JP2020008347A - 状態診断装置及び状態診断方法 - Google Patents

Abstract

【課題】回転電気機械に対する状態監視の新たな手法を実現すること。【解決手段】例えば、回転電気機械を主電動機２０とするならば、インバータ１８と主電動機２０との間の主回路ケーブルに設けた電流センサ２２による検出電流に基づいて主電動機２０の対地漏洩電流を検出する。そして、検出した対地漏洩電流に対する周波数分析を行う。その周波数分析結果に基づいて、主電動機２０の異常を判定する。【選択図】図１

Description

本発明は、回転電気機械の状態診断装置等に関する。

鉄道車両は、安全性の維持のために定期検査が行われる。また、運行中の異常を速やかに検知し、事故を未然に防ぐことを目的として、鉄道車両に搭載されている各種機器や部品の状態を監視・診断する技術が開発・実用化されている。状態監視の手法としては、監視対象物の機器や部品それぞれに、温度センサや振動センサといった各種センサを取り付ける手法が一般的であった（例えば、特許文献１参照）。

特開２０１７−２６４２０号公報

従来の手法では、監視対象物に温度センサや振動センサといったセンサを取り付けることでその振動や温度を検知し、これに基づいて監視対象物の状態を診断している。また、監視対象物そのものにセンサを取り付けることから、各センサの検知信号を、処理を行う状態診断装置（ＣＰＵユニットなど）に入力するための新規の配線が必要となるとともに、その配線の保守も必要となり、手間であった。

特に、鉄道車両において重点的に監視すべき機器の１つが駆動用機器であり、電気車ならば、回転電気機械である主電動機が駆動用機器である。また、鉄道分野に限らず、産業応用分野においても回転電気機械は広く利用されている。そこで、本発明は、回転電気機械を監視対象物とした場合の状態監視について、従来手法とは異なる新たな手法を実現するために考案されたものである。

上記課題を解決するための第１の発明は、
可変速制御がなされる回転電気機械（例えば、図１の主電動機２０）の対地漏洩電流を検出する検出手段（例えば、図１０の漏洩電流検出部２０２）と、
前記検出された対地漏洩電流に対する周波数分析を行う分析手段（例えば、図１０の周波数分析部２０４）と、
前記分析手段の分析結果に基づいて、前記回転電気機械の異常を判定する異常判定手段（例えば、図１０の異常判定部２０６）と、
を備えた状態診断装置である。

他の発明として、
可変速制御がなされる回転電気機械の対地漏洩電流を検出することと、
前記検出された対地漏洩電流に対する周波数分析を行うことと、
前記分析手段の分析結果に基づいて、前記回転電気機械の異常を判定することと、
を含む状態診断方法を構成しても良い。

第１の発明等によれば、回転電気機械の対地漏洩電流に対する周波数分析を行い、その分析結果に基づき回転電気機械の異常を判定することができる。詳細は後述するが、回転電気機械に何からの異常が発生すると、対地漏洩電流に何らかの影響を与える知見が得られた。このため、対地漏洩電流に対する周波数分析を行うことで、対地漏洩電流の変化を検出し、回転電気機械の異常を判定することが可能となる。従来のように監視対象物に温度センサや振動センサを取り付ける必要がなく、またこれらのセンサに対する配線も不要となり、全く新しい手法を実現できる。

第２の発明は、第１の発明の状態診断装置であって、
前記異常判定手段は、前記対地漏洩電流の流路に含まれる軸受の異常を判定可能である、
状態診断装置である。

第２の発明によれば、詳細は後述するが、回転電気機械の軸受に何らかの異常が生じると、この軸受を流路に含む対地漏洩電流に変化が生じる知見が得られた。このことから、対地漏洩電流に基づき、主電動機の異常として軸受の異常を判定することが可能となる。回転電気機械に異常が生じたケースの多くが軸受に関する何らかの異常を含んでいるため、軸受の異常を判定することができる本発明は至便である。

第３の発明は、第１又は第２の発明の状態診断装置であって、
前記検出手段は、前記回転電気機械の主回路ケーブルに設けられた電流センサの検出電流に基づいて前記対地漏洩電流を検出する、
状態診断装置である。

第３の発明によれば、主回路ケーブルに設けられた電流センサの検出電流に基づいて、漏洩電流が検出されるので、状態診断のためのセンサを回転電気機械そのものに取り付ける必要がない。また、回転電気機械の対地漏洩電流は、主回路ケーブルを通じて回転電気機械に印加される電力に応じた値となるから、この主回路ケーブルに取り付けた電流センサによる検出電流に基づいて、回転電気機械の対地漏洩電流を推定的に検出することが可能である。

第４の発明は、第１〜第３の何れかの発明の状態診断装置であって、
前記異常判定手段は、前記回転電気機械の回転速度に応じた異常判定条件を用いて、前記回転電気機械の異常を判定する、
状態診断装置である。

第４の発明によれば、回転電気機械の回転速度が異なると、漏洩電流の変化の仕方が異なり得る。このため、回転速度に応じた異常判定条件を用いることで、回転電気機械の異常を適切に判定することが可能となる。

第５の発明は、第１〜第３の何れかの発明の状態診断装置であって、
前記回転電気機械は、電気車に搭載される主電動機であり、
前記異常判定手段は、前記回転電気機械の回転速度及び動作モードに応じた異常判定条件を用いて、前記回転電気機械の異常を判定する、
状態診断装置である。

第５の発明によれば、電気車に搭載される主電動機の回転速度や動作モードが異なると、漏洩電流の変化の仕方が異なり得る。このため、回転速度に応じた異常判定条件を用いることで、主電動機の異常を適切に判定することが可能となる。

第６の発明は、第４又は５の発明の状態診断装置であって、
前記分析手段は、
前記検出された対地漏洩電流から所定周波数成分を抽出し、
前記異常判定手段は、
前記抽出された所定周波数成分について、前記回転速度に応じて定められた前記異常判定条件を用いて、前記回転電気機械の異常を判定する、
状態診断装置である。

