマトリックスを更新
するための手段であり、サイモン ハイキンによる「ニ
ュートラルネットワーク”ア コンプリヘンシブ ファ
ウンデイション（プレンティス ホール出版、１９９９
年）」において一般的に知られており、そこに開示され
ている。ステップ１６８でウエイトマトリックスを更新
した後、学習比率および他のトレーニングパラメータが
ステップ１７０で更新される。
イトマトリックスの値は、既知の「デルタ規則」に従っ
てステップ１６８で更新される。このデルタ規則は、ニ
ュートラルネットワークのウエイトマトリックスを更新
するための手段であり、サイモン ハイキンによる「ニ
ュートラルネットワーク”ア コンプリヘンシブ ファ
ウンデイション（プレンティス ホール出版、１９９９
年）」において一般的に知られており、そこに開示され
ている。ステップ１６８でウエイトマトリックスを更新
した後、学習比率および他のトレーニングパラメータが
ステップ１７０で更新される。
【００４２】ステップ１６８でウエイトマトリックスを
更新され、また、ステップ１７０で学習比率および他の
トレーニングパラメータが更新された後、ｅのノルム
が、ステップ１７２で推定され、その値が与えられたト
レーニング入力３６より十分に小さいかどうかを決定す
る。ｅのノルムが十分に小さくなければ、新しいデータ
３６が得られステップ１６２で隠れたレイヤーに入力さ
れ、ｅは、隠れたレイヤーのウエイトに対する値を用い
て再計算され、出力レイヤーが変えられる。予測におけ
る誤差は、隠れたレイヤーと出力レイヤーに対するウエ
イトが適当な値に変換されて始めて十分に小さくなる。
予測の誤差がゼロまたは検出システム１０の使用者によ
って受け入れられると考えられる値に等しいときにウエ
イトの変換が生じる。マイクロプロセッサ２０は、メモ
リにおけるフィードフォワード・ニュートラルネットワ
ーク３８の試験段階中に使用のために、収束でのウエイ
ト値をメモリにストアする。
更新され、また、ステップ１７０で学習比率および他の
トレーニングパラメータが更新された後、ｅのノルム
が、ステップ１７２で推定され、その値が与えられたト
レーニング入力３６より十分に小さいかどうかを決定す
る。ｅのノルムが十分に小さくなければ、新しいデータ
３６が得られステップ１６２で隠れたレイヤーに入力さ
れ、ｅは、隠れたレイヤーのウエイトに対する値を用い
て再計算され、出力レイヤーが変えられる。予測におけ
る誤差は、隠れたレイヤーと出力レイヤーに対するウエ
イトが適当な値に変換されて始めて十分に小さくなる。
予測の誤差がゼロまたは検出システム１０の使用者によ
って受け入れられると考えられる値に等しいときにウエ
イトの変換が生じる。マイクロプロセッサ２０は、メモ
リにおけるフィードフォワード・ニュートラルネットワ
ーク３８の試験段階中に使用のために、収束でのウエイ
ト値をメモリにストアする。
【００４３】ｅのノルムが十分に小さいとき、フィード
フォワード・ニュートラルネットワーク３８のトレーニ
ング段階は、完了する。ｅのノルムが十分に小さいかど
うかの決定は、予め決められたスレッショルド値に従
う。電気モータ１４の作動状態および使用目的に従っ
て、10％の予測誤差は、十分に小さいものであり、一
方、他の応用では、より低い予測誤差を必要とする。
フォワード・ニュートラルネットワーク３８のトレーニ
ング段階は、完了する。ｅのノルムが十分に小さいかど
うかの決定は、予め決められたスレッショルド値に従
う。電気モータ１４の作動状態および使用目的に従っ
て、10％の予測誤差は、十分に小さいものであり、一
方、他の応用では、より低い予測誤差を必要とする。
【００４４】図５は、一般的にグローバルミニマムトレ
ーニング（ＧＭＴ）と呼ばれている。フィードフォワー
ド・ニュートラルネットワーク３８を作動させるための
既知例の１つである。ニュートラルネットワークのＧＭ
Ｔは、図４に示すニュートラルネットワーク３８の一般
的なトレーニングに非常に類似している。しかし、ＧＭ
Ｔを用いて、モータが動作中、ウエイトマトリックスが
更新されず、また学習比率およびトレーニングパラメー
タもない。ＧＭＴを取り入れるには、異なる電流および
電圧状態に対応するデータが、トレーニングに先立って
利用可能になることであり、即ち、ある時間間隔で蓄積
されなければならい。
ーニング（ＧＭＴ）と呼ばれている。フィードフォワー
ド・ニュートラルネットワーク３８を作動させるための
既知例の１つである。ニュートラルネットワークのＧＭ
Ｔは、図４に示すニュートラルネットワーク３８の一般
的なトレーニングに非常に類似している。しかし、ＧＭ
Ｔを用いて、モータが動作中、ウエイトマトリックスが
更新されず、また学習比率およびトレーニングパラメー
タもない。ＧＭＴを取り入れるには、異なる電流および
電圧状態に対応するデータが、トレーニングに先立って
利用可能になることであり、即ち、ある時間間隔で蓄積
されなければならい。
【００４５】その結果、電気モータ１４は、十分なトレ
ーニングデータが得られるように、いくつかの作動サイ
クルの間、回転される。最も正確なグローバルミニマム
を達成するために、主要データメモリにさらに大きなデ
ータ組が必要とされ、この大きなデータ組は、長いトレ
ーニング時間を必要とする。トレーニングポイントの数
は、機能的な概算値の正確さを向上させ、グローバルミ
ニマムが改善される。要約して説明したように、他のト
レーニングと比較して、グローバルミニマムトレーニン
グは、最もコストが掛かりかつ非効率であると現在では
考えられている。
ーニングデータが得られるように、いくつかの作動サイ
クルの間、回転される。最も正確なグローバルミニマム
を達成するために、主要データメモリにさらに大きなデ
ータ組が必要とされ、この大きなデータ組は、長いトレ
ーニング時間を必要とする。トレーニングポイントの数
は、機能的な概算値の正確さを向上させ、グローバルミ
ニマムが改善される。要約して説明したように、他のト
レーニングと比較して、グローバルミニマムトレーニン
グは、最もコストが掛かりかつ非効率であると現在では
考えられている。
【００４６】図６は、隠れたレイヤーおよび出力レイヤ
ーのウエイトが、図４の一般的トレーニングを伴う図５
のＧＭＴ処理を用いて収束された、フィードフォワード
・ニュートラルネットワーク３８の試験を示すものであ
る。ライン電圧およびライン電流のシーケンス成分は、
ステップ１７４でニュートラルネットワーク３８に入力
され、そして、隠れたレイヤーおよびニュートラルネッ
トワークの出力は、図４において説明したように、ステ
ップ１６２，１６６で計算される。このとき、トレーニ
ング段階ではないが、誤差がステップ１７６で計算さ
れ、予測における誤差は、ウエイトの不正確な支持によ
るものではなく、むしろ電気モータ１４における回転ス
テータの回転故障の始まりを示すものである。動作中の
電気モータ１４から集められたデータに基づいてフィー
ドフォワード・ニュートラルネットワーク３８のトレー
ニング中に、ウエイトが収束されるので、不均衡な電圧
と同様に、計測器および電気モータにおける不均衡も考
慮に入れる。本質的に、トレーニング段階中、フィード
フォワード・ニュートラルネットワーク３８は、現在理
想的でない状態の電気モータ１４の作動状態を学習す
る。
ーのウエイトが、図４の一般的トレーニングを伴う図５
のＧＭＴ処理を用いて収束された、フィードフォワード
・ニュートラルネットワーク３８の試験を示すものであ
る。ライン電圧およびライン電流のシーケンス成分は、
ステップ１７４でニュートラルネットワーク３８に入力
され、そして、隠れたレイヤーおよびニュートラルネッ
トワークの出力は、図４において説明したように、ステ
ップ１６２，１６６で計算される。このとき、トレーニ
ング段階ではないが、誤差がステップ１７６で計算さ
れ、予測における誤差は、ウエイトの不正確な支持によ
るものではなく、むしろ電気モータ１４における回転ス
テータの回転故障の始まりを示すものである。動作中の
電気モータ１４から集められたデータに基づいてフィー
ドフォワード・ニュートラルネットワーク３８のトレー
ニング中に、ウエイトが収束されるので、不均衡な電圧
と同様に、計測器および電気モータにおける不均衡も考
慮に入れる。本質的に、トレーニング段階中、フィード
フォワード・ニュートラルネットワーク３８は、現在理
想的でない状態の電気モータ１４の作動状態を学習す
る。
【００４７】フィードフォワード・ニュートラルネット
ワーク３８の試験により、予測における誤差の正規化さ
れた値とステップ１７８でのビジランス（警戒）値とを
比較する。このビジランス値は、電気モータ１４がブレ
ークダウンする許容限界を使用者に指示するためのユー
ザ決定値である。高いビジランス値は、予測におけるよ
り高い誤差を発生し、電気モータ１４において、ステッ
プ１８０で回転故障があるという信号を送る。一方、低
いビジランス値は、ｅのより低い値を指令する。ｅの正
規化が、ステップ１７８でのビジランス値よりも大きい
場合、ステップ１８０で回転故障があるという信号を送
る。そうでなければ、フィードフォワード・ニュートラ
ルネットワーク３８ステップ１７４でシーケンス成分を
再度必要とし、試験段階を繰り返す。ｅのノルムがビジ
ランス値を越えない限り、ステップ１７４で始まるルー
プが続行される。
ワーク３８の試験により、予測における誤差の正規化さ
れた値とステップ１７８でのビジランス（警戒）値とを
比較する。このビジランス値は、電気モータ１４がブレ
ークダウンする許容限界を使用者に指示するためのユー
ザ決定値である。高いビジランス値は、予測におけるよ
り高い誤差を発生し、電気モータ１４において、ステッ
プ１８０で回転故障があるという信号を送る。一方、低
いビジランス値は、ｅのより低い値を指令する。ｅの正
規化が、ステップ１７８でのビジランス値よりも大きい
場合、ステップ１８０で回転故障があるという信号を送
る。そうでなければ、フィードフォワード・ニュートラ
ルネットワーク３８ステップ１７４でシーケンス成分を
再度必要とし、試験段階を繰り返す。ｅのノルムがビジ
