JP2017153208A - 電動機駆動システムの予防保全装置 - Google Patents

Abstract

【課題】機器の個体差や周囲条件の違いに依らないで、運転中の予防保全を実施できる電動機駆動システムの予防保全装置を提供する。
【解決手段】モデル学習部５４は、実測データのうち異常監視の対象である監視対象データと監視対象データ以外の監視対象関連データとの関係を未知のパラメータを用いて定義した予測演算式に、学習期間中に取得した複数の実測データを当てはめて未知のパラメータの値を推定する。予測演算部５２は、学習期間後に取得した学習期間後実測データ中の監視対象関連データを予測演算式に代入して、監視対象データの予測値を算出する。異常傾向判定部５５は、学習期間後実測データ中の監視対象データの実測値と、算出された予測値との比較値に基づいて、電動機駆動システムの運転中の異常傾向を判定する。
【選択図】図２

Description

この発明は、電動機駆動システムの予防保全装置に関するものである。

保全には事後保全と予防保全がある。事後保全は、製品が故障してから修理する方法である。予防保全は、故障する前に異常を検知し、事前に設備の点検・交換・保守を行う方法である。

電動機駆動システム（電動機やドライブ装置を含むシステム）は、故障してしまうと修理あるいは交換している間、操業停止を余儀なくされる。また、復旧のための多大な費用がかかり、多大な損失が発生してしまう。しかし、従来の保全においては、監視対象データに対して、故障の基準となる閾値と、警報を発する基準となる閾値を設定し、データの値がその閾値に達した後に処置を施すことが多かった。

保全に関する先行事例として、特許文献１には、電力変換装置において、予め設定された電力変換装置内部の温度設定値と、冷却フィン上に設けた温度検出器の検出温度と、電力変換装置筐体内部に設けた温度検出器の検出温度と、電流検出器の検出値とから、電力変換装置の温度過熱の要因判別を行うことが開示されている。この文献によれば、電力変換装置の異常過熱の要因を容易に判別することができ、何を対策あるいは交換すればよいかの判断が可能となる。

また、特許文献２には、電子式制御装置において、装置の停止時に電力用半導体素子のダイアタッチ材の熱伝導特性を計測することにより、材料内部の疲労破壊進展の程度を、短いパルス給電を行って瞬間加熱した後に放冷させて非破壊で検出・観察・測定することで、装置の余寿命診断を行うことが開示されている。

特開２０１４−１３２８２９号公報 国際公開第２０１１／１５１９７３号

しかしながら、上述した従来の保全のように、監視対象データに対して、故障の基準となる閾値と、警報を発する基準となる閾値を設定して装置の異常を判定するには、閾値を予め設定する必要があるが、機器の個体差や周囲条件の違いがあるため、適切な閾値を予め設定することは困難である。

また、特許文献１に記載されている技術は、盤内の異常過熱を分析するという事後保全に関する技術である。電動機駆動システムは故障により停止をすると、プラントの操業において多大な損失をもたらす。そのため、電動機駆動システムの保全では、故障や異常の予兆を探知して保全を行う予防保全が重要である。

また、特許文献２に記載されている技術は、発熱感熱デバイスを用いて半導体素子の疲労破壊進展の程度を検出するために、発熱感熱デバイスに電圧を印加して発熱させる必要があるため、装置の停止時に行う予防保全技術である。そのため、電動機駆動システムの運転中の予防保全には適用できない。

この発明は、上述のような課題を解決するためになされたもので、機器の個体差や周囲条件の違いに依らないで、運転中の予防保全を実施できる電動機駆動システムの予防保全装置を提供することを目的とする。

この発明は、上記の目的を達成するため、電動機駆動システムの予防保全装置であって、
電動機駆動システムの運転状態における実測データを取得する実測データ取得部と、
実測データのうち異常監視の対象である監視対象データと該監視対象データ以外の監視対象関連データとの関係を未知のパラメータを用いて定義した予測演算式に、学習期間中に前記実測データ取得部により取得された複数の実測データを当てはめて前記未知のパラメータの値を推定するモデル学習部と、
前記学習期間後において、前記実測データ取得部により取得された学習期間後実測データ中の監視対象関連データを前記予測演算式に代入して、監視対象データの予測値を算出する予測演算部と、
前記学習期間後実測データ中の監視対象データと前記予測値との比較値に基づいて、前記電動機駆動システムの運転中の異常傾向を判定する異常傾向判定部と、を備えることを特徴とする。