第６の発明によれば、予め、回転電気機械の構造や実験等により、異常によって変化する漏洩電流の周波数帯域が把握できる場合には、その周波数帯域の周波数成分を抽出することで、容易に回転電気機械の異常を判定することが可能となる。

第７の発明は、第１〜第３の何れかの発明の状態診断装置であって、
前記分析手段は、
前記検出された対地漏洩電流に対するオクターブバンド分析を行い、
前記異常判定手段は、
前記オクターブバンド分析の分析結果が、前記回転電気機械の既知状態に対応付けられた所定基準データに適合するか否かに基づいて、前記回転電気機械の異常を判定する、
状態診断装置である。

第７の発明によれば、オクターブバンド分析では広範囲の周波数帯域を対象とした周波数分析を行うことができるので、異常によって変化が生じる周波帯域が把握できなくとも、異常を判定することが可能である。また、既知状態として正常状態と対応付けた所定基準データとすることで、回転電気機械が正常であるか否か、つまり、異常であるか否かを判定することが可能となる。

第８の発明は、第７の発明の状態診断装置であって、
前記所定基準データは、前記回転電気機械の回転速度に応じて分類されており、
前記異常判定手段は、
前記オクターブバンド分析の分析結果が、前記回転速度に応じた前記所定基準データに適合するか否かに基づいて、前記回転電気機械の異常を判定する、
状態診断装置である。

回転電気機械の回転速度が異なると、発生した異常による漏洩電流の変化の仕方が異なり得る。このため、第８の発明によれば、回転速度に応じた所定基準データを用いることで、回転電気機械の異常を適切に判定することが可能となる。

第９の発明は、第７の発明の状態診断装置であって、
前記回転電気機械は、電気車に搭載される主電動機であり、
前記所定基準データは、前記回転電気機械の回転速度及び動作モードに応じて分類されており、
前記異常判定手段は、
前記オクターブバンド分析の分析結果が、前記回転速度及び動作モードに応じた前記所定基準データに適合するか否かに基づいて、前記回転電気機械の異常を判定する、
状態診断装置である。

電気車に搭載される主電動機の回転速度や動作モードが異なると、発生した異常による漏洩電流の変化の仕方が異なり得る。このため、第９の発明のように、回転速度や動作モードに応じた所定基準データを用いることで、主電動機の異常を適切に判定することが可能となる。

第１０の発明は、第７〜第９の何れかの発明の状態診断装置であって、
前記異常判定手段による判定結果に基づいて、前記所定基準データを更新する機械学習手段（例えば、図１０の異常判定部２０６）、
を更に備えた状態診断装置である。

第１０の発明によれば、回転電気機械が異常であるかの判定結果を既知状態として、オクターブバンド分析結果に対応付けて新たな所定基準データとして追加してゆくことで、回転電気機械を使用しながら、異常判定の精度を高めることができる。

第１１の発明は、第１〜第１０の何れかの発明の状態診断装置であって、
前記回転電気機械は、電気車に搭載される主電動機であり、
前記電気車の力行時又は回生ブレーキ時の前記対地漏洩電流に基づいて、前記回転電気機械の異常を判定する、
状態診断装置である。

第１１の発明によれば、電気車に搭載される主電動機の異常を、電気車の力行時又はブレーキ時における主電動機の対地漏洩電流に基づいて判定することができる。

状態診断装置の適用例。 主電動機の漏洩電流の流路を説明するための図。 漏洩電流から抽出した所定周波数成分の一例。 漏洩電流から抽出した所定周波数成分の一例。 第１の状態診断で用いられる主電動機の回転数と閾値との関係例。 第２の状態診断で用いられるテストデータの算出の説明図。 ＮＮＤＤ法による異常判定の説明図。 第２の状態診断による判定結果の一例。 第２の状態診断による判定結果の一例。 状態診断装置の機能構成図。 閾値テーブルの一例。 状態診断処理のフローチャート。

以下、図面を参照して本発明の好適な実施形態について説明する。なお、以下に説明する実施形態によって本発明が限定されるものではなく、本発明を適用可能な形態が以下の実施形態に限定されるものでもない。また、図面の記載において、同一要素には同一符号を付す。

［概要］
図１は、本実施形態における状態診断装置１の適用例であり、状態診断装置１が搭載された交流電気車の主回路構成を示している。図１に示すように、状態診断装置１は、交流電気車に搭載されて使用される装置であり、電流センサ２２の検出電流に基づいて、交流電気車に搭載された回転電気機械の一種である主電動機２０の異常を判定するといった状態診断を行う。

交流電気車では、パンタグラフ１０によって架線から受電された単相交流電力である架線電力が、主変圧器１２によって変圧された後、主変換装置１４によって三相交流電力に変換され、駆動電力として主電動機２０に供給される。主変換装置１４は、コンバータ１６と、インバータ１８とを有する。コンバータ１６は、ＰＷＭ方式のコンバータであり、主変圧器１２による変圧された単相交流電力を直流電力に変換する。インバータ１８は、ＰＷＭ方式のインバータであり、コンバータ１６から出力される直流電力を、任意の周波数及び電圧を有する三相交流電力に変換する。インバータ１８が出力する三相交流電力の周波数を制御することで、主電動機２０の回転数を可変に制御（可変速制御）することができる。

主電動機２０は、三相誘導電動機であり、力行時には、インバータ１８から供給される三相交流電力によって駆動され、回生時には、発電機として動作し、発生した回生電力をインバータ１８へ出力する。なお、図１では、１台のインバータ１８によって台車２台分の合計４台の主電動機２０を駆動する、いわゆる１Ｃ４Ｍ方式の交流電気車の例を示しているが、１Ｃ２Ｍ方式や１Ｃ１Ｍ方式など、これ以外の方式であっても良い。