ランス値を越えない限り、ステップ１７４で始まるルー
プが続行される。
【００４８】図７は、フィードフォワード・ニュートラ
ルネットワーク３８のトレーニングおよび試験が行われ
る別の実施形態を示し、これは、コンティニュアル−オ
ンライン トレーニング（Continual-online Training
[ＣＯＴ]）と呼ばれる。ＣＯＴは、フィードフォワード
・ニュートラルネットワーク３８をトレーニングするた
めの既知の方法であるが、ＣＯＴは、ステータ回転検出
方式において利用されてこなかった。このＣＯＴにおい
て、シーケンス成分は、前に論じられたように得ること
ができる。ＣＯＴを用いる場合、Ｔ秒毎に多数の試験ス
ロットおよび１つのトレーニングスロットがある。それ
ゆえ、フィードフォワード・ニュートラルネットワーク
３８のウエイトは、シーケンス成分における変化に応答
して擬似的な連続性を持って更新される。一般的に、５
つのスロット毎に１つのトレーニングスロットがあり、
このスロット中にシーケンス成分データがウエイトマト
リックスを更新するために用いられる。４つの残りのス
ロットは、データを試験するために取って置かれ、ステ
ータの回転故障が電気モータ１４において現在発生して
いるかどうかを判断するために使用される。トレーニン
グスロットにおいて、予測における誤差（ステップ１８
４）は、式（14）を解くことによって決定される。予測
における誤差が、ステップ１８５において十分大きい場
合、ステップ１９０で電気モータ１４の使用者に故障信
号が送られる。予測における誤差が十分大きくない場
合、そのとき、ウエイトマトリックスがステップ１８６
で更新され、新しいシーケンス成分データがステップ１
８８で得られる。トレーニングスロット１８２，１８３
において、シーケンス成分は、一時的なトレーニング評
価１９２を受ける。この一時的なトレーニング評価１９
２は、ＣＯＴが一時的なトレーニング中にあるかどうか
を判断する。一時的なトレーニングが発生していると、
そのとき、新しいシーケンス成分がステップ１８８で得
られ、トレーニングが新しく始まる。一時的なトレーニ
ングが存在しない場合、そのときネットワーク誤差ｅ
は、図４で論じたようにステップ１９４において計算さ
れる。ネットワーク誤差ｅは、このとき、ステップ１９
６でビジランス値と比較され、電気モータ１４の使用者
に回転故障であるという故障信号を送るどうかを判断す
る（ステップ１９０）。
ルネットワーク３８のトレーニングおよび試験が行われ
る別の実施形態を示し、これは、コンティニュアル−オ
ンライン トレーニング（Continual-online Training
[ＣＯＴ]）と呼ばれる。ＣＯＴは、フィードフォワード
・ニュートラルネットワーク３８をトレーニングするた
めの既知の方法であるが、ＣＯＴは、ステータ回転検出
方式において利用されてこなかった。このＣＯＴにおい
て、シーケンス成分は、前に論じられたように得ること
ができる。ＣＯＴを用いる場合、Ｔ秒毎に多数の試験ス
ロットおよび１つのトレーニングスロットがある。それ
ゆえ、フィードフォワード・ニュートラルネットワーク
３８のウエイトは、シーケンス成分における変化に応答
して擬似的な連続性を持って更新される。一般的に、５
つのスロット毎に１つのトレーニングスロットがあり、
このスロット中にシーケンス成分データがウエイトマト
リックスを更新するために用いられる。４つの残りのス
ロットは、データを試験するために取って置かれ、ステ
ータの回転故障が電気モータ１４において現在発生して
いるかどうかを判断するために使用される。トレーニン
グスロットにおいて、予測における誤差（ステップ１８
４）は、式（14）を解くことによって決定される。予測
における誤差が、ステップ１８５において十分大きい場
合、ステップ１９０で電気モータ１４の使用者に故障信
号が送られる。予測における誤差が十分大きくない場
合、そのとき、ウエイトマトリックスがステップ１８６
で更新され、新しいシーケンス成分データがステップ１
８８で得られる。トレーニングスロット１８２，１８３
において、シーケンス成分は、一時的なトレーニング評
価１９２を受ける。この一時的なトレーニング評価１９
２は、ＣＯＴが一時的なトレーニング中にあるかどうか
を判断する。一時的なトレーニングが発生していると、
そのとき、新しいシーケンス成分がステップ１８８で得
られ、トレーニングが新しく始まる。一時的なトレーニ
ングが存在しない場合、そのときネットワーク誤差ｅ
は、図４で論じたようにステップ１９４において計算さ
れる。ネットワーク誤差ｅは、このとき、ステップ１９
６でビジランス値と比較され、電気モータ１４の使用者
に回転故障であるという故障信号を送るどうかを判断す
る（ステップ１９０）。
【００４９】図８において、擬似グローバルミニマムト
レーニング（Quasi-global Minimumtraining [ＱＧ
Ｍ]）が示され、これはフィードフォワード・ニュート
ラルネットワーク３８をトレーニングするための別の実
施形態である。ＱＧＭトレーニングは、データベースの
大きさが制限される点を除いて図５のグローバルミニマ
ムトレーニングと非常に類似している。
レーニング（Quasi-global Minimumtraining [ＱＧ
Ｍ]）が示され、これはフィードフォワード・ニュート
ラルネットワーク３８をトレーニングするための別の実
施形態である。ＱＧＭトレーニングは、データベースの
大きさが制限される点を除いて図５のグローバルミニマ
ムトレーニングと非常に類似している。
【００５０】一般的に、データベースは、１日コースに
おいて見られる異なる作動状態の数に対応して十分に大
きい。このデータベースは、ある時間間隔で更新され、
新しい入力がデータベース全体に得られたとき、残りの
データがフィードフォワード・ニュートラルネットワー
ク３８に設定される最も可能性のあるトレーニングを与
えるように現在ある入力を放棄する。その結果、新しい
入力がデータベースに加えられるときに、ウエイトだけ
が更新される。従って、図７のＣＯＴ方式と比較される
ＱＧＭ方式では、ほどんど計算を必要としない。
おいて見られる異なる作動状態の数に対応して十分に大
きい。このデータベースは、ある時間間隔で更新され、
新しい入力がデータベース全体に得られたとき、残りの
データがフィードフォワード・ニュートラルネットワー
ク３８に設定される最も可能性のあるトレーニングを与
えるように現在ある入力を放棄する。その結果、新しい
入力がデータベースに加えられるときに、ウエイトだけ
が更新される。従って、図７のＣＯＴ方式と比較される
ＱＧＭ方式では、ほどんど計算を必要としない。
【００５１】擬似グローバルミニマムトレーニングを用
いて、隠れたレイヤーのニューロンＭhidの数が、新し
い入力を得るステップ１９８の前に初期化される。この
隠れたレイヤーのニューロンが初期化された後、データ
ベース２００にストアされたシーケンス成分は、フィー
ドフォワード・ニュートラルネットワーク３８の隠れた
レイヤーに入力し、予め設定されたように、予測におけ
る誤差ｅが得られる。予測における誤差がステップ２０
２で計算された後、ウエイトマトリックスおよび学習パ
ラメータが、図４において論じられたように、ステップ
２０４で更新される。予測における誤差のノルムが、十
分に小さい場合（ステップ２０６，２０７）、フィード
フォワード・ニュートラルネットワーク３８のトレーニ
ングは終了する。
いて、隠れたレイヤーのニューロンＭhidの数が、新し
い入力を得るステップ１９８の前に初期化される。この
隠れたレイヤーのニューロンが初期化された後、データ
ベース２００にストアされたシーケンス成分は、フィー
ドフォワード・ニュートラルネットワーク３８の隠れた
レイヤーに入力し、予め設定されたように、予測におけ
る誤差ｅが得られる。予測における誤差がステップ２０
２で計算された後、ウエイトマトリックスおよび学習パ
ラメータが、図４において論じられたように、ステップ
２０４で更新される。予測における誤差のノルムが、十
分に小さい場合（ステップ２０６，２０７）、フィード
フォワード・ニュートラルネットワーク３８のトレーニ
ングは終了する。
【００５２】もしステップ２０６，２０９でない場合
は、隠れたレイヤーのニューロンの数が１つだけ増分さ
れ（ステップ２１１）、そして、ウエイトマトリックス
がステップ２０８で再度初期化される。トレーニング誤
差を予め定めたスレッショルド値に制限するために、デ
ータベースの大きさが増加するに従って隠れたレイヤー
のニューロンの数を増加しなければならない。新しい入
力がデータベースに蓄積されたシーケンス成分からかな
り異なる場合、そのとき、フィードフォワード・ニュー
トラルネットワークのウエイト５４が収束しなくなり、
予測における誤差が高い値にとどまることになる。その
結果、フィードフォワード・ニュートラルネットワーク
３８の試験は、ウエイト５４が収束できるように、十分
な入力をデータベースに加えるまで中断されなければな
らない。
は、隠れたレイヤーのニューロンの数が１つだけ増分さ
れ（ステップ２１１）、そして、ウエイトマトリックス
がステップ２０８で再度初期化される。トレーニング誤
差を予め定めたスレッショルド値に制限するために、デ
ータベースの大きさが増加するに従って隠れたレイヤー
のニューロンの数を増加しなければならない。新しい入
力がデータベースに蓄積されたシーケンス成分からかな
り異なる場合、そのとき、フィードフォワード・ニュー
トラルネットワークのウエイト５４が収束しなくなり、
予測における誤差が高い値にとどまることになる。その
結果、フィードフォワード・ニュートラルネットワーク
３８の試験は、ウエイト５４が収束できるように、十分
な入力をデータベースに加えるまで中断されなければな
らない。
【００５３】ＣＯＴアルゴリズムは、入力データ３６を
蓄積するためのデータベースを有しておらず、また、Ｑ
ＧＭアルゴリズムは、かなり異なる入力がデータベース
から得られる場合、ウエイトを収束することができない