この発明によれば、学習期間中に取得した多数の実測データに基づいて予測演算式の未知のパラメータの値を推定できる。そのため、機器の個体差や周囲条件の違いに対応した予測演算式を同定できる。そのため、機器の個体差や周囲条件の違いに依らない予防保全装置を実現できる。

また、この発明によれば、学習期間後において、運転中の電動機駆動システムから取得した監視対象データの実測値と、取得した監視対象関連データの実測値を予測演算式に代入して算出した監視対象データの予測値との比較値に基づいて、運転中の異常傾向を判定できる。ここで、監視対象データの実測値と予測値の間に所定の偏差が生じることが、直接的に電動機駆動システムの異常を示すものではないが、システムが異常傾向にあることを示す指標ではある。よって、システムの異常の傾向を監視することで、運転中の予防保全を実施できる。

本発明の実施の形態１に係る電動機駆動システムの概念構成図である。 本発明の実施の形態１に係る予防保全装置５の機能ブロック図である。 予防保全装置５が実行する処理ルーチンのフローチャートである。

以下、図面を参照して本発明の実施の形態について詳細に説明する。尚、各図において共通する要素には、同一の符号を付して重複する説明を省略する。

実施の形態１．
［実施の形態１のシステム構成］
図１は、本発明の実施の形態１に係る電動機駆動システムの概念構成図である。図１に示す電動機駆動システムは、ドライブ装置１と電動機２を備える。

ドライブ装置１は、電動機２へ電気エネルギーを供給するインバータ装置である。ドライブ装置１には、盤内の温度に応じた信号を出力するセンサ１１が取り付けられている。好ましくは、ドライブ装置１には、装置の制御に用いられる半導体素子の温度に応じた信号を出力可能なセンサ１２も取り付けられている。

ドライブ冷却装置３は、ドライブ装置１の制御に用いられる半導体素子を冷却する。ドライブ冷却装置３には、冷却液の温度に応じた信号を出力するセンサ３１、冷却液の単位時間当たりの流量に応じた信号を出力するセンサ３２が取り付けられている。

電動機２はドライブ装置１に電気的に接続する。電動機２は、ドライブ装置１から供給された電気エネルギーを力学的エネルギーに変換して回転軸を回転させる。電動機２には、電動機２の巻線の温度に応じた信号を出力するセンサ２１、電動機２に流れる電流に応じた信号を出力するセンサ２２が取り付けられている。

電動機冷却装置４は、損失により発生した電動機２の熱を冷却する。電動機冷却装置４は、冷却液の温度の応じた信号を出力するセンサ４１、冷却液の単位時間当たりの流量に応じた信号を出力するセンサ４２、冷却液を風冷する通路の入側温度に応じた信号を出力するセンサ４３、通路の出側温度に応じた信号を出力するセンサ４４が取り付けられている。

予防保全装置５は、図１に示す各種センサ１１、１２、２１、２２、３１、３２、４１〜４４に接続されている。予防保全装置５は、これらのセンサが出力する信号を周期的に取得する。以下、図２、図３を参照して予防保全装置５の機能および動作について説明する。

図２は、本発明の実施の形態１に係る予防保全装置５の機能ブロック図である。予防保全装置５は、プロセッサおよびメモリを備える汎用コンピュータである。図２に示す各部の機能は、メモリに記憶されたプログラムがプロセッサにより実行されることにより実現される。

実測データ取得部５１は、図１に示す各種センサ１１、１２、２１、２２、３１、３２、４１〜４４から出力された信号を周期的に入力する。実測データ取得部５１は、周期的に入力された各種信号から実測データ（操業データ）を算出して取得する。実測データは、例えば周囲温度、電流ＲＭＳ、冷却液の温度・流量などを含む。具体的には、実測データ取得部５１は、ドライブ装置１について、センサ１１の信号から盤内の温度（ドライブ装置１の周囲温度）、センサ１２の信号から半導体素子の温度、センサ３１の信号から冷却液の温度、センサ３２の信号から冷却液の流量を算出する。また、実測データ取得部５１は、電動機２について、センサ２１の信号から巻線の温度、センサ２２の信号から電流の実効値（ＲＭＳ）、センサ４１の信号から冷却液の温度、センサ４２の信号から冷却液の流量、センサ４３とセンサ４４との偏差から電動機２の周囲温度を算出する。

実測データ取得部５１は、実測データのうち異常監視の対象である監視対象データを、モデル学習部５４、異常傾向判定部５５へ出力する。また、実測データ取得部５１は、実測データのうち監視対象データ以外の監視対象関連データを、予測演算用データとして予測演算部５２へ出力する。例えば、監視対象データは、電動機２の巻線の温度である。この場合、監視対象関連データは、電動機２に流れる電流の実効値、電動機２の周囲温度、電動機冷却装置４に流れる冷却液の温度および冷却液の流量である。

予測演算部５２は、監視対象データと監視対象関連データとの関係を未知のパラメータを用いて定義した予測演算式を有する。未知のパラメータの値は、モデル学習部５４により推定される。予測演算部５２は、予測演算用データ（監視対象関連データ）を、推定されたパラメータの値を適用した予測演算式に代入して、監視対象データの予測値を算出する。

切り替え部５３は、予防保全装置５の動作状態を学習モードと予防保全モードとの間で切り替える。切り替えは、オペレータの手動、または、所定の条件成立により実行されるプログラムによる。切り替え部５３は、学習モードにおいて、予測演算用データ（監視対象関連データ）をモデル学習部５４へ出力し、予防保全モードにおいて、監視対象データの予測値を異常傾向判定部５５へ出力する。

モデル学習部５４は、学習モードにおいて実行される。モデル学習部５４は、予測演算部５２と同様に、監視対象データと監視対象関連データとの関係を未知のパラメータを用いて定義した予測演算式を有する。学習期間中に実測データ取得部５１により取得された複数の実測データ（監視対象データと監視対象関連データ）を、予測演算式に当てはめて未知のパラメータの値を推定する。学習期間中に取得された多数の実測データを用いて、監視対象データと予測演算式による監視対象データの予測値とを繰り返し比較して、予測演算式を同定する。推定されたパラメータの値は、予測演算部５２に出力される。なお、学習期間は、例えば１〜２ヶ月である。

異常傾向判定部５５は、予防保全モードにおいて実行される。異常傾向判定部５５は、監視対象データの実測値と、予測演算部５２の予測演算式を用いて算出された監視対象データの予測値との比較値に基づいて、電動機駆動システムの運転中の異常傾向を判定する。監視対象データの実測値と予測値の間に所定の偏差が生じることが、直接的にシステムの異常を示すものではないが、システムが異常傾向にあることを示す指標ではある。

異常傾向表示部５６は、異常傾向判定部５５における異常傾向の判定結果を画面等に表示する。このように、運転中のシステムの異常傾向を監視することで予防保全が可能となる。

次に、図３を参照して予防保全装置５の動作について説明する。図３は、予防保全装置５が実行する処理ルーチンのフローチャートである。

図３に示すルーチンでは、まず、実測データ取得部５１は、電動機駆動システムの運転状態における実測データを取得する（ステップＳ１００）。実測データを取得する周期は、図１に示す各種センサの検出周期と同程度である。

次に、予防保全装置５は、切り替え部５３により設定されている動作状態が学習モードであるか、予防保全モードであるか判定する（ステップＳ１１０）。

学習モードである場合、モデル学習部５４は、実測データのうち異常監視の対象である監視対象データと該監視対象データ以外の監視対象関連データとの関係を未知のパラメータを用いて定義した予測演算式に、学習期間中に実測データ取得部５１により取得された実測データを当てはめて未知のパラメータの値を推定する（ステップＳ１２０）。所定の学習期間（例えば、１〜２ヶ月）が経過するまでは、ステップＳ１００から再び処理が実行される（ステップＳ１３０）。これにより、予測演算式を同定する。推定されたパラメータの値は、予測演算部５２の予測演算式に適用される。

所定の学習期間が経過した場合、切り替え部５３は、設定されているモードを、学習モードから予防保全モードに切り替える（ステップＳ１４０）。その後、ステップＳ１００から再び処理が実行される。

ステップＳ１１０において新たな実測データが取得され、ステップＳ１１０において、予防保全モードであると判定されると、ステップＳ１５０以降の予防保全処理が実行される。

ステップＳ１５０において、予測演算部５２は、学習期間後において、実測データ取得部５１により取得された学習期間後実測データ中の監視対象関連データを予測演算式に代入して、監視対象データの予測値を算出する。

