JP2014517320A - 高電圧機器における単一及び複数の部分放電（ｐｄ）欠陥を分類するためにｐｒｐｄ包絡値を使用する方法 - Google Patents

Abstract

高電圧モータで起こる部分放電の種類を分類し、かかる分類に必要な労力や専門知識を軽減する方法、システム、及びコンピュータプログラム製品。本方法、システム、及びコンピュータプログラム製品は、ニューラルネットワーク入力要件に適合するように部分放電測定データを前処理するために、特徴抽出技術を利用する。
【選択図】 図２

Description

本発明は、高電圧モータで起こる部分放電の種類を分類し、かかる分類に必要な労力や専門知識を軽減する方法、システム、及びコンピュータプログラム製品に関する。

電気モータは、様々な産業プラントプロセスにおいて、電気エネルギから機械エネルギに変換するのに極めて重要な役割を果たしている。その結果、電気モータの信頼性及び有用性は、産業にとって最も重要である。モータは、一般に、頑丈で、信頼性が高いが、経時的に摩耗し、時には新しいモータでも、設計の不具合、誤った運転条件又は取付け不良により、故障することがある。

モータの故障は、回転子バーの破損、エンドリングの破損、モータベアリングの損傷又はエアギャップの偏心等の機械的障害によって生じる可能性がある、或いは固定子巻線の短絡又は電源電圧の不均衡等の電気的障害によって生じる可能性がある。ＥＰＲＩ及びＩＥＥＥのモータ故障に関する調査によれば、３７％は固定子の障害、１０％は回転子の障害、及び４１％〜５０％はベアリングの振動に起因するもので、数％が他の原因によるものであった。

分数馬力及び小馬力モータは、比較的安価な在庫品であるが、中電圧及び高電圧モータは極めて高価で、交換品を得るのにリードタイムが長くなることがある。かかる高電圧モータに関しては、突発故障を防ぐために、問題を検出、及び診断可能であることが重要である。また、問題を正確に検出、診断する能力により、オペレータは、メンテナンスや交換のためにモータを早期に運転停止するのに伴う費用や休止時間を回避できる。

モータのメーカは、電圧、電流、巻線温度、ベアリング温度、及びベアリング振動をモニタリングするための様々なセンサを提供している。ＩＥＥＥ統計では、高電圧電気モータ及び発生装置の故障の９０％までは、絶縁システムの破壊が原因で起こることを示している。絶縁は、電流が不所望な経路に流れる原因となり、モータの適切な運転を妨げる、導体間の短絡、又は導体と地面との間の短絡を防止するのに不可欠である。また、絶縁システムは、銅導体を適所に強固に保持して、電磁力が原因で起こる不所望な移動を防ぐ。固定子巻線の寿命は、導体又は鋼心によってよりはむしろ電気絶縁によって、限定されることが多い。従って、高電圧モータの固定子巻線に関する絶縁の調子をモニタリングすることは、特に重要である。

部分放電（「ＰＤ」：ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ）は、高電圧絶縁不良の一因である。ＰＤは、炭化、及び絶縁を部分的に橋絡するトラッキングを発生させ、相間バリア又は相対地間バリアを提供すると想定される絶縁体を通り電流が流れる経路を提供する放電である。従って、ＰＤは、完全放電とは対照的であり、線電位と接地電位との間、又は２相間の完全な障害である。部分放電は、全ての巻線絶縁システムで見られる気体が入ったボイドで通常起こる。ボイドは：銅導体と絶縁壁との間；絶縁体自体の内部；外部絶縁壁と接地フレームとの間；又は絶縁体の表面に沿って、存在することがある。ＰＤは、経時的な絶縁の劣化及び／又は過温度による早期の経年劣化が原因で起こることがある。

ＰＤは、一定時間で短距離を横断する電子及びイオンの流れを伴うため、ＰＤが起こる度に、小電流が流れる。電流の流れは、絶縁システムのインピーダンスに亘り電圧パルスを発生させる。ＰＤ放電パルスは、高周波で起こり；そのため、ＰＤ放電パルスは、短距離を通過すると急速に減衰する。このパルスを識別し、測定し、記録することで、高電圧設備を、通常運転中に、ＰＤに関してモニタリング可能にできる。少なくとも１社のモータメーカが、電圧、電流、温度及び振動をモニタリングする上記センサに加えて、部分放電センサを提供している。しかしながら、絶縁材は、ＰＤ信号を減衰するように作用するため、損傷を与えるＰＤ信号を弱めて、該信号を特定し難くしてしまう。また、減衰されたＰＤ信号は、電気的雑音源によってマスクされることもある。