ので、本発明は、各アルゴリズムの組み合せを考慮す
る。ＣＯＴ−ＱＧＭの組み合せにより、２組のウエイト
が故障診断に用いられる。１組は、ＣＯＴアルゴリズム
によって加えられ、また他の１組は、ＱＧＭ方式によっ
て加えられる。１つの方式のみでは、所定の時間でアク
ティブにされるので、計算の複雑性は増加しない。
蓄積するためのデータベースを有しておらず、また、Ｑ
ＧＭアルゴリズムは、かなり異なる入力がデータベース
から得られる場合、ウエイトを収束することができない
ので、本発明は、各アルゴリズムの組み合せを考慮す
る。ＣＯＴ−ＱＧＭの組み合せにより、２組のウエイト
が故障診断に用いられる。１組は、ＣＯＴアルゴリズム
によって加えられ、また他の１組は、ＱＧＭ方式によっ
て加えられる。１つの方式のみでは、所定の時間でアク
ティブにされるので、計算の複雑性は増加しない。
【００５４】図９は、ＣＯＴ−ＱＧＭモードに対するト
レーニングアルゴリズムを表している。ライン電流およ
びライン電圧のシーケンス成分の入力データ３６が得ら
れる前に、このデータ３６が、ステップ２１０で最後の
ＱＧＭのウエイトが更新されてから付加されるかどうか
を判断する決定がなされる。データ３６が付加された場
合、フィードフォワード・ニュートラルネットワーク３
８のウエイトがステップ２１２において、図４において
論じられたように、ＧＭＴアルゴリズムに従って加えら
れる。予測における誤差ｅのノルムが低い場合、ＱＧＭ
アルゴリズムがステップ２１６において初期化される。
予測における誤差ｅのノルムが低くない場合、そのと
き、ＣＯＴアルゴリズムがステップ２１８において実行
される。どのモードが実行されようとも、ＣＯＴ−ＱＧ
Ｍアルゴリズムは、フィードフォワード・ニュートラル
ネットワーク３８への入力に対するシーケンス成分をス
テップ２２０において与えられる。
レーニングアルゴリズムを表している。ライン電流およ
びライン電圧のシーケンス成分の入力データ３６が得ら
れる前に、このデータ３６が、ステップ２１０で最後の
ＱＧＭのウエイトが更新されてから付加されるかどうか
を判断する決定がなされる。データ３６が付加された場
合、フィードフォワード・ニュートラルネットワーク３
８のウエイトがステップ２１２において、図４において
論じられたように、ＧＭＴアルゴリズムに従って加えら
れる。予測における誤差ｅのノルムが低い場合、ＱＧＭ
アルゴリズムがステップ２１６において初期化される。
予測における誤差ｅのノルムが低くない場合、そのと
き、ＣＯＴアルゴリズムがステップ２１８において実行
される。どのモードが実行されようとも、ＣＯＴ−ＱＧ
Ｍアルゴリズムは、フィードフォワード・ニュートラル
ネットワーク３８への入力に対するシーケンス成分をス
テップ２２０において与えられる。
【００５５】ステップ２２２において、ＣＯＴ−ＱＧＭ
アルゴリズムは、擬似グローバルミニマムデータベース
に入力を加えるべきか判断する。ＣＯＴのウエイト５４
は、図８に従ってＱＧＭにおける作動中でさえも、ステ
ップ２２４において更新される。これは、ＣＯＴのウエ
イト５４が、予め決められたスレッショルド値よりも少
ない予測における誤差を伴って収束するように、かなり
長い時間をかけて、ＱＧＭモードからＣＯＴモードへの
切換えが、起こらないようにすることを確実にする。
アルゴリズムは、擬似グローバルミニマムデータベース
に入力を加えるべきか判断する。ＣＯＴのウエイト５４
は、図８に従ってＱＧＭにおける作動中でさえも、ステ
ップ２２４において更新される。これは、ＣＯＴのウエ
イト５４が、予め決められたスレッショルド値よりも少
ない予測における誤差を伴って収束するように、かなり
長い時間をかけて、ＱＧＭモードからＣＯＴモードへの
切換えが、起こらないようにすることを確実にする。
【００５６】更に、図１０において、完全なＣＯＴ−Ｑ
ＧＭの試験アルゴリズムによって、フィードフォワード
・ニュートラルネットワーク３８が一時的なトレーニン
グ中であるかどうかを判断する決定がなされる。もしそ
うであるならば、ＣＯＴ−ＱＧＭ方式の試験モードは、
ステップ２２８で終了する。もしそうでないならば、Ｃ
ＯＴ−ＱＧＭアルゴリズムは、ステップ２３０におい
て、最後の擬似グローバルミニマムウエイトが更新され
るので、データ３６が付加されたかどうかを判断する。
データが付加されたのであれば、ＣＯＴ−ＱＧＭアルゴ
リズムの試験モードは、ステップ２２８で終了する。そ
うでない場合、図３で論じたように、入力データ（ライ
ン電流とライン電圧のシーケンス成分）がステップ２３
２で得られる。この入力が新しいものであるなら（２３
４，２３５）、そのとき、ＣＯＴ−ＱＧＭアルゴリズム
は、ステップ２２８で終了する。そうでなければ、図４
で論じた方法で、ステップ２３６において、予測におけ
る誤差ｅが計算される。予測における誤差の正規化がビ
ジランス値（ステップ２３８，２３９）よりも小さい場
合、新しいシーケンス成分が、ステップ２３２で得ら
れ、そして、フィードフォワード・ニュートラルネット
ワーク３８に入力される。ステップ２３８において、予
測における誤差のノルムがビジランス値より大きい場
合、ステップ２４０において、電気モータ１４の使用者
に回転故障信号が送られる。
ＧＭの試験アルゴリズムによって、フィードフォワード
・ニュートラルネットワーク３８が一時的なトレーニン
グ中であるかどうかを判断する決定がなされる。もしそ
うであるならば、ＣＯＴ−ＱＧＭ方式の試験モードは、
ステップ２２８で終了する。もしそうでないならば、Ｃ
ＯＴ−ＱＧＭアルゴリズムは、ステップ２３０におい
て、最後の擬似グローバルミニマムウエイトが更新され
るので、データ３６が付加されたかどうかを判断する。
データが付加されたのであれば、ＣＯＴ−ＱＧＭアルゴ
リズムの試験モードは、ステップ２２８で終了する。そ
うでない場合、図３で論じたように、入力データ（ライ
ン電流とライン電圧のシーケンス成分）がステップ２３
２で得られる。この入力が新しいものであるなら（２３
４，２３５）、そのとき、ＣＯＴ−ＱＧＭアルゴリズム
は、ステップ２２８で終了する。そうでなければ、図４
で論じた方法で、ステップ２３６において、予測におけ
る誤差ｅが計算される。予測における誤差の正規化がビ
ジランス値（ステップ２３８，２３９）よりも小さい場
合、新しいシーケンス成分が、ステップ２３２で得ら
れ、そして、フィードフォワード・ニュートラルネット
ワーク３８に入力される。ステップ２３８において、予
測における誤差のノルムがビジランス値より大きい場
合、ステップ２４０において、電気モータ１４の使用者
に回転故障信号が送られる。
【００５７】いくつかのトレーニングアルゴリズムとこ
れに対応する試験アルゴリズムが本発明において具体化
されてきたが、特定のトレーニングおよび試験アルゴリ
ズムの選択は、設計上の選択であり、ステータ回転故障
検出器の意図した使用および利用に基づく。ステータ回
転故障検出システム１０の機能は、いかなる特定の試験
および／またはトレーニングアルゴリズムに制限されな
いことが理解できるであろう。
れに対応する試験アルゴリズムが本発明において具体化
されてきたが、特定のトレーニングおよび試験アルゴリ
ズムの選択は、設計上の選択であり、ステータ回転故障
検出器の意図した使用および利用に基づく。ステータ回
転故障検出システム１０の機能は、いかなる特定の試験
および／またはトレーニングアルゴリズムに制限されな
いことが理解できるであろう。
【００５８】本発明は、電気モータおよびさらに特定す
れば交流モータ１４と共に使用するためのステータ回転
故障検出器の使用を意図している。交流誘導モータ１４
を伴うステータ回転故障検出器１０の１つの利用が、図
１に示されている。このステータ回転故障検出器１０
は、交流誘導モータ１４から電流値および電圧値を得る
ために複数のセンサ２２ａ、２２ｂ、２６ａ、２６ｂを
含み、さらに、電流値のシーケンス成分と電圧値のシー
ケンス成分とを計算するためのプロセッサ３０を含んで
いる。このプロセッサ３０に接続されたフィードフォワ
ード・ニュートラルネットワーク３８は、シーケンス成
分を受け取り、そして、交流誘導モータ１４の負シーケ
ンス電流流の推定値を示す出力値を決定する。さらに、
フィードフォワード・ニュートラルネットワーク３８の
出力値を交流誘導モータ１４からの一組の実際の電流値
と比較して故障値を決定するために比較器４２が設けら
れている。プロセッサ３０は、電圧値および電流値に同
期基準フレーム変換を適用して、フィードフォワード・
ニュートラルネットワーク３８によって使用される対応
するシーケンス成分を決定する。フィードフォワード・
ニュートラルネットワーク３８は、入力レイヤーと隠れ
たレイヤーを含み、入力レイヤーは、入力されるシーケ
ンス成分の数に相当する多数の入力３６を有し、隠れた
レイヤーは、少なくとも１つのニューロン５２および多
数のウエイト５４を有する。ニューロン５２の数と複数
のウエイト５４の各値は、ウエイトが収束するときに、
ライン電流の負シーケンス成分を推定する値が定められ
るように決定される。ウエイト５４の数とニューロン５
２の正しい数のそれぞれに対する適正値が決定されると
き、ニュートラルネットワーク３８は、電気モータ１４
におけるステータ回転故障の検出するためにトレーニン
グされかつ準備される。
れば交流モータ１４と共に使用するためのステータ回転
故障検出器の使用を意図している。交流誘導モータ１４
を伴うステータ回転故障検出器１０の１つの利用が、図
１に示されている。このステータ回転故障検出器１０
は、交流誘導モータ１４から電流値および電圧値を得る
ために複数のセンサ２２ａ、２２ｂ、２６ａ、２６ｂを
含み、さらに、電流値のシーケンス成分と電圧値のシー
ケンス成分とを計算するためのプロセッサ３０を含んで
いる。このプロセッサ３０に接続されたフィードフォワ
ード・ニュートラルネットワーク３８は、シーケンス成
分を受け取り、そして、交流誘導モータ１４の負シーケ
ンス電流流の推定値を示す出力値を決定する。さらに、
フィードフォワード・ニュートラルネットワーク３８の
