JP2997571B2 - 監視診断装置 - Google Patents

監視診断装置

Info

Publication number
JP2997571B2
JP2997571B2 JP3169587A JP16958791A JP2997571B2 JP 2997571 B2 JP2997571 B2 JP 2997571B2 JP 3169587 A JP3169587 A JP 3169587A JP 16958791 A JP16958791 A JP 16958791A JP 2997571 B2 JP2997571 B2 JP 2997571B2
Authority
JP
Japan
Prior art keywords
abnormal
output
neural
neural network
input
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.)
Expired - Lifetime
Application number
JP3169587A
Other languages
English (en)
Other versions
JPH06194403A (ja
Inventor
良夫 泉井
能彬 穐本
秀雄 田中
宏美 荻
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tokyo Electric Power Co Inc
Mitsubishi Electric Corp
Original Assignee
Tokyo Electric Power Co Inc
Mitsubishi Electric Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tokyo Electric Power Co Inc, Mitsubishi Electric Corp filed Critical Tokyo Electric Power Co Inc
Priority to JP3169587A priority Critical patent/JP2997571B2/ja
Priority to CA002073385A priority patent/CA2073385C/en
Priority to US07/911,068 priority patent/US5305235A/en
Priority to BR929202581A priority patent/BR9202581A/pt
Publication of JPH06194403A publication Critical patent/JPH06194403A/ja
Application granted granted Critical
Publication of JP2997571B2 publication Critical patent/JP2997571B2/ja
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Classifications

    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02HEMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H7/00Emergency 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
    • H02H7/22Emergency 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 distribution gear, e.g. bus-bar systems; for switching devices
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/22Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02HEMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H1/00Details of emergency protective circuit arrangements
    • H02H1/0092Details of emergency protective circuit arrangements concerning the data processing means, e.g. expert systems, neural networks
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02HEMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H1/00Details of emergency protective circuit arrangements
    • H02H1/0007Details of emergency protective circuit arrangements concerning the detecting means
    • H02H1/0015Using arc detectors
    • H02H1/0023Using arc detectors sensing non electrical parameters, e.g. by optical, pneumatic, thermal or sonic sensors
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10STECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S706/00Data processing: artificial intelligence
    • Y10S706/902Application using ai with detail of the ai system
    • Y10S706/911Nonmedical diagnostics
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10STECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S706/00Data processing: artificial intelligence
    • Y10S706/902Application using ai with detail of the ai system
    • Y10S706/911Nonmedical diagnostics
    • Y10S706/912Manufacturing or machine, e.g. agricultural machinery, machine tool

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)
  • Gas-Insulated Switchgears (AREA)
  • Installation Of Bus-Bars (AREA)
  • Testing Relating To Insulation (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)