ＰＤの損傷が一旦発生すると、絶縁劣化に関する証拠を、メガテスト等の抵抗を測定する従来の方法で、検出できる。従って、部分放電のオンライン試験は、従来の絶縁抵抗試験を補足して、何れ起こる故障のかなり前に、問題を特定する傾向を示して、絶縁劣化の進行段階を検出可能である。

多くの要因が、検出可能な部分放電を引起すが、全ての要因が高電圧絶縁を危険にさらすわけではない。例えば、野外ケーブルの終端箱からの空気中へのコロナは、比較的無害である。コイル内にボイドがあると、内部でＰＤが起こる。ボイドの内面は、気相媒体からの電子及び解離されたイオンによる一定の衝撃で劣化する。通常、内部ＰＤが故障を招くまでには、数年かかる。対照的に、スロットＰＤは、コイル絶縁体を通りモータのコアへ流れる容量性電流により起こる。コイル側が、コアとの接触を失うと、極めて高い電圧が両者間で発生し、ＰＤを引起こす。スロット放電は、内部ＰＤより電圧レベルが高く、長期間に亘り続く場合、接地壁絶縁体を破壊する可能性がある。油膜や湿気からの汚染物が原因で、電気的トラッキング及びそれに関連するＰＤが絶縁面で発生する際に、巻線端部ＰＤが、固定子の巻線端部で起こる。従って、モータを良好な状態か否か、又は注意する必要があるか否かを決定するのに、検出した部分放電を正確に分類することが、重要である。また、この分類は、メンテナンス員が、特定の種類のモータ故障を識別する助けにもなる。例えば、スロットＰＤは、絶縁劣化又は熱老化において、ボイドと関連付けられることがある一方、巻線端部ＰＤは、バー振動又は塵埃汚染と関連付けられることが多い。

歴史的に、ＰＤは、ＰＤのグラフ記録を手動で検討する専門の技術者によって分類された。最近では、雑音とＰＤを分離し、異なるＰＤ源を分類するのに、様々なパターン認識方法が採用されている。人工知能技術を用いるＰＤ分類は、実験室では好結果が出ているが、現場での目視による検査結果に匹敵する精度は得られていない。

図１は、モータ電圧の測定結果に関する完全な１サイクルについて誇張した表示である。図１が示すように、部分放電は、第１の四分の一サイクル及び第３の四分の一サイクル中、即ち、初期に立ち上がる正信号と初期に立ち上がる負信号中に発生する。電圧信号における、ミリボルトから数ボルトへの高周波変化として測定された、これらの部分放電は、標準範囲では観察されることができず、図１では、説明目的のみで誇張されている。

また、部分放電パルスの大きさは、パルスが大きい程、絶縁体に対する損傷量が大きくなるので、有用なデータを含んでいる。パルス繰り返し数は、発生した放電数を示しており、被試験絶縁体の状態を決定する役割を果たす。

また、数種類のＰＤについて、正極性放電の大きさが負極性放電の大きさと異なるかを、分類できることも分かっている。例えば、負極性放電が正極性放電を超える場合、可能性の高い根本的原因としては、銅導体と絶縁体間のボイドがある。逆に、正極性放電が負極性放電を超える場合、可能性の高い根本的原因としては、スロット放電（絶縁体と鉄心との間のボイドによって引起される）、又は表面の部分放電、又は巻線の座巻部での放電がある。

多くの技術が、ＰＤを検出するのに使用されている。ＩＥＣ６０２７０では、ＰＤは、音、光、熱の放出、又は化学反応を伴うことが多いと記載している。よって、様々な測定技術が、そうした放出を認識するのに使用されている。