出力値を交流誘導モータ１４からの一組の実際の電流値
と比較して故障値を決定するために比較器４２が設けら
れている。プロセッサ３０は、電圧値および電流値に同
期基準フレーム変換を適用して、フィードフォワード・
ニュートラルネットワーク３８によって使用される対応
するシーケンス成分を決定する。フィードフォワード・
ニュートラルネットワーク３８は、入力レイヤーと隠れ
たレイヤーを含み、入力レイヤーは、入力されるシーケ
ンス成分の数に相当する多数の入力３６を有し、隠れた
レイヤーは、少なくとも１つのニューロン５２および多
数のウエイト５４を有する。ニューロン５２の数と複数
のウエイト５４の各値は、ウエイトが収束するときに、
ライン電流の負シーケンス成分を推定する値が定められ
るように決定される。ウエイト５４の数とニューロン５
２の正しい数のそれぞれに対する適正値が決定されると
き、ニュートラルネットワーク３８は、電気モータ１４
におけるステータ回転故障の検出するためにトレーニン
グされかつ準備される。
【００５９】本発明は、好ましい実施形態について説明
してきたが、本発明は、ここに記載した実施形態に限定
されるものではなく、種々の変更及び修正を含み、添付
された特許請求の範囲またはその技術的思想から逸脱し
ない上述の記載を含むものとする。
してきたが、本発明は、ここに記載した実施形態に限定
されるものではなく、種々の変更及び修正を含み、添付
された特許請求の範囲またはその技術的思想から逸脱し
ない上述の記載を含むものとする。
【図１】本発明の回転故障検出器を概略的に示す図であ
る。
る。
【図２】図１に示した回転故障検出器に使用される回転
故障検出器のブロック図である。
故障検出器のブロック図である。
【図３】図１に示した電気モータのライン電流およびラ
イン電圧のシークエンス構成部品を決定するために使用
される、本発明の実施形態を説明するためのブロック図
である。
イン電圧のシークエンス構成部品を決定するために使用
される、本発明の実施形態を説明するためのブロック図
である。
【図４】図１に示した装置に使用するためのフィードフ
ォワード・ニュートラルネットワークの一般的なトレー
ニングを示すフローチャート図である。
ォワード・ニュートラルネットワークの一般的なトレー
ニングを示すフローチャート図である。
【図５】図１に示した装置に使用するためのフィードフ
ォワード・ニュートラルネットワークを作動ための１つ
の実施形態を示すフローチャート図である。
ォワード・ニュートラルネットワークを作動ための１つ
の実施形態を示すフローチャート図である。
【図６】図５においてトレーニングしたような図１に示
す装置のフィードフォワード・ニュートラルネットワー
クをテストするための１つの実施形態を説明するための
フローチャート図である。
す装置のフィードフォワード・ニュートラルネットワー
クをテストするための１つの実施形態を説明するための
フローチャート図である。
【図７】図１に示した装置を用いてフィードフォワード
・ニュートラルネットワークをトレーニングおよびテス
トするための別の実施形態を説明するためのフローチャ
ート図である。
・ニュートラルネットワークをトレーニングおよびテス
トするための別の実施形態を説明するためのフローチャ
ート図である。
【図８】図１に示した装置のフィードフォワード・ニュ
ートラルネットワークをトレーニングするための別つの
実施形態を説明するためのフローチャート図である。
ートラルネットワークをトレーニングするための別つの
実施形態を説明するためのフローチャート図である。
【図９】図１に示した本発明のフィードフォワード・ニ
ュートラルネットワークをトレーニングするためのさら
に別の実施形態を説明するためのフローチャート図であ
る。
ュートラルネットワークをトレーニングするためのさら
に別の実施形態を説明するためのフローチャート図であ
る。
【図１０】図８に従ってトレーニングされた図１に示す
ような、フィードフォワード・ニュートラルネットワー
クの試験を説明するためのフローチャート図である。
ような、フィードフォワード・ニュートラルネットワー
クの試験を説明するためのフローチャート図である。
１０ ステータ回転故障システム １４ 電気モータ ２２ａ、２２ｂ 電流センサ ２６ａ、２６ｂ 電圧センサ ３０ マイクロプロセッサ ３４ 出力端子 ３６ 電圧および電流データ ３８ フィードフォワード・ニュートラルネットワー
ク ４０ａ、４０ｂ 推定データ（推定された基本周波数
値） ４２ 比較器 ４４ａ、４４ｂ 瞬時データ（瞬時の基本周波数値） ４６ 故障指示器 ５２ ニューロン ５４ ウエイト
ク ４０ａ、４０ｂ 推定データ（推定された基本周波数
値） ４２ 比較器 ４４ａ、４４ｂ 瞬時データ（瞬時の基本周波数値） ４６ 故障指示器 ５２ ニューロン ５４ ウエイト
─────────────────────────────────────────────────────
【手続補正書】
【提出日】平成１３年１０月１１日（２００１．１０．
１１）
１１）
【手続補正１】
【補正対象書類名】明細書
【補正対象項目名】００３０
【補正方法】変更
【補正内容】
【００３０】
【数１】 計算されるライン間電圧の負シーケンス成分の振幅およ
び位相は、ライン−ニュートラル位相計算器１４８に出
力される。
び位相は、ライン−ニュートラル位相計算器１４８に出
力される。
───────────────────────────────────────────────────── フロントページの続き (71)出願人 390033020 Ｅａｔｏｎ Ｃｅｎｔｅｒ，Ｃｌｅｖｅｌ ａｎｄ，Ｏｈｉｏ 44114，Ｕ．Ｓ．Ａ. (72)発明者 デビッド ジェームズ グリッター アメリカ合衆国 ウイスコンシン 53213 ミルウォーキー ノース エイティーフ ァースト ストリート 2456 (72)発明者 ロナルド ジー． ハーレイ アメリカ合衆国 ジョージア 30044 ロ ーレンスビル タナーズ ポイント ドラ イブ 803 (72)発明者 ランガラジャン エム． タラム アメリカ合衆国 ジョージア 30332 ア トランタ タルーラー ストリート 1631 −ビー. Ｆターム(参考） 2G016 BA03 BB01 BB02 BB06 BD07 5H570 BB10 CC05 DD01 HB01 JJ03 JJ04 LL02 LL03 LL33 MM01 MM07
Claims (20)
- 【請求項１】交流モータ（14）のためのステータ回転故
障検出器（10）であって、 前記交流モータ（14）から一組の電流値および一組の電
圧値（36）を得るための複数のセンサ（22a,22b,26a,26
b)と、 前記電流値および電圧値（36）の各組からシーケンス成
分を計算するためのプロセッサ（30）と、 入力列としての前記電流値および電圧値（36）の各組か
ら前記シーケンス成分の少なくとも一部を受け取るため
に接続され、かつ少なくとも２つのシーケンスフェーザ
ー用の推定値を与えるための出力（48）を有するフィー
ドフォワード・ニュートラルネットワーク（FFNN)（3
8）と、 前記フィードフォワード・ニュートラルネットワーク
（38）の出力に接続され、推定値と瞬時値を比較し、こ
の比較がビジランス値を越える場合、故障信号を出力し
てステータ回転故障を指示する比較器（42）と、を有す
ることを特徴とするステータ回転故障検出器。 - 【請求項２】前記プロセッサ（30）は、同期基準フレー
ム変換を適用して、前記電流値および電圧値（36）の各
組からシーケンス成分を計算することを特徴とする請求
項１記載のステータ回転故障検出器。 - 【請求項３】前記電流値および電圧値（36）の各組は、
正常状態にある前記交流モータ（14）の作動値に対応
し、かつ前記フィードフォワード・ニュートラルネット
ワーク（38）における一組のウエイト（54）に対する値
を計算することによって前記フィードフォワード・ニュ
ートラルネットワーク（38）をトレーニングするため
に、初期的に使用されることを特徴とする請求項１記載
のステータ回転故障検出器。 - 【請求項４】トレーニング用に用いられる前記シーケン
ス成分は、正の電流シーケンス成分、正の電圧シーケン
ス成分、および負の電圧シーケンス成分を含んでいるこ
とを特徴とする請求項３記載のステータ回転故障検出
器。 - 【請求項５】前記プロセッサ（30）は、推定値と比較さ
れる瞬時値として、負の電流シーケンス成分をさらに計
算することを特徴とする請求項１記載のステータ回転故
障検出器。 - 【請求項６】前記フィードフォワード・ニュートラルネ
ットワーク（38）は、複数のウエイト（54）と複数のニ
ューロン（52）とを有する隠れたレイヤーを含み、前記
複数のウエイト（54）は、トレーニングモード中、調整
され、かつランモード中、一定で留まることを特徴とす
る請求項１記載のステータ回転故障検出器。 - 【請求項７】交流モータ（14）におけるステータの回転
故障を検出するためのシステム（10）であって、 交流モータ（14）からの基本周波数データをマイクロプ
ロセッサ（30）に入力し、前記基本周波数データがライ
ン電圧の正および負の電圧シーケンス成分と、ライン電
流の正の電流シーケンス成分とを含んでいる、少なくと
も１つの入力（24a,24b,28a,28b)と、 内部にコンピュータプログラムを有し、このプログラム
の実行時に、フィードフォワード・ニュートラルネット
ワーク（38）を初期化して、基本周波数データに基づく
推定された負の電流シーケンス成分を計算するために前
記マイクロプロセッサ（30）に接続されるコンピュータ
用の読出し可能記憶媒体と、 前記推定された負のシーケンス成分を出力するための少
なくとも１つの出力（34）と、を有することを特徴とす
るシステム。 - 【請求項８】フィードフォワード・ニュートラルネット
ワーク（38）は、前記少なくとも１つの入力を介して入
力する多数のシーケンス成分に対応する数の複数の入力
ベクトルを有する入力レイヤー（36）と、 少なくとも１つのニューロン（52）と少なくとも１つの