電流センサ２２は、主変換装置１４内であって、インバータ１８と主電動機２０との間の主回路ケーブルに設けられている。図１では、１台のインバータ１８によって４台の主電動機２０を駆動する例を示しているが、電流センサ２２は、これらの４台の主電動機２０それぞれに対応して設けられる。電流センサ２２は、例えばクランプ方式の電流センサとして実現可能であり、配線済みの主回路ケーブルの外側から取り付けることで、主回路ケーブルに流れる三相交流電流を検出する。従って、状態診断のために必要となるセンサの取り付けは主変換装置１４内で完結するため、遠隔的に主電動機２０の状態を診断することが可能となる。すなわち、監視対象物である主電動機２０にセンサを取り付ける必要はない。

状態診断装置１は、主電動機２０それぞれについて、対応する電流センサ２２による検出電流に基づいて当該主電動機２０の漏洩電流を検出し、この漏洩電流を用いて状態診断を行う。また、状態診断装置１は、制御ボード（いわゆるＣＰＵボード）として構成することができるため、コンバータ１６内やインバータ１８内、すなわち主変換装置１４内に実装することが可能である。電流センサ２２の設置、及び、電流センサ２２と状態診断装置１間の配線は、全て主変換装置１４内で完結することができる。

主電動機２０の漏洩電流は、主電動機２０を駆動するインバータ１８のスイッチング動作に起因して生じる対地漏洩電流である。すなわち、インバータ１８は、ＩＧＢＴ（Insulated Gate Bipolar Transistor）やＧＴＯ（Gate Turn-Off thyristor）といった半導体スイッチング素子を、ＰＷＭ（Pulse Width Modulation：パルス幅変調）信号によってオンオフ制御することで、直流電力を任意の周波数及び電圧を有する三相交流電力に変換して出力するが、スイッチング動作によって、ＰＷＭ信号に同期した高周波のコモンモード電圧を発生する。このインバータ１８が発生するコモンモード電圧によって、主電動機２０の固定子巻線の中性点電位がゼロにならず、主電動機２０内部の浮遊容量を介して、固定子巻線からレールに高周波の対地漏洩電流が流れることになる。

図２は、主電動機２０の漏洩電流の流路を説明するための台車の概略平面図を示している。図２では、台車枠に２本の車軸それぞれを回転駆動する２台の主電動機２０が備えられた動輪２軸の台車を示している。主電動機２０の漏洩電流の流路として、次の２つの経路が考えられる。１つ目の経路は、主電動機２０の固定子巻線から、固定子２０１、主電動機２０のフレーム２０３、台車枠２５１、車軸軸受、車軸２５４、車輪２５５を経由してレールに至る経路であり、２つ目の経路は、固定子巻線から、固定子２０１、固定子フレーム２０３、電動機軸受２０５、回転軸２０６、継手２１１、歯車装置２２１、車軸２５４、車輪２５５を経由してレールに至る経路である。

主電動機２０が故障するケースの多くに、電動機軸受２０５の故障が含まれる。漏洩電流の経路に含まれる電動機軸受２０５に何らかの異常が生じると、電動機軸受２０５に係るインピーダンスの変化によって、主電動機２０の漏洩電流に変化が生じる。このことから、本実施形態では、主電動機２０の漏洩電流を用いて、電動機軸受２０５の異常を判定するといった主電動機２０の状態診断を行う。

主電動機２０の漏洩電流は、インバータ１８が発生するコモンモード電圧によって生じる。インバータ１８から主電動機２０までは電気的に接続された回路であることから、電動機軸受２０５に係るインピーダンスの変化によって、漏洩電流とともに、コモンモード電流も変化すると考えられる。このことから、本実施形態では、主変換装置１４内に設けた電流センサ２２によってコモンモード電流を検出し、これを漏洩電流に相当するとして用いることで、主電動機２０の状態診断を行う。電流センサ２２を主変換装置１４内に設けることで、新たに必要な配線は主変換装置１４内の配線のみとなり、主電動機２０周りに新たな配線をする必要がないため、実用性が向上する。

［状態診断］
次に、状態診断装置１による主電動機２０の状態診断について説明する。先ず、電流センサ２２による検出電流である三相交流電流の和を求め、これを、主電動機２０の漏洩電流とする。そして、時系列の漏洩電流のデータ（以下、漏洩電流データという）に対して、次の２種類の手法による状態診断を行う。

（Ａ）第１の状態診断
第１の状態診断として、漏洩電流データに対する第１の周波数分析を行う。具体的には、漏洩電流データから所定周波数成分を抽出し、これを主電動機２０の回転数（回転速度ともいえる）に応じた閾値と比較することで、主電動機２０の状態診断を行う。所定の閾値以上であること、を異常判定条件として、抽出した周波数成分が異常判定条件を満たすか否かによって、主電動機２０（具体的には、電動機軸受２０５）が異常であるか否かを判定する。

図３，図４は、実験結果を示す図であり、具体的には、実験によって得られた主電動機２０の漏洩電流データから抽出した、中心周波数を１１６０Ｈｚとする１１２７Ｈｚ〜１１９３Ｈｚの周波数帯域の周波数成分を示している。また、主電動機２０の回転数が異なる複数の場合について実験を行った。図３（ａ）は、回転数が９００［ｒｐｍ］の場合を示し、図３（ｂ）は、回転数が１８００［ｒｐｍ］の場合を示し、図３（ｃ）は、回転数が２７００［ｒｐｍ］の場合を示し、図４（ａ）は、回転数が３６００［ｒｐｍ］の場合を示し、図４（ｂ）は、回転数が４５００［ｒｐｍ］の場合を示し、図４（ｃ）は、回転数が５４００［ｒｐｍ］の場合を示している。