Description

【発明の詳細な説明】
【0001】
【産業上の利用分野】この発明は、監視診断装置に関
し、例えば遮断器、開閉器、断路器、変圧器、 変流器、
変成器、母線、絶縁計器、発電機、回転機などの、ガス
絶縁電気機器、油絶縁電気機器、空気絶縁電気機器、真
空絶縁電気機器、固体絶縁電気機器等の電気機器の異常
を監視、あるいは異常原因を同定、予測するものに関す
るものである。
【0002】
【従来の技術】図12は雑誌(DEVELOPMENT OF PREVENT
IVE MAINTENACE SYSTEM FOR HIGHLYRELIABLE GAS INSUL
ATED SWITCHGEAR,Power Engineering Society,1990
年,IEEE Winter Meeting ,第4頁,第6図)に示され
ている方法による監視診断装置を示す構成図である。
【0003】図において、1は電気機器例えばガス絶縁
遮断器のスペーサ、2はガス絶縁遮断器1のタンク、3
はガス絶縁遮断器1の中心導体、4はガス絶縁遮断器1
への送電線、5は中心導体3に付着した異物の例、6は
異物5により引き起こされた部分放電の例、7はガス絶
縁遮断器1の付加された加速度センサ、39は超音波セ
ンサ、40は加速度センサ7の出力Aと超音波センサ3
9の出力Bを割算した値Cを得る演算器、41は値Cが
あるいき値Thより大きいかどうかを判定する判定器
で、これらをまとめて制御器42が監視診断のアルゴリ
ズムを実行する。Dは監視診断結果である。
【0004】次に、動作について説明する。演算器40
で加速度センサ7と超音波センサ39の出力の比C(=
A/B)を得て、この比Cを判定器41に入力し、いき
値Thよりも大きければガス絶縁遮断器の内部に異常が
あると判定し、いき値Thよりも小さければそれはノイ
ズであると見なして異常はないと判定する。なお、いき
値Thは実験又は経験により予めある値に設定してお
く。
【0005】
【発明が解決しようとする課題】上記のような従来の監
視診断装置では、以上のように、2種のセンサの出力の
比Cと、予め設定されたいき値Thを比較して、いき値
Thよりも大きければ異常があるというアルゴリズムで
ある。従って、いき値Thを予め実験あるいは経験によ
り定める必要があり、また、ガス絶縁遮断器の機種が変
更になった時や、設置場所によって背景雑音が違った
時、あるいは経年変化などに適応的に対応できない。ま
た、センサがちょうど2種必要であり、1種類しか設置
できなかったり、あるいはさらに3種類以上のセンサが
利用されているものでは、追加のセンサ情報を利用する
ことができないなど、適用範囲の狭いものであった。さ
らに従来のアルゴリズムで知り得るのは、異常か正常か
という情報のみであり、異常の原因を同定することはで
きないという問題点があった。
【0006】この発明は上記のような問題点を解消する
ためになされたもので、異常か正常かという情報に付け
加えてどのような異常原因かを同定し、かつ、センサの
種類がいくつでも適用でき、さらに電気機器の種類や設
置場所、経年変化などに柔軟に対応できる監視診断装置
を得ることを目的とするものである。
【0007】
【課題を解決するための手段】この発明に係る監視診断
装置は、入力層、中間層、及び出力層で構成されて、こ
れらの各層が生体の神経細胞を模擬する複数の神経素子
と、この神経素子の層間を結合する結合重みとを有する
神経回路網装置を複数個(第1,第2,第3,,第N)
備え、電気機器の動作中に得られた異常状態の原因とな
りうる複数の異常原因と上記電気機器に付加されてその
状態の変化を検知するセンサ出力の対を学習データと
し、複数の異常原因の中から適切な異常原因を検出する
神経回路網装置を上記異常状態の種類毎に第1、第2以
外の神経回路網装置(第3,,第N)に割り当て、第1
神経回路網装置は上記センサ出力が入力されたときに上
記電気機器が正常か異常かを同定するように結合重みを
学習アルゴリズムにより設定するものとし、第2の神経
回路網装置は上記センサ出力が入力されたときに上記電
気機器の異常状態を同定するように結合重みを学習アル
ゴリズムにより設定するものとし、上記第1、第2以外
の神経回路網装置(第3,,第N)は各々上記センサ出
力が入力されたときに上記割り当てられた異常状態の原
因となりうる複数の異常原因の中から異常原因を同定す
るように結合重みを学習アルゴリズムにより設定するも
のとし、運用時に未知のセンサ出力が入力されたときに
第1神経回路網装置で電気機器が正常か異常かを同定し
て異常であるならば、第2の神経回路網装置を起動し、
その異常状態の種類を同定するとともに、上記異常状態
の種類に応じ第1、第2以外の神経回路網装置(第
3,,第N)を起動してその異常原因を同定するように
構成したものである。
【0008】
【0009】
【作用】上記のように構成された監視診断装置は、神経
回路網装置の各結合重みに、学習データとして覚え込ま
せた異常原因とセンサ出力の対応関係が記憶されている
ので、未知のセンサ出力をデ−タとして入力した時に、
その記憶に基づいて異常原因に対応した神経素子が大き
な出力を出す。その結果、正常か異常かを同定できるだ
けでなく、その神経素子に対応した異常状態が電気機器
に発生したと同定される。また、運用と同時に学習デー
タを収集し、神経回路網装置を学習させることにより、
設置場所や経年変化に適応することができる。
【0010】また、内部が複数の神経回路網装置で構成
され、異常原因も複数の異常原因群に分割されており、
第1神経回路網装置で電気機器が正常か異常かを同定す
るものであり、第1以外の神経回路網装置は、各々割り
当てられた異常原因群内での異常原因を同定するように
構成されている。運用時に未知のセンサ出力が入力され
た時に、まず、第1神経回路網装置で電気機器が正常か
異常かを同定する。この結果、異常であるならば、異常
原因群に応じて第1以外の神経回路網装置を起動して、
その異常がどの異常原因によるものかを同定するよう
に、異常状態を段階的に同定するものである。
【0011】このため、この監視診断装置の使用者は異
常状態を必要な詳細度で知ることができる。また、複数
の神経回路網装置で構成され各々役割を分担しているの
で、各神経回路網装置を学習させるに際して、その異常
原因群内の異常原因に関する学習データだけを学習すれ
ばよい。このため、他の異常原因群に関する学習データ
は不要なので、学習データの個数が少なくでき、かつ学
習時間を短くできるという特徴がある。さらに、運用と
同時に学習をさせ、設置場所や経年変化に適応するため