ウエイト（54）を有し、前記ウエイト（54）は、トレー
ニングモード中、調整され、かつランモード中、一定で
留まる、隠れたレイヤーと、 推定された負のシーケンス成分を有する、少なくとも１
つの出力ベクトル（48）を決定する出力レイヤーと、 を含んでいることを特徴とする請求項７記載のシステ
ム。 - 【請求項９】コンピュータプログラムは、その実行時、
さらに、前記プロセッサが、推定された負のシーケンス
成分に基づいて、交流モータ（14）の使用者に回転故障
値（46）を知らせるようにすることを特徴とする請求項
７記載のシステム。 - 【請求項１０】前記コンピュータプログラムは、その実
行時、前記マイクロプロセッサ（30）が、さらに、 既知の通常動作中に、前記交流モータ（14）から基本周
波数データ（36）を獲得し、 複数のウエイト（54）を有するフィードフォワード・ニ
ュートラルネットワーク（38）に前記基本周波数データ
（36）の少なくとも一部を入力し、 前記複数のウエイト（54）の各々に対する収束値を決定
するためにフィードフォワード・ニュートラルネットワ
ーク（38）をトレーニングし、 前記収束値をメモリに記憶し、 瞬時の基本周波数パラメータ（44ａ、44ｂ）をフィード
フォワード・ニュートラルネットワーク（38）に入力
し、 前記交流モータ（14）の瞬時作動における推定された基
本周波数パラメータ（40ａ、40ｂ）を得て、前記推定さ
れた基本周波数パラメータ（40ａ、40ｂ）を前記瞬時の
基本周波数パラメータ（44ａ、44ｂ）と比較して、交流
モータ（14）におけるステータ回転故障を決定すること
を特徴とする請求項７記載のシステム。 - 【請求項１１】コンピュータ用の読出し可能記憶媒体の
コンピュータプログラムは、さらに、故障値がビジラン
ス値（178）を越えるとき、マイクロプロセッサ（30）
がステータ回転故障を示す故障値（180）を出力させる
ことを特徴とする請求項１０記載のシステム。 - 【請求項１２】少なくとも２つの交流モータ（14）の電
流信号を得るための少なくとも２つの電流センサ（22
ａ、22ｂ）と、 少なくとも２つの交流モータ（14）の電圧信号を得るた
めの少なくとも２つの電圧センサ（26ａ、26ｂ）と、 前記少なくとも２つの交流電流信号をデジタル電流信号
に変換し、かつ前記少なくとも２つの交流電圧信号をデ
ジタル電流信号に変換するためのアナログ／デジタル変
換器（20）とをさらに含み、 マイクロプロセッサ（30）は、前記デジタル信号を受け
取り、交流モータ（14）の基本周波数シーケンスパラメ
ータ（36）を計算し、また、フィードフォワード・ニュ
ートラルネットワーク（38）が前記交流モータ（14）の
推定された基本周波数シーケンスパラメータを決定する
ことを特徴とする請求項７記載のシステム。 - 【請求項１３】前記交流モータ（14）の基本周波数シー
ケンスパラメータ（36）の計算は、さらに、前記デジタ
ル電流信号および前記デジタル電圧信号に、同期基準フ
レーム変換（120、132、142）を適用するように定めら
れていることを特徴とする請求項１２記載のシステム。 - 【請求項１４】フィードフォワード・ニュートラルネッ
トワーク（38）は、さらに、 基本周波数シーケンスパラメータを得るための複数の入
力レイヤー（36）と、 既知の良い作業モード中に処理された複数のウエイトを
有する隠れたレイヤーと、 作動状態中、交流モータ（14）の推定された基本周波数
シーケンスパラメータを生じるための出力レイヤー（40
ａ、40ｂ）と、を含むことを特徴とする請求項１３記載
のシステム。 - 【請求項１５】モータ（14）におけるステータの回転故
障を検出するための方法であって、 前記モータ（14）における既知の良好状態中に、前記モ
ータから基本周波数トレーニングパラメータ（22ａ、22
ｂ）を獲得し、 この基本周波数トレーニングパラメータ（22ａ、22ｂ）
からシーケンスフェーザー（36）を決定し、 前記モータ（14）からのステータ回転故障を示す推定し
た基本周波数値（40ａ、40ｂ）を決定し、 前記モータ（14）が回転中かどうかにかかわらず前記モ
ータ（14）の使用時に、前記モータ（14）から瞬時の基
本周波数値（44ａ、44ｂ）を獲得し、 この瞬時の基本周波数値（44ａ、44ｂ）を前記推定した
基本周波数値（40ａ、40ｂ）と比較（42）してステータ
回転故障を判断し、 前記比較（42）に基づいてステータ回転故障（46）があ
ることを指示する、各ステップを有することを特徴とす
る方法。 - 【請求項１６】フィードフォワード・ニュートラルネッ
トワーク（38）をトレーニングする工程は、 瞬時基本周波数値（36）を入力レイヤーに入力し、 隠れたレイヤーにおける複数のウエイト（54）を定常状
態に収束させ、 推定した基本周波数値（40ａ、40ｂ）を出力レイヤーに
出力する、各ステップを含むことを特徴とする請求項１
５記載の方法。 - 【請求項１７】前記瞬時の基本周波数値（44ａ、44ｂ）
と前記推定した基本周波数値（40ａ、40ｂ）の差（42）
を計算するステップをさらに含むことを特徴とする請求
項１５記載の方法。 - 【請求項１８】(a) フィードフォワード・ニュートラ
ルネットワーク（38）のためのシーケンスフェーザーパ
ラメータを選択し、 (b) 良好な作動状態下で交流モータ（14）のモデルを
学習させるためにフィードフォワード・ニュートラルネ
ットワーク（38）をトレーニングし、 (c) 交流モータ（14）の使用中に、この交流モータの
測定値（44ａ、44ｂ）を獲得し、 (d) 良好な作動状態中の前記交流モータ作動の推定値
（40ａ、40ｂ）と前記交流モータ作動の測定値（44ａ、
44ｂ）を比較（42）し、 (e) 前記ステップ(c)および(d)を周期的に繰り返し、 (f) 前記比較（42）のステップにおいて、ビジランス
スレッショルド値を越える故障値が生じる場合、前記交
流モータ（12）のステータ回転故障を指示する、各ステ
ップをさらに含むことを特徴とする請求項１５記載の方
法。 - 【請求項１９】定常作業状態を得るために複数のウエイ
ト（54）を収束するために前記ステップ(a)および(b)を
繰り返すことを含むことを特徴とする請求項１８記載の
方法。 - 【請求項２０】電流データおよび電圧データ（36）を得
ることを含んでいるトレーニング工程は、 ライン電圧の正のシーケンス成分における大きさを獲得
し、 ライン電圧の負のシーケンス成分における大きさと位相
を獲得し、 ライン電流の正のシーケンス成分における大きさと位相
を獲得する、各ステップを含むことを特徴とする請求項
１８記載の方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US678982 | 2000-10-04 | ||
| US09/678,982 US6611771B1 (en) | 2000-10-04 | 2000-10-04 | Method and apparatus to detect a stator turn fault in an AC motor |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2002186280A true JP2002186280A (ja) | 2002-06-28 |
| JP3823248B2 JP3823248B2 (ja) | 2006-09-20 |
Family
ID=24725117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2001308662A Expired - Fee Related JP3823248B2 (ja) | 2000-10-04 | 2001-10-04 | 交流モータのステータ回転故障検出器およびその検出システムおよびその方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US6611771B1 (ja) |
| JP (1) | JP3823248B2 (ja) |
| CN (1) | CN1254004C (ja) |
| BR (1) | BR0105608A (ja) |
| DE (3) | DE10165093B3 (ja) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008061462A (ja) * | 2006-09-01 | 2008-03-13 | Nagoya Institute Of Technology | 電動機固定子巻線の短絡診断システム |
| JP2010530207A (ja) * | 2007-06-15 | 2010-09-02 | ゼネラル・エレクトリック・カンパニイ | モータの故障検出機能を有するｍｅｍｓベースのモータスタータ |
| CN102341720A (zh) * | 2009-01-08 | 2012-02-01 | 伊顿公司 | 使用定子电流噪音消除的电动机缺陷检测用系统和方法 |
| JP2012516998A (ja) * | 2009-02-03 | 2012-07-26 | ゼネラル・エレクトリック・カンパニイ | ロバストなオンライン固定子巻き故障識別システム |
| JP2012517018A (ja) * | 2009-02-03 | 2012-07-26 | ゼネラル・エレクトリック・カンパニイ | 改良型固定子巻線故障検出装置および誘導機のための方法 |
| KR20180032965A (ko) * | 2016-09-23 | 2018-04-02 | 엘지전자 주식회사 | 모터 고장 검출 장치 |
| KR20210142883A (ko) * | 2020-05-19 | 2021-11-26 | 강원대학교산학협력단 | 인공지능을 이용한 3상 pwm 컨버터의 다중 스위치 개방고장 진단 방법 및 이를 수행하는 장치 |
| KR20230039057A (ko) * | 2021-09-13 | 2023-03-21 | 주식회사 현대케피코 | 모터 구동 시스템의 고장 검출 방법 |