また、１つの回転数について、主電動機２０の状態を正常状態及び異常状態の２種類の状態とした場合について実験を行った。正常状態については２回の実験を行い、それぞれの結果を実線及び細点線で示しており、異常状態については１回の実験を行い、その結果を太点線で示している。異常状態は、電動機軸受の内輪に意図的に傷を付けることで模擬した状態とした。

図３，図４によれば、電動機軸受が異常状態の場合には正常状態とは漏洩電流が異なることが分かった。また、主電動機２０の回転数が異なると漏洩電流データから抽出される所定周波数成分が異なることから、主電動機２０の回転数が異なると漏洩電流が異なることが分かった。また、何れの回転数についても、正常状態と異常状態とでは、漏洩電流データから抽出される周波数成分の実効値が異なる。この正常状態と異常状態との周波数成分実効値の違いから、例えばその中間値を、両状態を識別するための閾値として定めることができる。

図５は、主電動機２０の回転数と閾値との関係の一例である。図５では、一例として、所定周波数成分を、中心周波数を１１６０Ｈｚとする１１２７Ｈｚ〜１１９３Ｈｚの周波数帯域の周波数成分とした場合の例を示している。また、横軸を回転数、縦軸を閾値として、実験によって得られた複数の回転数別の閾値をプロットして作成したグラフを示している。図５に示すように、主電動機２０の回転数に応じて異なる閾値が定められている。これは、図３，図４を参照して上述した通り、主電動機２０の回転数によって漏洩電流が変化するからである。

（Ｂ）第２の状態診断
第２の状態診断として、漏洩電流データに対する第２の周波数分析を行う。具体的には、漏洩電流データに対するオクターブバンド分析を行ってテストデータを生成し、機械学習の手法を利用することで、主電動機２０の状態診断を行う。

図６は、テストデータの算出を説明する図である。図６に示すように、先ず、時系列データとして得られる漏洩電流データに対するオクターブバンド分析を行う。オクターブバンド分析では、漏洩電流データに対する所定のバンドパスフィルタ処理を連続的に行うことで、所定の単位期間Δｔ毎のオクターブバンド分析結果として、周波数帯域（オクターブバンド）毎の電流の大きさ（電流実効値）を得る。次いで、この単位期間Δｔ毎のオクターブバンド分析結果に対する主成分分析を行い、得られた主成分からなるベクトルを特徴ベクトルとする。つまり、単位期間Δｔ毎に１つの特徴ベクトルが得られることになり、この特徴ベクトルをテストデータとする。

また、オクターブバンド分析を行った単位期間Δｔにおける主電動機２０の回転数、及び、動作モードを取得し、当該単位期間Δｔに該当する特徴ベクトルに対応付けておく。主電動機２０の回転数は、例えば、当該主電動機２０が搭載された電気車の走行速度から推定できる。動作モードとは、力行、惰行及びブレーキの運転操作と、そのノッチ数の組み合わせであり、例えば“力行５ノッチ”といったように設定される。

主電動機２０が既知状態であるときの漏洩電流データに対するオクターブバンド分析を行って得られた特徴ベクトルの集合を、当該既知状態に対応する所定基準データである学習データとする。そして、テストデータが学習データに適合するか否かを判定することで、主電動機２０が既知状態であるか否かを判定する。

より具体的には、正常状態を既知状態とし、機械学習の手法として近傍法の一種であるＮＮＤＤ（Nearest Neighbor Data Description）法を利用する場合について説明する。図７は、ＮＮＤＤ法による異常判定の概要を説明する図である。図７に示すように、ＮＮＤＤ法では、特徴ベクトルを多次元空間上の１点と考える。診断対象の主電動機２０が正常状態であるときの漏洩電流データに基づく特徴ベクトルを学習データとし、これらの集合である学習データ群Ｇの中から、テストデータＸに最も近い学習データＡを探す。そして、テストデータＸと学習データＡとの間の距離を基準距離で除した値（比）を求め、テストデータＸが学習データ群Ｇに対して非類似、すなわち異常であるか否かを判定する。テストデータＸが異常である場合、テストデータＸと学習データＡとの間の距離が大きくなるため、求めた値（比）は、異常か否かの程度を示す異常度（指標値）といえる。

より具体的な実現手法の例としては、テストデータＸに最も近い学習データＡのみではなく、ｋ番目（ｋ＝１〜ｋ_ＮＮ）に近いｋ_ＮＮ個の学習データを用いて、学習データ群Ｇに対してテストデータＸが異常であるか否かを判定する。具体的には、次式（１）に示す異常度算出関数ｆ（Ｘ）に従い、テストデータＸの異常度ｆを求める。

式（１）において、「ｄ_ｋ」は、テストデータＸにｋ番目に近い学習データに対する基準距離である。基準距離ｄ_ｋは、次のように定められる。すなわち、学習データそれぞれについて、ｋ番目に近い他の学習データとの距離を算出し、算出したこれらの距離を小さい順に並べたときに９９％の順位に位置する学習データとの距離を特定して、これを、ｋ番目に近い学習データに対する基準距離ｄ_ｋとする。また、「ＮＮ_ｋ（Ｘ）」は、テストデータＸにｋ番目に近い学習データである。そして、式（１）の異常度算出関数ｆ（Ｘ）で求めた異常度ｆが正値であればテストデータＸを異常と判定し、異常度ｆが負値であればテストデータＸを正常と判定する。

図８，図９は、第２の状態診断による判定結果の一例である。図８，図９は、何れも、横軸を異常度、縦軸を度数として、異常度別の度数分布を示している。具体的には、実験によって得られた主電動機２０の漏洩電流データに対するオクターブバンド分析を行って複数のテストデータを生成し、これら複数のテストデータそれぞれについて、予め用意された学習データを用いたＮＮＤＤ法により、式（１）に従って異常度ｆを求めた。“学習データ”としては、主電動機２０が“正常状態”であるときの漏洩電流データに基づく特徴ベクトルの集合とした。そして、複数のテストデータを異常度ｆで分類することで得られる異常度毎のテストデータの数が、図８，図９における縦軸の度数である。