に学習する時も、全体を学習する必要はなく、該当する
神経回路網装置のみを学習させるだけでよいという特徴
がある。
【0012】
【実施例】
実施例1. 図1はこの発明の一実施例による監視診断装置を一部ブ
ロック図で示す構成図である。1〜4は従来と同様の
機器の一例としてガス絶縁遮断器の構成部分を示して
いる。図においては、5は混入した異物、6は発生した
部分放電を示している。部分放電6が発生すると内部の
絶縁ガスが振動し、その振動がタンク2に伝播する。こ
の結果、タンク2が機械的に振動するので、その振動が
加速度の変化として加速度センサ7の出力で得られる。
出力は時間波形なので、演算器8でFFTによりスペク
トルに変換し、演算器9でその時間平均をとる。さらに
演算器10でその大きさを1に正規化するなどして、そ
れを神経回路網装置11に入力する。この神経回路網装
置11の出力からガス絶縁遮断器の異常状態を同定す
る。
【0013】図2は演算器8,9,10の動作の詳細を
示す説明図である。図2において、波形12は加速度セ
ンサ7の出力の一例であり、時間を横軸とした時間波形
を示している。ここで電力系統の周波数を60Hzとし
ている。電源に同期して、1サイクル分、即ち、1/60秒
おきに波形を切り出して、各々に対し演算器8でFFT
演算を行ない、そのスペクトルとして波形13,14,
15を求める。このスペクトルを示す波形13,14,
15は横軸に周波数f,縦軸に強度を表わしている。例
えば、1秒間には60個のスペクトルが得られる。さら
に、これらをいくつか集めて演算器9で平均化したのが
波形16である。図では、1秒分の波形即ち60個の平
均を取っている。次に、平均化されたスペクトルの最大
強度を1に正規化し、また、周波数軸を例えば64に区
分したものがグラフ17である。つぎに、正規化された
スペクトルを区分された周波数ごとに神経回路網装置1
1の入力層に対応する神経素子に入力する。
【0014】図3は神経回路網装置11の詳細を示す構
成図である。図において、18は生体の神経細胞を模擬
する神経素子、19は神経素子18の層間を結合する結
合重みである。神経素子18は3層で構成されており、
左列から順に入力層18a、中間層18b、出力層18
cである。正規化された加速度センサ7のスペクトルは
例えば64個の入力層18aから入力され、右方向に計
算が進み、最終的に最右端の出力層18cの神経素子で
出力が得られる。図では、出力層18cは例えば6個の
神経素子を想定している。出力層の神経素子18cは、
下から、1正常状態、2異物が中心導体に付着、3異物
がタンク内壁に付着、4異物が浮遊している、5中心導
体の中央部接点で接触不良、6中心導体の両端電極で接
触不良の各状態に対応している。例えば、一番下の正常
状態に対応する神経素子の出力が他の神経素子の出力に
比較して大きければ、ガス絶縁遮断器は正常と同定され
るわけである。なお、図3において、図が煩雑になるの
で結合重みは一部しか示していないが、入力層の全ての
神経素子18aと中間層の全ての神経素子18b、ま
た、中間層の全ての神経素子18bと出力層の全ての神
経素子18cは各々結合重み19を介して結合されてい
る。
【0015】図4は神経素子18の構成を詳細に示す説
明図である。図において、注目する神経素子18をjと
する。神経素子jは前の層の神経素子1からi、さらに
Nまでと図にあるような結合重みを介して結合している
とする。この時、数1に示すように神経素子jの内部状
態はuj で表され、さらに数1にあるような非線形のシ
グモイド関数f(uj )を介してVj が出力となる。神
経素子jが出力層でなければ、この値がさらに次の層の
神経素子に入力され、神経素子jが出力層にあれば、こ
の値が上記の異常状態を示すことになる。
【0016】
【数1】
【0017】なお、以上説明した動作は未知のスペクト
ルが入力された場合である。学習を行う際には次のよう
にする。予め、実験などにより異常状態が既知のスペク
トルを求めておく。つぎに、このスペクトルを上記と同
様に神経回路網装置11に入力し、出力層における神経
素子18cの出力値を求める。この時、そのスペクトル
の原因である異常状態に対応する神経素子の出力が1と
なり、その他の神経素子の出力が0となるように適当な
学習アルゴリズムで結合重み19の各々を変更する。
【0018】学習アルゴリズムとしては、例えば、神経
回路網装置11の出力と学習データとの2乗誤差を最急
降下法で小さくする原理にもとずく逆伝播法がある。
【0019】この実施例では、神経回路網装置11の各
結合重み19として、学習データとして覚え込ませた異
常原因とスペクトルの対応関係が記憶されているので、
未知の加速度センサのスペクトルを入力した時、その記
憶に基づいて異常原因に対応した神経素子が大きな出力
を出す。その結果、正常か異常かを同定できるだけでな
く、その神経素子18cに対応した異常状態がガス絶縁
遮断器に発生したと同定される。また、運用と同時に学
習データを収集して神経回路網装置を学習させることに
より、設置場所や経年変化などに適応することができ
る。また、機種が異なっても、全く同じ構造とし、その
機種に適した学習データを実験で得て学習させればよ
い。
【0020】 実施例2. 図5はこの発明の他の実施例による監視診断装置を一部
ブロックで示す構成図である。図1に示した加速度セン
サ7の出力に付加して、部分放電センサ20の出力を利
用する。部分放電センサ20はガス絶縁遮断器の異常時
にタンクの電位が上昇することを検知するものである。
この部分放電センサ20からの出力は演算器21で前処
理されて、演算器22で時間平均をとり、演算器23で
最大値を1に正規化して、加速度センサ7からの出力と
共に、神経回路網装置11の入力層に入力される。
【0021】図6は演算器21,22,23の動作の詳
細を示す説明図である。図6において、24は部分放電
センサ20の出力波形で、時間を横軸とした時間波形を
示している。ここで、電力系統の周波数は60Hzとし
ている。部分放電センサ20の出力波形は、1サイクル
分、即ち、1/60秒ごとに切り出され、演算器21で前処
理される。これが、波形25,26,27である。例え
ば、1秒間には60個の波形が得られる。これらが、演
算器22で例えば60個加算平均されて波形28に示す
ようになる。次に、グラフ29に示すように、波形28
の最大振幅を1に正規化し、横軸の時間tを例えば64
に等分割し、各分割領域を神経回路網装置11の入力層
の神経素子に、加速度センサ7からのスペクトル17と
共に入力する。その後の動作は上記のものと同じであ
る。
【0022】図7は演算器21での前処理の詳細を示す
説明図である。図において、24は部分放電センサ20
からの出力波形で、黒丸はサンプル点を示している。出
力波形24において、2個の連続したサンプル点の振幅
を比較することにより、波形30に示すように急激に振
幅が変動する箇所を検出する。次に、位置変動の誤差を
吸収するために、その箇所を波形31に示すように例え
ばガウス分布などでぼかす。これが、前処理の一例であ
り、図7の各グラフにおいて、横軸は時間t、縦軸は振
幅を示している。学習の方法は、加速度センサ7に追加
して、部分放電センサ20が付加されただけであり、上
記実施例と全く同様に行なうことができる。
【0023】この実施例においては、加速度センサ7か
らの出力に加えて、部分放電センサ20の出力をも同時
に神経回路網装置11の入力層の神経素子に入力して異
常状態を同定するので、加速度センサ7のみでは同定で
きないような異常状態も同定できる。
【0024】さらに、新たなセンサが追加された場合
も、加速度センサ7に部分放電センサ20の出力情報を
追加したのと同様、センサの出力情報を追加して神経回
路網装置11の入力層の神経素子に入力すれば、異常状
態の同定性能は向上する。
【0025】 実施例3. 図8はこの発明のさらに他の実施例による監視診断装置
を示す構成図である。1〜10は実施例1のものと同様
である。32〜35は各々神経回路網装置であり、神経
回路網装置を1つのモジュールと称する。各モジュール
32〜34には図2に示した加速度センサ7のスペクト
ル17が入力される。今、あるスペクトルが入力された
とすると、モジュールの動作は次のようになる。まず、
モジュール32でガス絶縁遮断器が正常か異常かを同定
し、異常であるならば、モジュール33を起動して、そ
の異常が異物混入によるものか、接触不良によるものか
を同定する。この結果、異物混入によるものならば、モ
ジュール34を起動して、異物の位置と状態を同定し、
接触不良によるものならば、モジュール35を起動して
接触不良の状態を同定する。
【0026】各モジュールの起動は、例えば次のように
行われる。モジュール32では、出力層の神経素子の数
は正常状態と異常状態に対応した2個である。異常状態
に対応した神経素子の出力が予め定めたいき値よりも大
きいと異常状態と判定し、より詳細に知るべくモジュー
ル33を起動する。もし、正常状態に対応した神経素子
の出力が大きく、異常状態に対応した神経素子の出力が
小さいならば、ガス絶縁遮断器は正常状態にあると判定
し、他のモジュールは起動しない。
【0027】図9はモジュール32の構造の一例を示し
ている。入力層の神経素子18には加速度センサ7のス
ペクトルが入力される。出力層の神経素子18cは正常
状態と異常状態に対応した神経素子が2個あるだけであ
る。出力層の神経素子18cの数が異なるだけで、その
構造は図3に示したものと同様である。
【0028】図8に示すような監視診断装置では、学習
は以下のようにモジュールごとに個別に行うことができ
る。今、実験により正常状態、種々の異常状態に対応し
たスペクトルが得られているものとし、このスペクトル
とその原因の対を学習データということにする。異常原
因を異常原因群に分割し、モジュール33,34,35
に各々の異常原因群を割り当てる。モジュール32に対
しては、すべての学習データを用いて、正常状態と対を
なすスペクトルが入力された時には、正常状態に対応す
る神経素子の出力が1で異常状態に対応する神経素子の
出力が0、異常状態を対をなすスペクトルが入力された
時には、その逆となるように結合重みを変更する。モジ
ュール33に対しては、異常状態と対をなす学習データ
だけを用い、異物混入系と対をなすスペクトルが入力さ
れた時には、異物混入に対応する神経素子の出力が1で
接触不良に対応する神経素子の出力が0、接触不良と対
をなすスペクトルが入力された時には、その逆となるよ
うに結合重みを変更する。モジュール34に対しては、
異物混入系と対をなす学習データだけを用いて、異物が
中心導体に付着している場合と対をなすスペクトルが入
力された時には、中心導体に対応する神経素子の出力が
1でその他に対応する神経素子の出力が0となり、ま
た、異物がタンク内壁に付着している場合や、浮遊して
いる場合は、それらに対応する神経素子の出力のみが1
となりその他の神経素子の出力が0となるように結合重
みを変更する。モジュール35に対しては、接触不良系
と対をなす学習データだけを用いて、中央部が接触不良
であるスペクトルが入力された時には、それに対応する
神経素子の出力が1で他は0となるように、また、両端
が接触不良であるスペクトルが入力された時は、それに
対応する神経素子の出力が1で他は0となるように結合
重みを変更する。
【0029】このように神経回路網装置のモジュールを
複数備えて段階的に異常状態を同定するように構成すれ
ば、使用者は異常状態を必要な詳細度で知ることができ
る。また、モジュール構造になっているので、各モジュ
ールを学習させるに際し、例えば、モジュール4では、
接触不良を異常原因とする学習データだけを学習すれば
よく、異物混入を異常原因とする学習データは不要なの
で、学習データの個数が少なくてすみ、学習時間が実施
例1の監視診断装置に比べて、短くてすむという特徴が
ある。さらに、上記実施例1の監視診断装置の効果と同
様に、運用と同時に学習をさせ、設置場所や経年変化に
適応するために学習するときも、全体を学習する必要は
なく、該当するモジュールのみを学習させるだけでよ
い。
【0030】 実施例4. 図10はこの発明のさらに他の実施例による監視診断装
置の構成を示す説明図であり、図8に示した加速度セン
サ7の出力に追加して、部分放電センサ20の出力を利
用する。部分放電センサ20はガス絶縁遮断器の異常時
にタンクの電位が上昇することを検知する。部分放電セ
ンサ20の出力は演算器21〜23で前処理し、時間平
均をとり、正規化されて図5、あるいは図6と同様に各
モジュール32〜35に入力される。学習の方法は、加
速度センサ7に部分放電センサ20の出力が追加された
だけで、実施例3と同様である。
【0031】図11は、加速度センサ7と共に部分放電
センサ20の出力を神経回路網装置の各モジュ−ルに入
力する実施例を示すものである。図において、36〜3
8は3個のサブモジュールであり、この3個で図10に
おけるモジュ−ルの1つを構成している。加速度センサ
7の出力に対してはサブモジュール37が対応し、部分
放電センサ20の出力に対してはサブモジュール36が