Families Citing this family (37)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7362707B2 (en) * | 2001-07-23 | 2008-04-22 | Acme Packet, Inc. | System and method for determining flow quality statistics for real-time transport protocol data flows |
| US6927598B2 (en) * | 2002-10-15 | 2005-08-09 | General Electric Company | Test probe for electrical devices having low or no wedge depression |
| CN100443907C (zh) * | 2003-02-07 | 2008-12-17 | 阿泰克株式会社 | 用于电气设备的谐波诊断方法 |
| US7184902B2 (en) * | 2003-09-30 | 2007-02-27 | Reliance Electric Technologies, Llc | Motor parameter estimation method and apparatus |
| US7164243B2 (en) * | 2003-09-30 | 2007-01-16 | Reliance Electric Technologies, Llc | System and method for establishing motor efficiency during balanced or unbalanced operating conditions |
| US6949908B2 (en) * | 2003-10-06 | 2005-09-27 | Wavecrest Laboratories, Llc | Fault-tolerant electric motor control system |
| JP4409313B2 (ja) * | 2004-02-24 | 2010-02-03 | 株式会社デンソー | ブラシレスモータ駆動装置 |
| JP2005328691A (ja) * | 2004-04-15 | 2005-11-24 | Denso Corp | モータ制御装置 |
| US7081760B2 (en) * | 2004-07-12 | 2006-07-25 | Behrooz Mirafzal | Method of diagnosing a broken bar fault in an induction motor |
| US7126368B2 (en) * | 2004-09-16 | 2006-10-24 | Deere & Company | System and method for detecting motor coil-to-coil faults |
| DE102005016855A1 (de) * | 2005-04-12 | 2006-10-19 | Siemens Ag | Schnittstellenmodul zur Anordnung in oder an einem Motor |
| US7119548B1 (en) * | 2005-11-14 | 2006-10-10 | Honeywell International, Inc. | Current transformer test device and method |
| US20070194772A1 (en) * | 2006-02-20 | 2007-08-23 | Fix Joshua M | Assessing soundness of motor-driven devices |
| ES2317727B1 (es) * | 2006-04-03 | 2010-02-03 | Universidad De Sevilla | Detector predictivo de faltas en maquinas electricas rotativas. |
| FR2916587B1 (fr) * | 2007-05-25 | 2009-08-21 | Schneider Toshiba Inverter | Procede pour detecter la perte de une ou plusieurs phases dans un moteur electrique synchrone a aimants permanents |
| US7592772B2 (en) * | 2007-10-08 | 2009-09-22 | University Of Victoria Innovation And Development Corporation | Stator inter-turn fault detection of synchronous machines |
| DE102008017900A1 (de) * | 2008-04-09 | 2009-10-15 | Danfoss Drives A/S | Verfahren zum Erfassen eines Fehlers in einer Drehfeldmaschine |
| US8054084B2 (en) * | 2009-05-19 | 2011-11-08 | GM Global Technology Operations LLC | Methods and systems for diagnosing stator windings in an electric motor |
| US8354817B2 (en) * | 2009-06-18 | 2013-01-15 | GM Global Technology Operations LLC | Methods and systems for diagnosing stator windings in an electric motor |
| IT1401145B1 (it) * | 2010-07-27 | 2013-07-12 | St Microelectronics Srl | Circuito di controllo di un motore elettrico con compensazione dei ritardi di misura e sistema di motore comprendente il circuito |
| US8471589B2 (en) | 2011-06-16 | 2013-06-25 | GM Global Technology Operations LLC | Method and apparatus for alternator stator turn-to-turn short detection |
| US8903664B2 (en) * | 2011-06-22 | 2014-12-02 | General Electric Company | System and method for use in monitoring synchronous machines |
| US9255969B2 (en) * | 2012-05-21 | 2016-02-09 | General Electric Company | Prognostics and life estimation of electrical machines |
| CN103575936B (zh) * | 2012-07-30 | 2016-04-13 | 广西玉柴机器股份有限公司 | 同步发电机定子绕组检测台架 |
| US10310017B2 (en) | 2012-09-13 | 2019-06-04 | General Electric Company | Detection of generator stator inter-circuit faults |
| US9018881B2 (en) * | 2013-01-10 | 2015-04-28 | GM Global Technology Operations LLC | Stator winding diagnostic systems and methods |
| US9476944B2 (en) * | 2013-06-12 | 2016-10-25 | GM Global Technology Operations LLC | Insulation inspection instrument |
| CN103336228B (zh) * | 2013-06-14 | 2016-06-08 | 广东电网公司电力科学研究院 | 一种发电机定子绝缘故障检修方法和系统 |
| US9933487B2 (en) * | 2014-03-31 | 2018-04-03 | Eaton Corporation | System and method for detecting, localizing, and quantifying stator winding faults in AC motors |
| EP2942633A1 (de) * | 2014-05-06 | 2015-11-11 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zum Detektieren von Windungsschlüssen sowie elektrische Maschine |
| EP2988187B1 (en) * | 2014-08-22 | 2017-03-29 | ABB Schweiz AG | A method for assessing the condition of rotating machinery connected to an electric motor |