また、主電動機２０の回転数が異なる複数の場合について実験を行った。具体的には、図８（ａ）は、回転数が９００［ｒｐｍ］の場合を示し、図８（ｂ）は、回転数が１８００［ｒｐｍ］の場合を示し、図８（ｃ）は、回転数が２７００［ｒｐｍ］の場合を示し、図９（ａ）は、回転数が３６００［ｒｐｍ］の場合を示し、図９（ｂ）は、回転数が４５００［ｒｐｍ］の場合を示し、図９（ｃ）は、回転数が５４００［ｒｐｍ］の場合を示している。

また、１つの回転数について、主電動機２０の状態を正常状態及び異常状態の２種類の状態とした場合について実験を行った。正常状態の実験結果については実線で示し、異常状態の実験結果については、点線で示している。異常状態は、上述の第１の状態診断の場合と同様に、電動機軸受の内輪に意図的に傷を付けることで模擬した状態である。

式（１）で求められる異常度ｆは、テストデータＸが示す主電動機２０の状態として、負値ならば“正常”、正値ならば“異常”であることを示している。従って、図８，図９によれば、主電動機２０が“正常状態”である実験結果（実線のグラフ）に着目すると、全ての回転数で、異常度ｆが負値となっており、主電動機２０の状態を“正常”と正しく判定していることがわかる。一方、主電動機２０が“異常状態”である実験結果（点線のグラフ）に着目すると、回転数によって判定結果に違いが生じている。すなわち、回転数が“１８００ｒｐｍ”以下では、殆どのテストデータについての異常度ｆが負値となり、主電動機２０の状態を“正常”と間違って判定する可能性がある。しかし、回転数が“２７００ｒｐｍ”以上では、殆どのテストデータについての異常度ｆが正値となり、主電動機２０の状態を“異常”と正しく判定することができる。更に、回転数が高くなるにつれて、異常度ｆの値が大きくなっており、より明確に、主電動機２０が異常状態であると判定できることがわかる。本実験で使用した主電動機２０は、５４００ｒｐｍでの回転が可能であることから分かる通り、通常の使用形態において、２７００ｒｐｍ以上で使用する場合が多々ある。このため、１８００ｒｐｍ以下では診断せず、２７００ｒｍｐ以上でのみ診断を行うこととしても、十分な有用性がある。

［機能構成］
図１０は、状態診断装置１の機能構成図である。図１０によれば、状態診断装置１は、操作部１０２と、表示部１０４と、音出力部１０６と、通信部１０８と、処理部２００と、記憶部３００とを備え、一種のコンピュータシステムとして構成される。例えば、上述した通り、状態診断装置１を制御ボード（いわゆるＣＰＵボード）として構成することも可能である。

操作部１０２は、例えばキーボードやマウス、タッチパネル、各種スイッチ等で実現される入力装置であり、操作入力に応じた操作信号を処理部２００に出力する。表示部１０４は、例えば液晶ディスプレイや有機ＥＬディスプレイ等で実現される表示装置であり、処理部２００からの表示信号に基づく各種表示を行う。音出力部１０６は、例えばスピーカ等で実現される音出力装置であり、処理部２００からの音声信号に基づく各種音声出力を行う。状態診断装置１を制御ボードとして構成する場合には、状態診断装置１の管理作業等の必要に応じて、操作部１０２、表示部１０４、音出力部１０６を接続／取り外し可能に構成すると好適である。通信部１０８は、例えば無線通信モジュール、有線用の通信ケーブルのジャックや制御回路等で実現される通信装置であり、外部装置との間でデータ通信を行う。

処理部２００は、例えばＣＰＵ（Central Processing Unit）等の演算装置で実現され、記憶部３００に記憶されたプログラムやデータに従って、電流センサ２２による検出電流を用いて、回転電気機械である主電動機２０の状態診断を行う。状態診断を行うための機能部として、処理部２００は、漏洩電流検出部２０２と、周波数分析部２０４と、異常判定部２０６と、を有する。これらの機能部は、プログラムを実行することによりソフトウェアとして実現される処理ブロックであっても良いし、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等のハードウェア回路によって実現される回路ブロックであっても良い。本実施形態では、状態診断プログラム３０２を実行することによりソフトウェアとして実現される処理ブロックとして説明する。

また、処理部２００は、状態診断の対象となる主電動機２０に関するデータを、主電動機データ３１０として管理している。主電動機データ３１０は、主電動機２０毎に生成されるデータであり、該当する主電動機２０の識別情報である主電動機ＩＤ３１２と、設置箇所情報３１４と、第１診断用データ３２０と、第２診断用データ３３０と、走行データ３４０と、を格納している。

設置箇所情報３１４は、該当する主電動機２０の鉄道車両における設置箇所に関する情報であり、何れの車両の何れの台車の何れの車軸の駆動用であるかといった内容を含む。

第１診断用データ３２０は、第１の状態診断に用いられるデータであり、周波数成分を抽出する周波数帯域と、閾値テーブルと、を含む。閾値テーブルは、図１１に示すように、動作モード毎に用意され、主電動機２０の回転数と、閾値と、を対応付けて格納している。

第２診断用データ３３０は、第２の状態診断に用いられるデータであり、動作モード、及び、主電動機２０の回転数の組み合わせそれぞれに対応付けた複数の正常データ群を含む。正常データ群は、該当する主電動機２０が正常状態であるときの漏洩電流データに対するオクターブバンド分析によって得られた特徴ベクトルの集合である。