対応する。これらの出力がサブモジュール38の入力に
そのまま入り、図3,図4に示した神経回路網装置の動
作と同様に処理されて出力される。サブモジュール38
の出力は図3の出力に対応している。この実施例では、
サブモジュール36とサブモジュール37の第1番から
第6番目の出力の神経素子の意味は、サブモジュール3
8の第1番から第6番目の出力の神経素子の意味と同一
に割り当てている。
【0032】なお、図11のような構成においての学習
は例えば次のようにすればできる。まず、加速度センサ
7の出力に基づいてサブモジュール37を図4での説明
と同様にして学習する。これとは別に、部分放電センサ
20の出力に基づいてサブモジュール36を同じく図4
で説明の説明と同様にして学習する。さらに加速度セン
サ7と部分放電センサ20の出力を同時に用いて、サブ
モジュール36,37の出力をサブモジュール38への
入力とみなして、上記と同様にして学習すればよい。
【0033】この実施例では加速度センサ7の出力につ
け加えて、部分放電センサ20の出力をも同時に入力し
て異常状態を同定するので、実施例2と同様に、センサ
情報として部分放電センサ20の情報が追加されている
ので、加速度センサ7のみでは同定できないような異常
状態も同定できる。さらに、新たなセンサが追加された
場合も、加速度センサ7に部分放電センサ20の情報を
追加したのと同様にセンサ情報を追加すれば、異常原因
の同定性能は向上する。
【0034】なお、以上説明した実施例において、加速
度センサ7と部分放電センサ20はガス絶縁遮断器に接
着されるが、その他の処理8〜38は、例えば、携帯型
計算機やそれに付加された専用のハードウエアにより、
プログラムで実行することができる。また、以上の実施
例では、対象としてガス絶縁電気機器のガス絶縁遮断器
を例としたが、これは、ガス絶縁遮断器に限るものでは
なく、例えば、遮断器、開閉器、断路器、変圧器、変流
器、変成器、母線、絶縁計器、発電機、回転機などの、
ガス絶縁電気機器、油絶縁電気機器、空気絶縁電気機
器、真空絶縁電気機器、固体絶縁電気機器等の電気機器
にも適用できる。
【0035】
【発明の効果】この発明に係る監視診断装置によれば、
入力層、中間層、及び出力層で構成されて、これらの各
層が生体の神経細胞を模擬する複数の神経素子と、この
神経素子の層間を結合する結合重みとを有する神経回路
網装置を複数個(第1,第2,第3,,第N)備え、電
気機器の動作中に得られた異常状態の原因となりうる複
数の異常原因と上記電気機器に付加されてその状態の変
化を検知するセンサ出力の対を学習データとし、複数の
異常原因の中から適切な異常原因を検出する神経回路網
装置を上記異常状態の種類毎に第1、第2以外の神経回
路網装置(第3,,第N)に割り当て、第1神経回路網
装置は上記センサ出力が入力されたときに上記電気機器
が正常か異常かを同定するように結合重みを学習アルゴ
リズムにより設定するものとし、第2の神経回路網装置
は上記センサ出力が入力されたときに上記電気機器の異
常状態を同定するように結合重みを学習アルゴリズムに
より設定するものとし、上記第1、第2以外の神経回路
網装置(第3,,第N)は各々上記センサ出力が入力さ
れたときに上記割り当てられた異常状態の原因となりう
る複数の異常原因の中から異常原因を同定するように結
合重みを学習アルゴリズムにより設定するものとし、運
用時に未知のセンサ出力が入力されたときに第1神経回
路網装置で電気機器が正常か異常かを同定して異常であ
るならば、第2の神経回路網装置を起動し、その異常状
態の種類を同定するとともに、上記異常状態の種類に応
じ第1、第2以外の神経回路網装置(第3,,第N)を
起動してその異常原因を同定するように構成したので、
異常を必要な詳細度で段階的に知ることができ、各神経
回路網装置を学習させるに際して、学習データの個数が
少なくてすみ、学習時間が短くてすむとともに、装置の
運用と同時に学習をさせて設置場所や経年変化に適応す
るために学習す る時にも、全体を学習する必要はなく、
該当する神経回路網装置のみを学習させるだけでよい。
更には、複数の神経回路網装置(第1,第2,第3,,
第N)の一部が故障したときであっても、全神経回路網
装置を交換するのではなく、故障に該当する神経回路網
装置を交換するだけで済むため、故障に対し柔軟に対応
することができるばかりか、交換した神経回路装置の学
習に要するデータ数が少なく、学習に要する時間も短く
なる。
【0036】
【図面の簡単な説明】
【図1】この発明の実施例1による監視診断装置を一部
ブロックで示す構成図である。
【図2】実施例1に係る演算器8,9,10の動作の詳
細を示す説明図である。
【図3】実施例1に係る神経回路網装置11の詳細を示
す構成図である。
【図4】実施例1に係る神経素子18の構成を詳細に示
す説明図である。
【図5】この発明の実施例2による監視診断装置を一部
ブロックで示す構成図である。
【図6】実施例2に係る演算器21,22,23の動作
の詳細を示す説明図である。
【図7】実施例2に係る演算器21での前処理の詳細を
示す説明図である。
【図8】この発明の実施例3による監視診断装置の構成
を示す説明図である。
【図9】実施例3に係るモジュールの構造の一例を示す
構成図である。
【図10】この発明の実施例4による監視診断装置の構
成を示す説明図である。
【図11】実施例4に係るモジュ−ルの構造の一例を示
す構成図である。
【図12】従来の監視診断装置を示す構成図である。
【符号の説明】
7 センサ 8 演算器 9 演算器 10 演算器 11 神経回路網装置 18 神経素子 19 結合重み
───────────────────────────────────────────────────── フロントページの続き (72)発明者 田中 秀雄 東京都中央区入船一丁目4番10号 東京 電力株式会社システム研究所内 (72)発明者 荻 宏美 東京都中央区入船一丁目4番10号 東京 電力株式会社システム研究所内 (56)参考文献 特開 平2−297074(JP,A) 特開 平3−238370(JP,A) 特開 平3−236864(JP,A) 特開 平2−298892(JP,A) 特開 平3−113502(JP,A) 特開 平2−206721(JP,A) 特開 平3−92795(JP,A) 特開 平2−296161(JP,A) (58)調査した分野(Int.Cl.7,DB名) G01R 31/12 - 31/20 H02B 1/24 H02B 3/00 H02B 13/065 H02G 5/06

Claims (1)

    (57)【特許請求の範囲】
  1. 【請求項1】 入力層、中間層、及び出力層で構成され
    て、これらの各層が生体の神経細胞を模擬する複数の神
    経素子と、 この神経素子の層間を結合する結合重みとを有する神経
    回路網装置を複数個(第1,第2,第3,,第N)備
    え、 電気機器の動作中に得られた異常状態の原因となりうる
    複数の異常原因と上記電気機器に付加されてその状態の
    変化を検知するセンサ出力の対を学習データとし、複数
    の異常原因の中から適切な異常原因を検出する神経回路
    網装置を上記異常状態の種類毎に第1、第2以外の神経
    回路網装置(第3,,第N)に割り当て、 第1神経回路網装置は上記センサ出力が入力されたとき
    に上記電気機器が正常か異常かを同定するように結合重
    みを学習アルゴリズムにより設定するものとし、 第2の神経回路網装置は上記センサ出力が入力されたと
    きに上記電気機器の異常状態を同定するように結合重み
    を学習アルゴリズムにより設定するものとし、 上記第1、第2以外の神経回路網装置(第3,,第N)
    は各々上記センサ出力が入力されたときに上記割り当て
    られた異常状態の原因となりうる複数の異常原因の中か
    ら異常原因を同定するように結合重みを学習アルゴリズ
    ムにより設定するものとし、 運用時に未知のセンサ出力が入力されたときに第1神経
    回路網装置で電気機器が正常か異常かを同定して異常で
    あるならば、 第2の神経回路網装置を起動し、その異常状態の種類を
    同定するとともに、 上記異常状態の種類に応じ第1、第2以外の神経回路網
    装置(第3,,第N)を起動してその異常原因を同定す
    るように構成したことを特徴とする監視診断装置。
JP3169587A 1991-07-10 1991-07-10 監視診断装置 Expired - Lifetime JP2997571B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP3169587A JP2997571B2 (ja) 1991-07-10 1991-07-10 監視診断装置
CA002073385A CA2073385C (en) 1991-07-10 1992-07-08 Monitoring diagnosis device for electrical appliance
US07/911,068 US5305235A (en) 1991-07-10 1992-07-09 Monitoring diagnosis device for electrical appliance
BR929202581A BR9202581A (pt) 1991-07-10 1992-07-10 Sistema de diagnose e monitoracao para um aparelho de eletricidade

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP3169587A JP2997571B2 (ja) 1991-07-10 1991-07-10 監視診断装置

Publications (2)

Publication Number Publication Date
JPH06194403A JPH06194403A (ja) 1994-07-15
JP2997571B2 true JP2997571B2 (ja) 2000-01-11

Family

ID=15889251

Family Applications (1)

Application Number Title Priority Date Filing Date
JP3169587A Expired - Lifetime JP2997571B2 (ja) 1991-07-10 1991-07-10 監視診断装置

Country Status (4)

Country Link
US (1) US5305235A (ja)
JP (1) JP2997571B2 (ja)
BR (1) BR9202581A (ja)
CA (1) CA2073385C (ja)

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3100757B2 (ja) * 1992-06-02 2000-10-23 三菱電機株式会社 監視診断装置
US5790413A (en) * 1993-03-22 1998-08-04 Exxon Chemical Patents Inc. Plant parameter detection by monitoring of power spectral densities
US5629870A (en) * 1994-05-31 1997-05-13 Siemens Energy & Automation, Inc. Method and apparatus for predicting electric induction machine failure during operation
US5710723A (en) * 1995-04-05 1998-01-20 Dayton T. Brown Method and apparatus for performing pre-emptive maintenance on operating equipment
US5649064A (en) * 1995-05-19 1997-07-15 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration System and method for modeling the flow performance features of an object
GB9518075D0 (en) * 1995-09-05 1995-11-08 Sun Electric Uk Ltd Testing automative electronic control units and batteries and related equipment
JPH10170596A (ja) * 1996-12-09 1998-06-26 Hitachi Ltd 絶縁機器診断システム及び部分放電検出法
DE19716963C2 (de) * 1997-04-16 2001-10-18 Siemens Ag Verfahren zur Ermittlung des Ortes einer Teilentladung
WO1999054703A2 (de) * 1998-04-17 1999-10-28 Siemens Aktiengesellschaft Akustisches diagnosesystem und -verfahren
US6757665B1 (en) * 1999-09-28 2004-06-29 Rockwell Automation Technologies, Inc. Detection of pump cavitation/blockage and seal failure via current signature analysis
JP4157636B2 (ja) * 1999-01-28 2008-10-01 株式会社日立製作所 ガス絶縁機器の部分放電診断装置
JP2001034304A (ja) * 1999-07-21 2001-02-09 Fujitsu Ltd 監視制御支援装置
FI107081B (fi) * 1999-10-19 2001-05-31 Abb Substation Automation Oy Menetelmä ja järjestely osittaispurkauslähteiden lukumäärän selvittämiseksi
DE10230607A1 (de) * 2002-07-08 2004-02-05 Abb Patent Gmbh Verfahren zur Überwachung einer Messeinrichtung, insbesondere einer Durchflussmesseinrichtung, sowie eine Messeinrichtung selbst
JP5078276B2 (ja) * 2006-04-21 2012-11-21 三菱電機株式会社 診断用信号処理装置
JP2008170306A (ja) * 2007-01-12 2008-07-24 Mitsubishi Electric Corp 測距センサの評価方法
CN101451920B (zh) * 2007-12-07 2011-05-11 上海宝钢工业检测公司 机械振动信号全频带特征预警方法
KR101235868B1 (ko) * 2008-06-30 2013-02-21 현대중공업 주식회사 Gis 예방진단 시스템용 원격관리방법
EP2246984B1 (de) * 2009-04-28 2013-07-03 VEGA Grieshaber KG Diagnoseschaltung zur Überwachung einer Analog-Digital-Wandlungsschaltung
JP5240167B2 (ja) * 2009-11-11 2013-07-17 新日鐵住金株式会社 開閉器の診断方法及び開閉器の診断装置
CN102565646A (zh) * 2012-01-16 2012-07-11 广东电网公司电力科学研究院 干式套管雷电波冲击电压型式试验装置及其频带分析方法
JP6743458B2 (ja) * 2016-04-01 2020-08-19 セイコーエプソン株式会社 観測システム及び観測システムの制御方法
JP6569985B2 (ja) * 2016-04-17 2019-09-04 新電元工業株式会社 電力変換装置の診断方法
JP6952575B2 (ja) * 2017-10-31 2021-10-20 株式会社東芝 部分放電診断装置
JP7227846B2 (ja) * 2019-05-16 2023-02-22 株式会社日立製作所 開閉装置の診断方法及び装置
CN113886162B (zh) * 2021-10-21 2024-05-31 统信软件技术有限公司 一种计算设备性能测试方法、计算设备及存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3394351A (en) * 1964-10-27 1968-07-23 Rca Corp Logic circuits
US5251151A (en) * 1988-05-27 1993-10-05 Research Foundation Of State Univ. Of N.Y. Method and apparatus for diagnosing the state of a machine
US5107497A (en) * 1989-07-28 1992-04-21 At&T Bell Laboratories Technique for producing an expert system for system fault diagnosis
US5123017A (en) * 1989-09-29 1992-06-16 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Remote maintenance monitoring system
EP0453939B1 (en) * 1990-04-24 1996-07-17 Yozan Inc. Learning method for data processing system
US5039870A (en) * 1990-05-21 1991-08-13 General Electric Company Weighted summation circuits having different-weight ranks of capacitive structures
US5039871A (en) * 1990-05-21 1991-08-13 General Electric Company Capacitive structures for weighted summation as used in neural nets
US5253184A (en) * 1991-06-19 1993-10-12 Storage Technology Corporation Failure and performance tracking system