ステップＳ１６０において、異常傾向判定部５５は、学習期間後実測データ中の監視対象データの実測値とステップＳ１５０において算出された予測値との比較値に基づいて、電動機駆動システムの運転中の異常傾向を判定する。

ステップＳ１７０において、異常傾向表示部５６は、異常傾向判定部５５における異常傾向の判定結果を画面等に表示する。

以上説明したように、図３に示すルーチンによれば、学習モードにおいて、学習期間中に取得した多数の実測データに基づいて予測演算式を同定することができる。そのため、機器の個体差や周囲条件の違いに依らない予防保全装置を実現できる。また、その後の予防保全モードにおいて、運転中の電動機駆動システムから取得した実測データのうち、監視対象データの実測値と、監視対象関連データの実測値を同定した予測演算式に代入して算出した監視対象データの予測値との比較値に基づいて、運転中の異常傾向を判定できる。ここで、監視対象データの実測値と予測値の間に所定の偏差が生じることが、直接的に電動機駆動システムの異常を示すものではないが、システムが異常傾向にあることを示す指標ではある。よって、システムの異常（例えば冷却系統の異常など）の傾向を監視することで、運転中の予防保全を実施できる。

（変形例）
ところで、上述した実施の形態１の予防保全装置５においては、予測演算式により算出する監視対象データとして、電動機２の巻線の温度を例に挙げて説明したが、予測演算式はこれに限定されるものではない。例えば、予測演算式により算出する監視対象データとして、ドライブ装置１のインバータを制御する半導体素子の温度を採用してもよい。この場合、図１に示すようにドライブ装置１には、半導体素子の温度に応じた信号を出力するセンサ１２が取り付けられる。ステップＳ１２０およびステップＳ１５０において用いられる監視対象関連データは、電動機２に流れる電流の実効値、ドライブ装置１の周囲温度、ドライブ冷却装置３に流れる冷却液の温度および冷却液の流量である。なお、監視対象データとして、電動機２の巻線の温度と、ドライブ装置１のインバータを制御する半導体素子の温度の両方を採用してもよい。

１ ドライブ装置
２ 電動機
３ ドライブ冷却装置
４ 電動機冷却装置
５ 予防保全装置
１１、１２、２１、２２、３１、３２、４１、４２、４３、４４ センサ
５１ 実測データ取得部
５２ 予測演算部
５３ 切り替え部
５４ モデル学習部
５５ 異常傾向判定部
５６ 異常傾向表示部

Claims (3)

1. 電動機駆動システムの運転状態における実測データを取得する実測データ取得部と、
   実測データのうち異常監視の対象である監視対象データと該監視対象データ以外の監視対象関連データとの関係を未知のパラメータを用いて定義した予測演算式に、学習期間中に前記実測データ取得部により取得された複数の実測データを当てはめて前記未知のパラメータの値を推定するモデル学習部と、
   前記学習期間後において、前記実測データ取得部により取得された学習期間後実測データ中の監視対象関連データを前記予測演算式に代入して、監視対象データの予測値を算出する予測演算部と、
   前記学習期間後実測データ中の監視対象データと前記予測値との比較値に基づいて、前記電動機駆動システムの運転中の異常傾向を判定する異常傾向判定部と、
   を備えることを特徴とする電動機駆動システムの予防保全装置。
2. 前記電動機駆動システムは、電動機と該電動機を冷却する電動機冷却装置とを含み、
   前記監視対象データは、前記電動機の巻線の温度を含み、
   前記監視対象関連データは、前記電動機に流れる電流の実効値、前記電動機の周囲温度、前記電動機冷却装置に流れる冷却液の温度および冷却液の流量を含むこと、
   を特徴とする請求項１に記載の電動機駆動システムの予防保全装置。
3. 前記電動機駆動システムは、電動機に電気エネルギーを供給するドライブ装置と該ドライブ装置を冷却するドライブ冷却装置とを含み、
   前記監視対象データは、前記ドライブ装置を制御する半導体素子の温度を含み、
   前記監視対象関連データは、前記電動機に流れる電流の実効値、前記ドライブ装置の周囲温度、前記ドライブ冷却装置に流れる冷却液の温度および冷却液の流量を含むこと、
   を特徴とする請求項１又は２に記載の電動機駆動システムの予防保全装置。

Images