走行データ３４０は、状態診断装置１が搭載された鉄道車両による走行に関するデータであり、１回の走行毎に生成され、当該走行の開始時点及び終了時点の日時を示す走行期間と、漏洩電流データと、診断データと、総合診断結果と、を格納している。ここで、１回の走行（１走行）とは、ある程度の長さに亘る期間での走行であり、例えば、当該車両の運用が割り当てられた列車に係る始発駅から終着駅までの走行や、１日の走行とすることができる。

漏洩電流データは、漏洩電流検出部２０２によって検出された主電動機２０の漏洩電流の、走行期間に亘る時系列のデータである。

診断データは、漏洩電流データを用いた状態診断に関するデータであり、当該走行における単位期間Δｔ毎に生成され、当該単位期間Δｔの開始時点及び終了時点の日時を示す単位期間と、動作モードと、走行速度と、主電動機２０の回転数と、周波数分析部２０４による当該単位期間Δｔの漏洩電流データに対するオクターブバンド分析結果と、第１の状態診断の結果である第１診断結果と、第２の状態診断の結果である第２診断結果と、を格納している。

総合診断結果は、当該１走行における当該主電動機２０に対する総合的な診断結果であり、単位期間Δｔ毎の第１診断結果及び第２診断結果に基づいて判定される。

漏洩電流検出部２０２は、インバータ１８と主電動機２０との間の主回路ケーブルに設けられた電流センサ２２の検出電流に基づいて、当該主電動機２０の対地漏洩電流（以下適宜「漏洩電流」と略称する。）を検出する。電流センサ２２による検出電流は三相交流電流の和であるので、この三相交流電流の和の実効値を求めて漏洩電流を検出する。

周波数分析部２０４は、漏洩電流検出部２０２によって検出された漏洩電流（対地漏洩電流）に対する周波数分析を行う。すなわち、第１の状態診断のための周波数分析として、単位期間Δｔ毎に、漏洩電流データから、第１診断用データ３２０で定められる抽出周波数帯域の周波数成分を抽出する。なお、当該単位期間Δｔのオクターブバンド分析結果から、抽出周波数帯域の周波数成分を抽出するようにしても良い。また、第２の状態診断のための周波数分析として、漏洩電流データに対するオクターブバンド分析を行い、単位期間Δｔ毎に、オクターブバンド分析結果に対する主成分分析を行って特徴ベクトルを算出する。

異常判定部２０６は、周波数分析部２０４による分析結果に基づいて、主電動機２０の異常を判定する状態診断を行う。すなわち、第１の状態診断として、単位期間Δｔ毎に、第１診断用データ３２０で定められる閾値テーブルを参照して、当該単位期間Δｔの動作モード、及び、主電動機２０の回転数の組み合わせに対応する閾値を判断し、この閾値を超えることを異常判定条件として、周波数分析部２０４によって抽出された当該単位期間Δｔの所定周波数成分が異常判定条件を満たすか否かによって、主電動機２０が“異常”であるか“正常”であるかを判定する。

また、第２の状態診断として、単位期間Δｔ毎に、周波数分析部２０４によって求められた特徴ベクトルをテストデータＸとし、第２診断用データ３３０で定められる当該単位期間Δｔの動作モード、及び、主電動機２０の回転数の組み合わせに対応する正常データ群を所定基準データである学習データ群として、テストデータＸが学習データ群に適合するか否かに基づいて、主電動機２０の異常を判定する。より具体的には、機械学習の手法の１つであるＮＮＤＤ法を用いるならば、式（１）の異常度算出関数ｆ（Ｘ）に従って、テストデータＸの異常度ｆを求め、求めた異常度ｆが正値であれば“異常”と判定し、異常度ｆが負値であれば“正常”と判定する。そして、異常判定部２０６は、第２の状態診断によって“正常”と判断したならば、テストデータＸとした特徴ベクトルを、該当する正常データ群に追加する。

更に、異常判定部２０６は、１走行分の第１の状態診断の診断結果、及び、第２の状態診断の診断結果に基づいて、主電動機２０の状態を総合的に判定する。例えば、第１の状態診断の診断結果、及び、第２の状態診断のそれぞれについて、単位期間Δｔ毎の診断結果を時系列のデータとして、所定期間（所定回数）以上連続して“異常”と判定している場合や、或いは、１走行分の診断回数に対する“異常”と判定した回数の割合が所定割合以上である場合に、当該診断による判定結果を“異常”とする。そして、第１の状態診断及び第２の状態診断の両方或いは少なくとも一方の状態診断において“異常”と判定した場合に、総合的な判定結果として、主電動機２０が“異常”であると判定する。

記憶部３００は、ＲＯＭ（Read Only Memory）やＲＡＭ（Random Access Memory）、ハードディスク等の記憶装置で実現され、処理部２００が状態診断装置１を統括的に制御するためのプログラムやデータを記憶するとともに、処理部２００の作業領域として用いられ、処理部２００が各種プログラムに従って実行した演算結果や、操作部１０２や通信部１０８からの入力データが一時的に格納される。本実施形態では、記憶部３００には、状態診断プログラム３０２と、主電動機データ３１０と、が記憶される。

［処理の流れ］
図１２は、状態診断処理の流れを説明するフローチャートである。この処理は、処理部２００が状態診断プログラム３０２を実行することで実現される処理であり、状態診断装置１が搭載された鉄道車両の１回の走行（１走行）に対して実行される。

状態診断処理では、先ず、漏洩電流検出部２０２が、主電動機２０の漏洩電流の検出を開始する（ステップＳ１）。そして、所与の診断開始タイミングとなったならば（ステップＳ３：ＹＥＳ）、周波数分析部２０４が、漏洩電流データに対するオクターブバンド分析を開始する（ステップＳ５）。ここで、診断開始タイミングは、例えば、停車駅から出発した後、所定時間（例えば、５秒）が経過したタイミングや、ノッチ（力行ノッチやブレーキノッチ）が所定ノッチとなったタイミング、所定の運転操作となったタイミング、所定のキロ程位置を通過したタイミング、等とすることができる。