ＰＤが一旦検出されると、分類される必要がある。前述したように、専門家にＰＤのグラフ記録を調べさせて、従来はこれを行っていたが、自動的な技術も開発されている。有用な一方法としては、多層人工ニューラルネットワークを適用する方法がある。人工ニューラルネットワークの基本的な利点は、既知の欠陥／ソースに対応するＰＤ特徴ベクトルで、ネットワークが示される例から学習できる点である。幾つかの異なる種類の人工ニューラルネットワークが、バックプロパゲーションのニューラルネット、コホネンの自己組織化特徴マップ、学習ベクトル量子化ネットワーク、カウンタープロパゲーションのニューラルネット、及びモジュール式及びカスケード式ニューラルネットを含む、ＰＤ認識で使用されている。

多種多様な人工ニューラルネットワークが使用可能である他、各ネットワークには、トレーニングタイム（エポック）、層数、トレーニング関数、適応関数、性能関数、伝達関数を含む、性能に影響する様々なパラメータがある。従って、所定のデータセットでトレーニングされ、特定の方法で構成された各ニューラルネットワークは、ユニークな性能を提供する。

現場でＰＤ測定結果を一層良好に分類するのを助けるための、新たな迅速で直接的方法により、ユーザは大幅に費用、労力及び時間を節約できるであろう。そのために、測定された特徴及び／又は特性に基づいてＰＤを分類する改良したシステム及び方法に対する必要性が存在する。

上記目的及び更なる効果は、人工ニューラルネットワークアプリケーションのトレーニングによって、高電圧モータ及び発生装置の部分放電を分類する方法を幅広く包含する本発明によって、提供される。本出願人は、様々なＰＤ特徴を有する多数のモータからオンラインデータを収集し、該データで人工ニューラルネットワークをトレーニングすることを利用して、優れた成果を達成できることを見出した。

重要なことには、この情報を、専門家にモータ特徴であるＰＤ波形のグラフ表示を調べさせる先行技術方法と比べて、比較的早く且つ安価に得ることができる。

本発明の方法では、オンラインＰＤデータが、多数のモータから収集され、記録されて、統計データが、各記録から抽出され、人工ニューラルネットワークをトレーニングするために使用される。本発明の方法は、ユーザが、通常の大規模で手間がかかる専門家による分析を実行せずに、ＰＤを分類するのを可能にする。

本発明の更なる効果及び特徴は、以下の本発明に関する詳細な説明から、添付図の図面を参照して検討すると、明白になるであろう。

モータ電圧の測定結果に関する完全な１サイクルについて誇張した表示を示している。 本発明の方法に関する一実施形態の各ステップを示している。 多数のセンサオプションを有するモータを示している。 位相分解ＰＤ（「ＰＲＰＤ」）スペクトルのグラフ表示である。 縮小されたＰＲＰＤセットのグラフ表示である。 本発明の一実施形態のモジュールに関する略ブロック図である。 本発明の一実施形態が実装されるコンピュータシステムのブロック図である。

図２に示されるように、方法２００は、ステップ２１０で開始し、該ステップ２１０では、オンラインＰＤ検出が、各種のＰＤ欠陥：内部ＰＤ、コロナＰＤ、スロットＰＤ、巻線端部ＰＤ、及び表面ＰＤを含むことが知られる多数のモータに対して記録される。更に、オンラインＰＤ検出は、正常であることが知られる多数のモータに対して、記録される。好適には、分析は、合計３００個のモータを代表して、少なくとも５０個の各種モータを含む。

図３に示されるように、高電圧用カップリングコンデンサ、永久的な内部高周波カップリングコンデンサ（「ＨＦＣＴ」：ｈｉｇｈ ｆｒｅｑｕｅｎｃｙ ｃｏｕｐｌｉｎｇ ｃａｐａｃｉｔｏｒ）、又は携帯用クリップ式ＨＦＣＴを含む、多数のセンサオプションが、ＰＤを検出するのに利用可能である。好適な別の実施形態では、ロゴスキーコイルが、ＨＦＣＴと置換えられる。ロゴスキーコイルは、電流が測定される直線導体の周りに巻かれたワイヤの螺旋状コイルであり、ロゴスキーコイルの一端部からのリードは、コイルの中心を通り、他端部まで戻り、両端子がコイルの同一端部に存在するようにしている。空心コイルを有するロゴスキーコイルは、インダクタンスが低く、そのために、高速で変化する電流に対応できる。該コイルは、電磁干渉に殆ど影響されず、誘起電圧が測定される電流の変化率（即ち、導関数）に比例した状態で、高線形である。ロゴスキーコイルの出力は、電流に比例する出力信号を提供するために、電気的又は電子的積分回路に接続される。

位相分解取得システム及びスペクトラムアナライザが、ロゴスキーコイルからオンラインＰＤ信号を記録するのに使用される。図４は、数千点と見られる、位相分解ＰＤ（「ＰＲＰＤ」：ｐｈａｓｅ ｒｅｓｏｌｖｅｄ ＰＤ）スペクトルのグラフ表示を示している。図５は、Ｍａｘ−Ｍｉｎ包絡（ｅｎｖｅｌｏｐｅ）を使用して、縮小されたＰＲＰＤスペクトルを示している。本発明の方法は、必要に応じて、ＰＲＰＤスペクトルの大きさを縮小することによって、ニューラルネットワークのソフトウェアを動作する計算装置の処理能力に適合させることができる。

図２で示された方法に関する実施形態の続きで、ステップ２２０では、統計分析が、Ｍａｘ−Ｍｉｎ包絡データを抽出するのに使用される。

ステップ２３０では、ステップ２２０から抽出されたデータが、関連モータが正常か、又は５種類のＰＤの中の１種類を被っているかを判断するよう、人工ニューラルネットワークをトレーニングするのに使用される。ＮｅｕｒａｌＷａｒｅ社によって作成された人工ニューラルネットワークのソフトウェアプログラムであるＮｅｕｒａｌＳｉｇｈｔから、良い結果が得られた。

ステップ２４０では、オンラインＰＤ検出が、検査対象のモータに対して実行される。

ステップ２５０では、統計分析が、Ｍａｘ−Ｍｉｎ包絡データを抽出するのに使用される。

ステップ２６０では、人工ニューラルネットワークは、トレーニングに基づいて、検査対象のモータが正常か否か、又は内部ＰＤ、コロナＰＤ、スロットＰＤ、巻線端部ＰＤ、又は表面ＰＤを被っているか否かを決定する。

ステップ２７０では、ニューラルネットワークが、オペレータに結果を出力する。

ステップ２１０〜２３０でのニューラルネットワークのトレーニングは、１ユーザによって実行されてもよく、ステップ２４０〜２７０で詳述されるように、トレーニングされたネットワークを利用してモータを試験することは、第２ユーザによって実行されてもよい。

図６は、本発明の実施形態によるモジュール群、システム６００の略ブロック図を示している。

ＰＲＰＤスペクトル生成モジュール６１０は、高電圧モータをオンラインＰＤ分析にかけた位相分解取得システム及びスペクトラムアナライザから測定電圧を受取り、該モジュールは、位相分解ＰＤ（「ＰＲＰＤ」）スペクトルとして測定電圧を処理し、保存する。

Ｍａｘ−Ｍｉｎ包絡データ生成モジュール６２０は、ＰＲＰＤスペクトル生成モジュール６１０から、高電圧モータのＰＲＰＤスペクトルを受信し、Ｍａｘ−Ｍｉｎ包絡データに該スペクトルを縮小する（ｒｅｄｕｃｅ）。

ニューラルネットワークモジュール６３０は、内部ＰＤ、コロナＰＤ、スロットＰＤ、巻線端部ＰＤ、又は表面ＰＤを被っている多数のモータだけでなく、多数の正常なモータからの縮小されたＭａｘ−Ｍｉｎ包絡データで事前にトレーニングされた人工ニューラルネットワークを組込み、それにより人工ニューラルネットワークが、もし存在すれば、縮小したＭａｘ−Ｍｉｎ包絡データと関連付けて、ＰＤ欠陥を正確に識別できるようにする。ニューラルネットワークモジュール６３０は、Ｍａｘ−Ｍｉｎ包絡データ生成モジュール６２０から縮小されたＭａｘ−Ｍｉｎ包絡データを受信し、該縮小されたＭａｘ−Ｍｉｎ包絡データを分析して、結果をユーザに報告し、任意には結果をメモリに保存する。

図７は、本発明の部分放電分類システムが実装されることができるコンピュータシステム７００の例示的なブロック図を示している。コンピュータシステム７００は、中央演算処理装置、Ｉ／Ｏインタフェース７３０及びサポート回路７４０等のプロセッサ７２０を含む。また、特定の実施形態では、コンピュータシステム７００が直接的なヒューマンインタフェースを必要とする場合、ディスプレイ７１０、及びキーボード、マウス又はポインタ等の入力装置７５０も提供する。ディスプレイ７１０、入力装置７５０、プロセッサ７２０、及びサポート回路７４０は、メモリ７６０にも接続するバス７９０に接続されて示されている。メモリ７６０は、プログラム格納メモリ７７０及びデータ格納メモリ７８０を含む。なお、コンピュータシステム７００は、直接的なヒューマンインタフェース構成要素であるディスプレイ７１０及び入力装置７５０と共に描写されているが、モジュールのプログラミングやデータのエクスポートは、Ｉ／Ｏインタフェース７３０上で交互に達成されることができる、例えば、コンピュータシステム７００は、ネットワークに接続され、プログラミングやディスプレイ操作は、別の関連されたコンピュータ上で行われる、又はインタフェースで接続するプログラマブル論理制御装置に関して知られるような、着脱可能な入力装置を介して、行われる点に、注意されたい。

プログラム格納メモリ７７０及びデータ格納メモリ７８０は、其々揮発性（ＲＡＭ）メモリユニット及び非揮発性（ＲＯＭ）メモリユニットを含むことができ、また、ハードディスク及びバックアップ記憶容量も含むことができ、プログラム格納メモリ７７０とデータ格納メモリ７８０の両方を、単一のメモリ素子で具現化する、又は複数のメモリ素子に分離することができる。プログラム格納メモリ７７０は、ソフトウェアプログラムモジュール及び関連データを格納し、特にＰＲＰＤスペクトル生成モジュール６１０、Ｍａｘ−Ｍｉｎ包絡データ生成モジュール６２０、及びニューラルネットワークモジュール６３０を格納する。データ格納メモリ７８０は、ＰＲＰＤスペクトルデータ、Ｍａｘ−Ｍｉｎ包絡データ、ニューラルネットワークモジュール６３０により生成された結果、及び本発明の１個又は複数のモジュールにより生成された他のデータを格納する。

当然のことながら、コンピュータシステム７００は、パーソナルコンピュータ、ミニコンピュータ、ワークステーション、メインフレーム、プログラマブル論理制御装置等の専用制御装置、又はそれらの組合せ等の任意のコンピュータとすることができる。コンピュータシステム７００は、単一のコンピュータユニットとして、説明目的のみで示されているが、該システムは、処理負荷及びデータベースサイズに応じて規模を調整できるコンピュータ群を含むことができる。

好適には、コンピュータシステム７００は、例えば、プログラム格納メモリ７７０に格納され、揮発性メモリからプロセッサ７２０によって実行されるオペレーティングシステムをサポートする。本発明の一実施形態によると、オペレーティングシステムは、コンピュータシステム７００をインターネット及び／又はプライベートネットワークにインタフェースするための命令を含む。

当業者は、本発明の部分放電分類方法に関する実施形態が、コンピュータプログラム製品の形で提供される場合もあることを理解するであろう。

以上、添付図を参照して、本発明のシステム及び方法について述べたが；変更例は、当業者には明らかであろうし、本発明の保護範囲は、以下のクレームで規定される。

６１０ ＰＲＰＤスペクトル生成モジュール
６２０ Ｍａｘ−Ｍｉｎ包絡データ生成モジュール
６３０ ニューラルネットワークモジュール
７００ コンピュータシステム
７１０ ディスプレイ
７２０ プロセッサ
７３０ Ｉ／Ｏインタフェース
７４０ サポート回路
７５０ 入力装置
７６０ メモリ
７７０ プログラム格納メモリ
７８０ データ格納メモリ
７９０ バス

Claims (14)

