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
Links
Classifications
-
- 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
- H02H7/22—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 distribution gear, e.g. bus-bar systems; for switching devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H1/00—Details of emergency protective circuit arrangements
- H02H1/0007—Details of emergency protective circuit arrangements concerning the detecting means
- H02H1/0015—Using arc detectors
- H02H1/0023—Using arc detectors sensing non electrical parameters, e.g. by optical, pneumatic, thermal or sonic sensors
-
- Y—GENERAL 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
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S706/00—Data processing: artificial intelligence
- Y10S706/902—Application using ai with detail of the ai system
- Y10S706/911—Nonmedical diagnostics
-
- Y—GENERAL 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
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S706/00—Data processing: artificial intelligence
- Y10S706/902—Application using ai with detail of the ai system
- Y10S706/911—Nonmedical diagnostics
- Y10S706/912—Manufacturing 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
【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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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は従来と同様の電
気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。
ロック図で示す構成図である。１〜４は従来と同様の電
気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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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)
- 【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。
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)
| 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)
| 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 |
-
1991
- 1991-07-10 JP JP3169587A patent/JP2997571B2/ja not_active Expired - Lifetime
-
1992
- 1992-07-08 CA CA002073385A patent/CA2073385C/en not_active Expired - Fee Related
- 1992-07-09 US US07/911,068 patent/US5305235A/en not_active Expired - Fee Related
- 1992-07-10 BR BR929202581A patent/BR9202581A/pt not_active IP Right Cessation
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 |