続いて、単位期間Δｔ毎に、ループＡの繰り返し処理を行う。ループＡの繰り返し処理として、周波数分析部２０４が、当該単位期間Δｔのオクターブバンド分析結果から、所定の周波数帯域の周波数成分（所定周波数成分）を抽出する（ステップＳ７）。次いで、異常判定部２０６が、抽出された漏洩電流の周波数成分を、当該単位期間Δｔの動作モード、及び、主電動機２０の回転数の組み合わせに対応する閾値と比較することで、主電動機２０の状態が異常であるか否かを判定する第１の状態診断を行う（ステップＳ９）。

また、周波数分析部２０４が、当該単位期間Δｔのオクターブバンド分析結果に対する主成分分析を行って特徴ベクトルを生成する（ステップＳ１１）。そして、異常判定部２０６が、生成された特徴ベクトルをテストデータとし、当該単位期間Δｔの動作モード、及び、主電動機２０の回転数の組み合わせに対応する正常時データを学習データとして、ＮＮＤＤ法等の機械学習の手法によって、主電動機２０の状態が異常であるか正常であるかを判定する第２の状態診断を行う（ステップＳ１３）。

このループＡの処理は、所与の診断終了タイミングとなるまで繰り返し行われる。診断終了タイミングは、例えば、停車駅に停車したタイミングといったように、診断開始タイミングに応じて定められる。

ループＡの処理が終了すると、周波数分析部２０４が、漏洩電流データに対するオクターブバンド分析を終了する（ステップＳ１７）。続いて、処理部２００は、定められた１回の走行が終了したかを判断し、終了していないならば（ステップＳ１９：ＮＯ）、ステップＳ３に戻り、同様の処理を繰り返す。

１回の走行が終了したならば（ステップＳ１９：ＹＥＳ）、異常判定部２０６が、単位期間Δｔ毎の第１の状態診断、及び、第２の状態診断の診断結果に基づき、当該走行における主電動機２０の状態を総合的に判定する（ステップＳ２１）。以上の処理を行うと、状態診断処理は終了となる。

［作用効果］
このように、本実施形態によれば、回転電気機械の一種である主電動機２０の漏洩電流に対する周波数分析を行い、その分析結果に基づき主電動機２０の異常を判定することができる。また、主電動機２０の漏洩電流は、インバータ１８が発生するコモンモード電圧によって生じるので、主変換装置１４内であってインバータ１８と主電動機２０との間の主回路ケーブルに設けた電流センサ２２による検出電流によって、主電動機２０の漏洩電流を容易に検出することが可能である。すなわち、従来のように監視対象物である主電動機２０に温度センサや振動センサを取り付ける必要がなく、またこれらのセンサに対する配線も不要となり、全く新しい手法を実現できる。

なお、本発明の適用可能な実施形態は上述の実施形態に限定されることなく、本発明の趣旨を逸脱しない範囲で適宜変更可能なのは勿論である。

（Ａ）状態診断装置１
上述の実施形態では、状態診断装置１は鉄道車両に搭載されるとしたが、状態診断装置１の一部又は全部の機能を、地上側の外部装置が担うこととしても良い。例えば、オクターブバンド分析によってデータ量を大幅に削減できることから、漏洩電流データに対するオクターブバンド分析までの処理（すなわち、漏洩電流検出部２０２、及び、周波数分析部２０４）を車上側の装置（車上装置）で行い、以降の処理（すなわち、異常判定部２０６）を地上側の装置（地上装置）で行うようにすることができる。この場合、車上装置と地上装置とで状態診断装置１が構成されることになり、車上装置と地上装置との間のデータ通信は、鉄道車両の走行中に、無線通信網を介して車上装置から地上装置へ送信することにしても良いし、或いは、走行中は検出した漏洩電流データ、或いは、当該漏洩電流に対するオクターブバンド分析結果を車上装置において蓄積記憶しておき、走行終了後に、有線通信や無線通信によって車上装置から地上装置へ送信するようにしても良い。

（Ｂ）状態診断の実行
また、漏洩電流に基づく状態診断は、インバータ１８による主電動機２０の制御（可変速制御）がなされる力行時或いは回生ブレーキ時に行うことにしても良い。惰行時には主電動機２０の制御がなされない、つまり、インバータ１８が停止して主電動機２０に駆動電力が供給されないため、主電動機２０の漏洩電流を検出できないと考えられるためである。状態診断処理（図１２参照）において、診断開始タイミング（ステップＳ３）を、鉄道車両の動作モードがだ行から力行又は回生に移行したこととし、診断終了タイミング（ステップＳ１５）を、鉄道車両の動作モードが力行又は回生からだ行に移行したこととすることで、実現できる。

また、漏洩電流に基づく状態診断を、主電動機２０の回転数が所定数以上である場合に行うことにしても良い。例えば、図３，図４に示した実験結果によれば、主電動機２０の正常状態と異常状態とでは漏洩電流データから抽出される所定周波数成分が異なるが、主電動機２０の回転数が高くなるほど、その違いが大きくなる。また、図８，９に示した実験結果によれば、主電動機２０の異常状態に着目すると、主電動機２０の回転数が１８００ｒｐｍ以下では、殆どのテストデータについての異常度ｆが負値となり、主電動機２０の状態を“正常”と間違って判定する可能性がある。しかし、回転数が２７００ｒｐｍ以上では、殆どのテストデータについての異常度ｆが正値となり、主電動機２０の状態を“異常”と正しく判定することができる。更に、回転数が高くなるにつれて、異常度ｆの値が大きくなっており、より明確に主電動機２０が異常状態であると判定していることがわかる。このことから、例えば、本実験で使用した主電動機２０についていえば、回転数が２７００ｒｍｐ以上である場合に状態診断を行うようにすることが望ましいといえる。

なお、主電動機２０の回転数は、当該主電動機２０を搭載した列車の走行速度から推定的に求めることができる。そして、状態診断処理（図１２参照）において、診断開始タイミング（ステップＳ３）を、鉄道車両の走行速度が、主電動機２０の所定回転数に相当する速度以上となったこととし、診断終了タイミング（ステップＳ１５）を、鉄道車両の走行速度が、主電動機２０の所定回転数に相当する速度を下回ったこととすることで、実現できる。

また、漏洩電流に基づく状態診断は、所定の動作モード（例えば、“力行最大ノッチ”）のときのみに行うようにしても良い。この場合には、状態診断処理（図１２参照）において、診断開始タイミング（ステップＳ３）を、鉄道車両の動作モードが所定動作モード（例えば、“力行最大ノッチ”）に移行したこととし、診断終了タイミング（ステップＳ１５）を、鉄道車両の動作モードが所定動作モードからそれ以外の動作モードに移行したこととすることで、実現できる。また、第１診断用データ３２０の閾値テーブル、及び、第２診断用データ３３０の正常データ群は、該当する動作モード（この例の場合は“力行最大ノッチ”）に対応するデータのみが用意されていれば良く、各単位期間Δｔにおける主電動機２０の回転数に対応するデータ（第１診断ならば閾値、第２診断ならば正常時データ）を用いて、主電動機２０の状態診断を行うことができる。

（Ｃ）回転電気機械
また、上述の実施形態では、診断対象となる回転電気機械を電気車における主電動機２０としたが、自動車やオートバイ等の他の車両に搭載される電動機や、昇降機（エレベータ）や産業用機械等に搭載される電動機、発電機など、可変速制御される回転電気機械であれば、何れも監視対象物として状態診断を行うことができる。

昇降機や産業用機械等に搭載される電動機は単一の動作モードで使用されることが多く、このような場合には、上述した電気車に係る動作モードは不用であるから、第１診断用の閾値テーブル及び第２診断用の正常データ群を動作モード別に用意する必要はない。
そして、電動機の状態診断は、各単位期間Δｔにおける電動機の回転数に対応するデータ（第１診断ならば閾値、第２診断ならば正常時データ）を用いて行うことができる。

１…状態診断装置
２００…処理部
２０２…漏洩電流検出部
２０４…周波数分析部
２０６…異常判定部
３００…記憶部
３０２…状態診断プログラム
３１０…主電動機データ
２０…主電動機
２２…電流センサ

Claims (12)

1. 可変速制御がなされる回転電気機械の対地漏洩電流を検出する検出手段と、
   前記検出された対地漏洩電流に対する周波数分析を行う分析手段と、
   前記分析手段の分析結果に基づいて、前記回転電気機械の異常を判定する異常判定手段と、
   を備えた状態診断装置。
2. 前記異常判定手段は、前記対地漏洩電流の流路に含まれる軸受の異常を判定可能である、
   請求項１に記載の状態診断装置。
3. 前記検出手段は、前記回転電気機械の主回路ケーブルに設けられた電流センサの検出電流に基づいて前記対地漏洩電流を検出する、
   請求項１又は２に記載の状態診断装置。
4. 前記異常判定手段は、前記回転電気機械の回転速度に応じた異常判定条件を用いて、前記回転電気機械の異常を判定する、
   請求項１〜３の何れか一項に記載の状態診断装置。
5. 前記回転電気機械は、電気車に搭載される主電動機であり、
   前記異常判定手段は、前記回転電気機械の回転速度及び動作モードに応じた異常判定条件を用いて、前記回転電気機械の異常を判定する、
   請求項１〜３の何れか一項に記載の状態診断装置。
6. 前記分析手段は、
   前記検出された対地漏洩電流から所定周波数成分を抽出し、
   前記異常判定手段は、
   前記抽出された所定周波数成分について、前記回転速度に応じて定められた前記異常判定条件を用いて、前記回転電気機械の異常を判定する、
   請求項４又は５に記載の状態診断装置。
7. 前記分析手段は、
   前記検出された対地漏洩電流に対するオクターブバンド分析を行い、
   前記異常判定手段は、
   前記オクターブバンド分析の分析結果が、前記回転電気機械の既知状態に対応付けられた所定基準データに適合するか否かに基づいて、前記回転電気機械の異常を判定する、
   請求項１〜３の何れか一項に記載の状態診断装置。
8. 前記所定基準データは、前記回転電気機械の回転速度に応じて分類されており、
   前記異常判定手段は、
   前記オクターブバンド分析の分析結果が、前記回転速度に応じた前記所定基準データに適合するか否かに基づいて、前記回転電気機械の異常を判定する、
   請求項７に記載の状態診断装置。
9. 前記回転電気機械は、電気車に搭載される主電動機であり、
   前記所定基準データは、前記回転電気機械の回転速度及び動作モードに応じて分類されており、
   前記異常判定手段は、
   前記オクターブバンド分析の分析結果が、前記回転速度及び動作モードに応じた前記所定基準データに適合するか否かに基づいて、前記回転電気機械の異常を判定する、
   請求項７に記載の状態診断装置。
10. 前記異常判定手段による判定結果に基づいて、前記所定基準データを更新する機械学習手段、
    を更に備えた請求項７〜９の何れかに記載の状態診断装置。
11. 前記回転電気機械は、電気車に搭載される主電動機であり、
    前記電気車の力行時又は回生ブレーキ時の前記対地漏洩電流に基づいて、前記回転電気機械の異常を判定する、
    請求項１〜１０の何れか一項に記載の状態診断装置。
12. 可変速制御がなされる回転電気機械の対地漏洩電流を検出することと、
    前記検出された対地漏洩電流に対する周波数分析を行うことと、
    前記分析手段の分析結果に基づいて、前記回転電気機械の異常を判定することと、
    を含む状態診断方法。

Images