1. 高電圧モータを、正常として、又は内部部分放電（「ＰＤ」：ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ）、コロナＰＤ、スロットＰＤ、巻線端部ＰＤ、若しくは表面ＰＤを被っているとして特徴付けるよう、人工ニューラルネットワークをトレーニングする方法であって、該方法は：
   内部ＰＤ、コロナＰＤ、スロットＰＤ、巻線端部ＰＤ、又は表面ＰＤを被っている多数のモータだけでなく、多数の正常なモータも識別し；
   前記識別されたモータ其々を、オンラインＰＤ分析し、前記モータのリード線でＰＤ電圧を測定し；
   位相分解取得システム及びスペクトラムアナライザを使用し、各モータからの測定電圧を位相分解ＰＤ（「ＰＲＰＤ」：ｐｈａｓｅ−ｒｅｓｏｌｖｅｄ ＰＤ）スペクトルとして記録し；
   各ＰＲＰＤスペクトルをＭａｘ−Ｍｉｎ包絡データに縮小し；
   各モータからの前記縮小されたＭａｘ−Ｍｉｎ包絡データで人工ニューラルネットワークを、ＰＤ欠陥が存在した場合に、該ＰＤ欠陥を、各縮小されたＰＲＰＤスペクトルと関連させて、正確に識別できるまで、トレーニングすること
   を特徴とする方法。
2. 高電圧モータを、正常として、又は内部部分放電（「ＰＤ」）、コロナＰＤ、スロットＰＤ、巻線端部ＰＤ、若しくは表面ＰＤを被っているとして特徴付けるよう、人工ニューラルネットワークを動作させる方法であって、該方法は：
   事前にトレーニングされた人工ネットワークで、被試験高電圧モータを識別し；
   前記識別された高電圧モータを、オンラインＰＤ分析し、前記モータのリード線でＰＤ電圧を測定し；
   位相分解取得システム及びスペクトラムアナライザを使用し、前記高電圧モータからの測定電圧を位相分解ＰＤ（「ＰＲＰＤ」）スペクトルとして記録し；
   前記高電圧モータの前記ＰＲＰＤスペクトルを、Ｍａｘ−Ｍｉｎ包絡データに縮小し；
   前記高電圧モータからの縮小されたＭａｘ−Ｍｉｎ包絡データを、前記トレーニングされた人工ニューラルネットワークに入力し、前記新データを分析するように該ネットワークに命令し；
   その結果をユーザに報告すること
   を特徴とする方法。
3. 高電圧モータを、正常として、又は内部部分放電（「ＰＤ」）、コロナＰＤ、スロットＰＤ、巻線端部ＰＤ、若しくは表面ＰＤを被っているとして特徴付けるよう、人工ニューラルネットワークをトレーニング及び動作させる方法であって、該方法は：
   請求項１の人工ニューラルネットワークをトレーニングする前記方法；
   事前にトレーニングされた人工ネットワークで、被試験高電圧モータを識別し；
   前記識別された被試験高電圧モータを、オンラインＰＤ分析し、前記モータのリード線でＰＤ電圧を測定し；
   位相分解取得システム及びスペクトラムアナライザを使用し、前記高電圧モータからの測定電圧を位相分解ＰＤ（「ＰＲＰＤ」）スペクトルとして記録し；
   前記高電圧モータの前記ＰＲＰＤスペクトルを、Ｍａｘ−Ｍｉｎ包絡データに縮小し；
   前記高電圧モータからの前記縮小されたＭａｘ−Ｍｉｎ包絡データを、前記トレーニングされた人工ニューラルネットワークに入力し、前記新データを分析するように該ネットワークに命令し；
   その結果をユーザに報告すること
   を特徴とする方法。
4. 前記報告された結果をメモリに記録することを更に含むことを特徴とする、請求項２に記載の方法。
5. 前記報告された結果をメモリに記録することを更に含むことを特徴とする、請求項３に記載の方法。
6. 前記ＰＲＰＤスペクトルのサイズを、前記ニューラルネットワークの処理能力に合わせるように、選択すること更に含むことを特徴とする、請求項１に記載の方法。
7. 前記ＰＲＰＤスペクトルのサイズを、前記ニューラルネットワークの処理能力に合わせるように、選択すること更に含むことを特徴とする、請求項２に記載の方法。
8. 前記ＰＲＰＤスペクトルのサイズを、前記ニューラルネットワークの処理能力に合わせるように、選択すること更に含むことを特徴とする、請求項３に記載の方法。
9. 前記ＰＤ測定結果を、前記モータのリード線で、ロゴスキーコイルを使用して得ることを更に含むことを特徴とする、請求項１に記載の方法。
10. 前記ＰＤ測定結果を、前記モータのリード線で、ロゴスキーコイルを使用して得ることを更に含むことを特徴とする、請求項２に記載の方法。
11. 前記ＰＤ測定結果を、前記モータのリード線で、ロゴスキーコイルを使用して得ることを更に含むことを特徴とする、請求項３に記載の方法。
12. 高電圧モータを、正常として、又は内部部分放電（「ＰＤ」）、コロナＰＤ、スロットＰＤ、巻線端部ＰＤ、若しくは表面ＰＤを被っているとして特徴付けるシステムであり、該システムは：
    計算モジュール及びデータを格納する非揮発性メモリ素子；
    前記メモリに結合されたプロセッサ；
    前記高電圧モータをオンラインＰＤ分析した位相分解取得システム及びスペクトラムアナライザからの測定電圧を受取る第１計算モジュールであって、前記測定電圧を位相分解ＰＤ（「ＰＲＰＤ」）スペクトルとして処理及び格納する第１計算モジュール；
    前記高電圧モータの前記ＰＲＰＤスペクトルを、Ｍａｘ−Ｍｉｎ包絡データに縮小する第２計算モジュール；及び
    内部ＰＤ、コロナＰＤ、スロットＰＤ、巻線端部ＰＤ、又は表面ＰＤを被っている多数のモータだけでなく、多数の正常なモータからの縮小されたＭａｘ−Ｍｉｎ包絡データでトレーニングされた人工ニューラルネットワークを組込み、それにより前記人工ニューラルネットワークが、ＰＤ欠陥が存在した場合に、該ＰＤ欠陥を、縮小されたＭａｘ−Ｍｉｎ包絡データと関連付けて、正確に識別できるようにする第３計算モジュールを含むシステムであって、
    前記第３計算モジュールは、前記第２計算モジュールからの前記縮小されたＭａｘ−Ｍｉｎ包絡データを受信し、分析し、その結果を前記メモリに格納することを特徴とするシステム。
13. 高電圧モータを、正常として、又は内部部分放電（「ＰＤ」）、コロナＰＤ、スロットＰＤ、巻線端部ＰＤ、若しくは表面ＰＤを被っているとして特徴付ける、コンピュータプログラム製品であって、該製品は：該製品に内蔵されるコンピュータ可読なプログラムコードを有する非一時的コンピュータ可読媒体であって、プロセッサによって実行されると、該プロセッサに：
    内部ＰＤ、コロナＰＤ、スロットＰＤ、巻線端部ＰＤ、又は表面ＰＤを被っている多数のモータだけでなく、多数の正常なモータからの縮小されたＭａｘ−Ｍｉｎ包絡データでトレーニングされた人工ニューラルネットワークをロードさせ、該トレーニングで前記人工ニューラルネットワークが、ＰＤ欠陥が存在した場合に、該ＰＤ欠陥を、縮小されたＭａｘ−Ｍｉｎ包絡データと関連付けて、正確に識別でき；
    前記モータのリード線でのＰＤ測定結果を使用して、前記高電圧モータをオンラインＰＤ分析するのに使用された、位相分解取得システム及びスペクトラムアナライザから入力された電圧測定結果を受取らせ；
    位相分解ＰＤ（「ＰＲＰＤ」）スペクトルとして、前記高電圧モータから前記測定電圧を格納させ；
    前記高電圧モータの前記ＰＲＰＤスペクトルを、Ｍａｘ−Ｍｉｎ包絡データに縮小させ；
    前記トレーニングされた人工ニューラルネットワークに、前記高電圧モータからの前記縮小されたＭａｘ−Ｍｉｎ包絡データを分析するように、命令させ；
    前記トレーニングされた人工ニューラルネットワークからの前記結果を格納させる、非一時的コンピュータ可読媒体を含むことを特徴とするコンピュータプログラム製品。
14. 前記プロセッサによって実行されると、該プロセッサの処理能力に合うように、前記プロセッサに前記ＰＲＰＤスペクトルのサイズを選択させるコンピュータ可読なプログラムコードを更に含むことを特徴とする、請求項１３に記載のコンピュータプログラム製品。

Images