Also Published As

Publication number Publication date
CA2073385A1 (en) 1993-01-11
BR9202581A (pt) 1993-03-16
CA2073385C (en) 1998-05-05
JPH06194403A (ja) 1994-07-15
US5305235A (en) 1994-04-19

Similar Documents

Publication Publication Date Title
JP2997571B2 (ja) 監視診断装置
JP3100757B2 (ja) 監視診断装置
US10725084B2 (en) Fault diagnosis method for series hybrid electric vehicle AC/DC converter
KR101787901B1 (ko) 전력설비 진단장치
JPH10170596A (ja) 絶縁機器診断システム及び部分放電検出法
US11143686B2 (en) Method for detecting power distribution network early failure
CN108957317A (zh) 压水堆核电站发电机组轴瓦的检测方法、装置、计算机及存储介质
US5253180A (en) Apparatus and method for diagnosis of power appliances
CN111426473B (zh) 一种利用扫频交流电流的gis设备缺陷检测系统及方法
CN115906350A (zh) 一种微电网故障定位和诊断方法
KR20220097316A (ko) 고장예지 다면평가 테이블 기반 태양광 선로 절연 상태 위험 전조 및 스트링별 누설전류 감시 기능을 구비한 태양광 발전 장치
CN111537876B (zh) 模拟实车环境的动车组入端断路器离线检测系统及方法
CN107947739A (zh) 一种基于开关矩阵的光伏板故障定位系统及方法
JP2000215766A (ja) モニタリング診断装置
Silva et al. Characterization of failures in insulators to maintenance in transmission lines
KR102535587B1 (ko) 인공신경망을 이용한 전력설비 온도 측정 기반의 부분방전 예측 방법 및 장치
Babu et al. Fault diagnosis in multi-level inverter system using adaptive back propagation neural network
CN216622661U (zh) 一种可模拟直流互窜的绝缘监测校验装置
CN215340165U (zh) 带载测试装置
KR102369192B1 (ko) 부분 방전 판정 시스템, 방법, 및 저장 매체
CN117278928B (zh) 一种数字发声芯片的测试系统和测试方法
SU1067546A1 (ru) Устройство дл проверки помехоустойчивости электронного блока
SU834616A1 (ru) Устройство дл контрол релейнойКОММуТАциОННОй элЕКТРОАппАРАТуРы
CN110247383A (zh) 一种有源补偿系统中铁磁谐振的消除方法及装置
CN115840114A (zh) 一种gis设备缺陷模拟和状态监测的方法、记录媒体及系统