| US10128779B2 (en) * | 2015-08-10 | 2018-11-13 | Schneider Electric USA, Inc. | Induction motor long start protection |
| DE102016213766A1 (de) * | 2016-07-27 | 2018-02-01 | Deutsche Bahn Ag | Vorrichtung zur Diagnose einer mittels eines elektrischen Antriebsmotors angetriebenen mechanischen Anlage |
| US10928814B2 (en) | 2017-02-24 | 2021-02-23 | General Electric Technology Gmbh | Autonomous procedure for monitoring and diagnostics of machine based on electrical signature analysis |
| US10403116B2 (en) | 2017-06-20 | 2019-09-03 | General Electric Company | Electrical signature analysis of electrical rotating machines |
| US11625583B2 (en) * | 2019-02-13 | 2023-04-11 | Mipsology SAS | Quality monitoring and hidden quantization in artificial neural network computations |
| CN114690038B (zh) * | 2022-06-01 | 2022-09-20 | 华中科技大学 | 一种基于神经网络的电机故障识别方法、系统及存储介质 |
Family Cites Families (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4204425A (en) | 1978-06-29 | 1980-05-27 | Westinghouse Electric Corp. | Method of testing induction motors |
| US4924412A (en) | 1987-06-25 | 1990-05-08 | Schlumberger Industries, Inc. | Integrated poly-phase power meter |
| GB8817599D0 (en) * | 1988-07-23 | 1988-09-01 | Lucas Ind Plc | A c generator fault detector |
| US5049815A (en) * | 1990-04-20 | 1991-09-17 | General Electric Company | Spectral analysis of induction motor current to detect rotor faults with reduced false alarms |
| US5270640A (en) * | 1992-04-23 | 1993-12-14 | The Penn State Research Foundation | Method for incipient failure detection in electric machines |
| US5461696A (en) * | 1992-10-28 | 1995-10-24 | Motorola, Inc. | Decision directed adaptive neural network |
| US5512883A (en) | 1992-11-03 | 1996-04-30 | Lane, Jr.; William E. | Method and device for monitoring the operation of a motor |
| US5426721A (en) * | 1993-06-17 | 1995-06-20 | Board Of Supervisors Of Louisiana State University And Agricultural And Mechanical College | Neural networks and methods for training neural networks |
| US5594670A (en) | 1993-09-03 | 1997-01-14 | Kabushiki Kaisha Meidensha | Apparatus for measuring circuit constant of induction motor with vector control system and method therefor |
| US5612601A (en) | 1993-11-22 | 1997-03-18 | Martin Marietta Energy Systems, Inc. | Method for assessing motor insulation on operating motors |
| JP3187642B2 (ja) | 1994-02-25 | 2001-07-11 | 関西電力株式会社 | 電気機器の異常検出方法及び回転電機の異常検出装置 |
| US5548683A (en) * | 1994-05-05 | 1996-08-20 | Grumman Aerospace Corporation | Data fusion neural network |
| US5629870A (en) * | 1994-05-31 | 1997-05-13 | Siemens Energy & Automation, Inc. | Method and apparatus for predicting electric induction machine failure during operation |
| US5576632A (en) * | 1994-06-30 | 1996-11-19 | Siemens Corporate Research, Inc. | Neural network auto-associator and method for induction motor monitoring |
| US5574387A (en) | 1994-06-30 | 1996-11-12 | Siemens Corporate Research, Inc. | Radial basis function neural network autoassociator and method for induction motor monitoring |
| US5514978A (en) | 1995-03-20 | 1996-05-07 | General Electric Company | Stator turn fault detector for AC motor |
| US5786708A (en) | 1996-04-01 | 1998-07-28 | General Electric Company | Self-tuning and compensating turn fault detector |
| US5742522A (en) | 1996-04-01 | 1998-04-21 | General Electric Company | Adaptive, on line, statistical method and apparatus for detection of broken bars in motors by passive motor current monitoring and digital torque estimation |
| US5727128A (en) * | 1996-05-08 | 1998-03-10 | Fisher-Rosemount Systems, Inc. | System and method for automatically determining a set of variables for use in creating a process model |
| US6295510B1 (en) * | 1998-07-17 | 2001-09-25 | Reliance Electric Technologies, Llc | Modular machinery data collection and analysis system |
| US6201715B1 (en) * | 2000-03-28 | 2001-03-13 | Honeywell International Inc. | Synchronous frame regulation to extract a positive sequence component of a line voltage |
-
2000
- 2000-10-04 US US09/678,982 patent/US6611771B1/en not_active Expired - Lifetime
-
2001
- 2001-10-04 CN CNB011385731A patent/CN1254004C/zh not_active Expired - Lifetime
- 2001-10-04 JP JP2001308662A patent/JP3823248B2/ja not_active Expired - Fee Related
- 2001-10-04 DE DE10165093.0A patent/DE10165093B3/de not_active Expired - Lifetime
- 2001-10-04 DE DE10148882.3A patent/DE10148882B4/de not_active Expired - Lifetime
- 2001-10-04 DE DE10165091.4A patent/DE10165091B3/de not_active Expired - Lifetime
- 2001-10-04 BR BR0105608-5A patent/BR0105608A/pt active Search and Examination
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008061462A (ja) * | 2006-09-01 | 2008-03-13 | Nagoya Institute Of Technology | 電動機固定子巻線の短絡診断システム |
| JP2010530207A (ja) * | 2007-06-15 | 2010-09-02 | ゼネラル・エレクトリック・カンパニイ | モータの故障検出機能を有するｍｅｍｓベースのモータスタータ |
| CN102341720A (zh) * | 2009-01-08 | 2012-02-01 | 伊顿公司 | 使用定子电流噪音消除的电动机缺陷检测用系统和方法 |
| JP2012516998A (ja) * | 2009-02-03 | 2012-07-26 | ゼネラル・エレクトリック・カンパニイ | ロバストなオンライン固定子巻き故障識別システム |
| JP2012517018A (ja) * | 2009-02-03 | 2012-07-26 | ゼネラル・エレクトリック・カンパニイ | 改良型固定子巻線故障検出装置および誘導機のための方法 |
| KR20180032965A (ko) * | 2016-09-23 | 2018-04-02 | 엘지전자 주식회사 | 모터 고장 검출 장치 |
| KR102619530B1 (ko) | 2016-09-23 | 2023-12-29 | 엘지전자 주식회사 | 모터 고장 검출 장치 |
| KR20210142883A (ko) * | 2020-05-19 | 2021-11-26 | 강원대학교산학협력단 | 인공지능을 이용한 3상 pwm 컨버터의 다중 스위치 개방고장 진단 방법 및 이를 수행하는 장치 |
| KR102415535B1 (ko) * | 2020-05-19 | 2022-07-01 | 강원대학교산학협력단 | 인공지능을 이용한 3상 pwm 컨버터의 다중 스위치 개방고장 진단 방법 및 이를 수행하는 장치 |
| KR20230039057A (ko) * | 2021-09-13 | 2023-03-21 | 주식회사 현대케피코 | 모터 구동 시스템의 고장 검출 방법 |
| KR102605593B1 (ko) | 2021-09-13 | 2023-11-22 | 주식회사 현대케피코 | 모터 구동 시스템의 고장 검출 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN1254004C (zh) | 2006-04-26 |
| DE10148882A1 (de) | 2002-06-20 |
| JP3823248B2 (ja) | 2006-09-20 |
| CN1349102A (zh) | 2002-05-15 |
| US6611771B1 (en) | 2003-08-26 |
| BR0105608A (pt) | 2002-05-28 |
| DE10148882B4 (de) | 2019-07-11 |
| DE10165093B3 (de) | 2021-03-04 |
| DE10165091B3 (de) | 2021-03-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3823248B2 (ja) | 交流モータのステータ回転故障検出器およびその検出システムおよびその方法 | |
| US5514978A (en) | Stator turn fault detector for AC motor | |
| US6713978B2 (en) | Method and system for determining induction motor speed | |
| Tallam et al. | Self-commissioning training algorithms for neural networks with applications to electric machine fault diagnostics | |
| US8791715B2 (en) | Method for monitoring a controller of a three-phase electric motor and/or the electric motor | |
| JP4679525B2 (ja) | アクティブフィルタ | |
| JP2007325429A (ja) | 回転位相角測定装置及びこれを用いた周波数測定装置、同期フェーザ測定装置、開閉極位相制御装置、同期投入装置及び相判別装置 | |
| DK2902793T3 (en) | Method and device for offline testing of electric motors | |
| DK2761315T3 (en) | METHOD FOR DETERMINING STATIONARY SIGNALS FOR DIAGNOSTICATION OF AN ELECTROMECHANICAL SYSTEM | |
| Izanlo et al. | Comparative study between two sensorless methods for direct power control of doubly fed induction generator | |
| US5832413A (en) | Generator protection system and method for phasor estimation and frequency tracking during frequency ramping | |
| CN110412415B (zh) | 一种基于dft、多阶滤波和突变判据的同步相量计算方法 | |
| JP4480647B2 (ja) | 電力系統脱調予測装置 | |
| Kral et al. | Model-based detection of rotor faults without rotor position sensor-the sensorless Vienna monitoring method | |
| CN110907864A (zh) | 电机定子绕组的故障检测方法、装置、设备及存储介质 | |
| EP3079227A1 (en) | Calculation device | |
| JP4818188B2 (ja) | 周波数変化分測定装置、周波数変化率測定装置および電力系統制御保護装置 | |
| Bouakoura et al. | Incipient inter-turn short circuit fault estimation based on a faulty model observer and ann-method for induction motor drives | |
| JP2003270277A (ja) | 交流回路における瞬時無効電力、無効電力実効値算出手段および瞬時無効電力、無効電力実効値、位相差測定方法 | |
| JPH09257858A (ja) | 地絡検出装置 | |
| CN110429836B (zh) | 一种三相pwm整流器的控制方法及装置 | |
| CN111226389B (zh) | 监测多绕组组定子 | |
| US5798932A (en) | Methods and apparatus for removing error due to decaying offsets from measured power system currents | |
| Bharadwaj et al. | Adaptive neural network-based state filter for induction motor speed estimation | |
| JPH09211038A (ja) | 位相・振幅検出装置の診断装置、位相検出装置、振幅検出装置、周波数検出装置、位相・振幅・周波数検出装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060111 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20060407 |
|
| 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: 20060517 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20060614 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090707 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100707 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110707 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110707 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120707 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130707 Year of fee payment: 7 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |