JP3224108B2 - Ｏｆケーブル線路の漏油判定方法 - Google Patents
Ｏｆケーブル線路の漏油判定方法Info
- Publication number
- JP3224108B2 JP3224108B2 JP1933693A JP1933693A JP3224108B2 JP 3224108 B2 JP3224108 B2 JP 3224108B2 JP 1933693 A JP1933693 A JP 1933693A JP 1933693 A JP1933693 A JP 1933693A JP 3224108 B2 JP3224108 B2 JP 3224108B2
- Authority
- JP
- Japan
- Prior art keywords
- oil
- oil amount
- ratio
- amount
- neural network
- 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 - Fee Related
Links
Landscapes
- Gas Or Oil Filled Cable Accessories (AREA)
Description
【０００１】
【産業上の利用分野】本発明は、ＯＦケーブル線路の油
量を検出し、この線路の漏油の有無を判定する漏油判定
方法に関する。
量を検出し、この線路の漏油の有無を判定する漏油判定
方法に関する。
【０００２】
【従来の技術】ＯＦケーブル線路においては、種々の原
因により漏油が発生することがある。最近ではコンピュ
ータを用いた漏油監視システムが構築されており、油量
データや温度データ等に基づいて漏油の有無を判定する
ようにしている。即ち、従来の漏油判定方法としては、
ＯＦケーブル線路の油量及びＯＦケーブルの負荷電流を
検出し、これら検出データに基づいて理想油量値を演算
すると共に、この理想油量値と検出した油量との差分を
所定の閾値と比較することにより漏油の有無を判定する
方法が知られている。しかし、ＯＦケーブルの負荷電流
は日間変動するが、年間を通じてはほぼ一定である。つ
まり、油量は負荷電流変動によっては影響を受けず、主
として外気温度変化によって膨張・収縮を繰り返す。従
って、負荷電流データを漏油判定データに利用しても正
確に漏油の有無を判定することは不可能である。
因により漏油が発生することがある。最近ではコンピュ
ータを用いた漏油監視システムが構築されており、油量
データや温度データ等に基づいて漏油の有無を判定する
ようにしている。即ち、従来の漏油判定方法としては、
ＯＦケーブル線路の油量及びＯＦケーブルの負荷電流を
検出し、これら検出データに基づいて理想油量値を演算
すると共に、この理想油量値と検出した油量との差分を
所定の閾値と比較することにより漏油の有無を判定する
方法が知られている。しかし、ＯＦケーブルの負荷電流
は日間変動するが、年間を通じてはほぼ一定である。つ
まり、油量は負荷電流変動によっては影響を受けず、主
として外気温度変化によって膨張・収縮を繰り返す。従
って、負荷電流データを漏油判定データに利用しても正
確に漏油の有無を判定することは不可能である。
【０００３】他の従来の油量判定方法としては、３相を
構成している各ＯＦケーブル線路の油量を検出し、これ
ら検出した油量の相互の差を演算し、この演算結果を所
定の閾値と比較することにより漏油の有無を判定する方
法が知られている（相間判定法）。更に従来の油量判定
方法としては、ＯＦケーブル線路の一定期間における油
量変化を検出してその正規分布を求め、その標準偏差を
利用して所定の判定基準と比較し、例えば、油量が三日
間で連続して平均値より一定割合で減少しているか否か
を比較し、これにより漏油の有無を判定する方法が知ら
れている（標準偏差法）。
構成している各ＯＦケーブル線路の油量を検出し、これ
ら検出した油量の相互の差を演算し、この演算結果を所
定の閾値と比較することにより漏油の有無を判定する方
法が知られている（相間判定法）。更に従来の油量判定
方法としては、ＯＦケーブル線路の一定期間における油
量変化を検出してその正規分布を求め、その標準偏差を
利用して所定の判定基準と比較し、例えば、油量が三日
間で連続して平均値より一定割合で減少しているか否か
を比較し、これにより漏油の有無を判定する方法が知ら
れている（標準偏差法）。
【０００４】ところで、図７は油量センサとして多用さ
れているフロート式油量センサを概略的に示す斜視図で
ある。この油量センサはＯＦケーブル線路の油槽に設け
られ、油槽内の絶縁油の油面変動に対応して上下動する
フロート１と、このフロート１を上下動させるための重
り２と、フロート１及び重り２を連結しているロープ３
が巻き掛けられているプーリ４と、このプーリ４と歯車
を介して連結されているポテンショメータ５とを備えて
いる。かかる構成の油量センサにおいて、絶縁油の油面
が変動すると、フロート１が上下動し、プーリ４が回動
するので、ポテンショメータ５より油量検出信号が出力
される。この検出信号は油量監視システム側へ供給され
る。
れているフロート式油量センサを概略的に示す斜視図で
ある。この油量センサはＯＦケーブル線路の油槽に設け
られ、油槽内の絶縁油の油面変動に対応して上下動する
フロート１と、このフロート１を上下動させるための重
り２と、フロート１及び重り２を連結しているロープ３
が巻き掛けられているプーリ４と、このプーリ４と歯車
を介して連結されているポテンショメータ５とを備えて
いる。かかる構成の油量センサにおいて、絶縁油の油面
が変動すると、フロート１が上下動し、プーリ４が回動
するので、ポテンショメータ５より油量検出信号が出力
される。この検出信号は油量監視システム側へ供給され
る。
【０００５】図８は図７のフロート式油量センサを用い
てＯＦケーブル線路（漏油の発生なし）の年間油量変化
を調べた図である。縦軸は油量〔Ｌｒ〕を示し、横軸は
期間を月単位で示している。この図８から明らかなよう
に、Ｕ相，Ｖ相及びＷ相のＯＦケーブル線路では、冬季
に油量が減少（収縮）し、夏季に増大（膨張）している
ことが判る。ところで、この図８においては、油量はス
テップ状に変化している。これは上記フロート式油量セ
ンサではフロート１が絶縁油の油面変動に追従せずに段
階状に上下動するためと考えられる。
てＯＦケーブル線路（漏油の発生なし）の年間油量変化
を調べた図である。縦軸は油量〔Ｌｒ〕を示し、横軸は
期間を月単位で示している。この図８から明らかなよう
に、Ｕ相，Ｖ相及びＷ相のＯＦケーブル線路では、冬季
に油量が減少（収縮）し、夏季に増大（膨張）している
ことが判る。ところで、この図８においては、油量はス
テップ状に変化している。これは上記フロート式油量セ
ンサではフロート１が絶縁油の油面変動に追従せずに段
階状に上下動するためと考えられる。
【０００６】
【発明が解決しようとする課題】このように、油量変化
がステップ状に検出される場合には、上記した相間判定
法における閾値や標準偏差法における判定基準を大きく
とらなければ油量が温度変化で大きく変動した際に漏油
と誤判定してしまう。しかし、閾値等を大きくすると、
漏油の発生を検知するまでに長時間を要し、又微少な漏
油の検知が困難になってしまう。本発明はこのような点
を解決するためになされたもので、微少な漏油であって
も短時間で正確に判定することができるＯＦケーブル線
路の漏油判定方法を提供することを目的とする。
がステップ状に検出される場合には、上記した相間判定
法における閾値や標準偏差法における判定基準を大きく
とらなければ油量が温度変化で大きく変動した際に漏油
と誤判定してしまう。しかし、閾値等を大きくすると、
漏油の発生を検知するまでに長時間を要し、又微少な漏
油の検知が困難になってしまう。本発明はこのような点
を解決するためになされたもので、微少な漏油であって
も短時間で正確に判定することができるＯＦケーブル線
路の漏油判定方法を提供することを目的とする。
【０００７】
【課題を解決するための手段】本発明は、ＯＦケーブル
線路の油量を所定時間毎に油量センサにて検出し、各検
出した油量から所定時間毎の油量減少値、油量減少の継
続回数及び油量減少の変化率を求め、これら得られたデ
ータをニューラルネットワークに入力し、該ニューラル
ネットワークより出力される判定信号にて漏油の有無を
判定することを特徴とする。
線路の油量を所定時間毎に油量センサにて検出し、各検
出した油量から所定時間毎の油量減少値、油量減少の継
続回数及び油量減少の変化率を求め、これら得られたデ
ータをニューラルネットワークに入力し、該ニューラル
ネットワークより出力される判定信号にて漏油の有無を
判定することを特徴とする。
【０００８】
【作用】検出した油量に基づいて得られたデータはニュ
ーラルネットワークに入力されて解析される。ニューラ
ルネットワークは予め油量変化の実測データに基づいた
特性データを学習しており、この学習結果により入力デ
ータをパターン認識し、判定信号を出力する。判定信号
は漏油の有無を示しているので、これにより漏油判定を
行うことができる。
ーラルネットワークに入力されて解析される。ニューラ
ルネットワークは予め油量変化の実測データに基づいた
特性データを学習しており、この学習結果により入力デ
ータをパターン認識し、判定信号を出力する。判定信号
は漏油の有無を示しているので、これにより漏油判定を
行うことができる。
【０００９】
【実施例】以下、本発明の実施例を図面を参照して詳細
に説明する。図１は本発明の方法を実施する漏油判定装
置のブロック図である。図１において、６はＯＦケーブ
ルを示し、このＯＦケーブル６には油槽７が接続されて
いる。油槽７には本実施例ではフロート式の油量センサ
１０（図７参照）が設けられている。この油量センサの
検出信号はデータ記憶部１１に供給される。データ記憶
部１１は油量センサ１０の検出信号や後述する各種の入
力データ等を格納するために用いられ、検出信号をサン
プリングするサンプリング回路、この回路出力をディジ
タル信号に変換するＡ／Ｄ変換器及びデータ格納メモリ
部等を含んでいる。データ記憶部１１の出力には演算処
理部１２が接続されている。この演算処理部１２はデー
タ記憶部１１より油量の検出信号を取り込み、後述する
入力データを作成する。演算処理部１２の出力には判定
部１３のニューラルネットワーク１４が接続され、ニュ
ーラルネットワーク１４の出力には比較部１５が接続さ
れている。比較部１５の出力には表示部１６が接続され
ている。
に説明する。図１は本発明の方法を実施する漏油判定装
置のブロック図である。図１において、６はＯＦケーブ
ルを示し、このＯＦケーブル６には油槽７が接続されて
いる。油槽７には本実施例ではフロート式の油量センサ
１０（図７参照）が設けられている。この油量センサの
検出信号はデータ記憶部１１に供給される。データ記憶
部１１は油量センサ１０の検出信号や後述する各種の入
力データ等を格納するために用いられ、検出信号をサン
プリングするサンプリング回路、この回路出力をディジ
タル信号に変換するＡ／Ｄ変換器及びデータ格納メモリ
部等を含んでいる。データ記憶部１１の出力には演算処
理部１２が接続されている。この演算処理部１２はデー
タ記憶部１１より油量の検出信号を取り込み、後述する
入力データを作成する。演算処理部１２の出力には判定
部１３のニューラルネットワーク１４が接続され、ニュ
ーラルネットワーク１４の出力には比較部１５が接続さ
れている。比較部１５の出力には表示部１６が接続され
ている。
【００１０】図２はニューラルネットワーク１４の構造
説明図である。このニューラルネットワーク１４は入力
層１７、中間層１８及び出力層１９を備えたパーセプト
ロン型ネットワーク構成を有している。本実施例におい
て、入力層１７は５個、中間層１８は２個、出力層１９
は１個である。そして、次に説明する学習データをバッ
クプロパゲーション学習にて学習させた。
説明図である。このニューラルネットワーク１４は入力
層１７、中間層１８及び出力層１９を備えたパーセプト
ロン型ネットワーク構成を有している。本実施例におい
て、入力層１７は５個、中間層１８は２個、出力層１９
は１個である。そして、次に説明する学習データをバッ
クプロパゲーション学習にて学習させた。
【００１１】即ち、ニューラルネットワーク１４への学
習データは、１０分毎の現在の油量減少値Ｘ0 、油量減
少の継続回数Ｎ、現在と１０分前の油量減少値の比率Ｃ
1 、現在と２０分前の油量減少値の比率Ｃ2 と前記した
比率Ｃ1 との積（Ｃ1 ×Ｃ2） から成る。現在の油量減少値Ｘ0 は現在の油量と１０分
前の油量との差により求めることができ、図３に示すよ
うに、０．１〔Ｌｒ〕毎に３．０〔Ｌｒ〕までデータ入
力（学習）させた。油量減少の継続回数Ｎは１０回まで
とした。比率Ｃ1は現在の油量減少値をＸ0 、１０分前
の油量減少値をＸ1 とした場合Ｘ1 ≦Ｘ0のとき、Ｃ1
＝Ｘ1 ／Ｘ0 と定義され、Ｘ1 ＞Ｘ0 のとき、Ｃ1 ＝Ｘ
0 ／Ｘ1 と定義されている。但し、これら減少値Ｘは絶
対値をとり、油量増加時は「０」とした。また、比率Ｃ
2 は２０分前の油量減少値をＸ2 とした場合Ｘ2 ≦Ｘ0
のとき、Ｃ2 ＝Ｘ2 ／Ｘ0 と定義され、Ｘ2 ＞Ｘ0 のと
き、Ｃ2 ＝Ｘ0 ／Ｘ2 と定義されている。
習データは、１０分毎の現在の油量減少値Ｘ0 、油量減
少の継続回数Ｎ、現在と１０分前の油量減少値の比率Ｃ
1 、現在と２０分前の油量減少値の比率Ｃ2 と前記した
比率Ｃ1 との積（Ｃ1 ×Ｃ2） から成る。現在の油量減少値Ｘ0 は現在の油量と１０分
前の油量との差により求めることができ、図３に示すよ
うに、０．１〔Ｌｒ〕毎に３．０〔Ｌｒ〕までデータ入
力（学習）させた。油量減少の継続回数Ｎは１０回まで
とした。比率Ｃ1は現在の油量減少値をＸ0 、１０分前
の油量減少値をＸ1 とした場合Ｘ1 ≦Ｘ0のとき、Ｃ1
＝Ｘ1 ／Ｘ0 と定義され、Ｘ1 ＞Ｘ0 のとき、Ｃ1 ＝Ｘ
0 ／Ｘ1 と定義されている。但し、これら減少値Ｘは絶
対値をとり、油量増加時は「０」とした。また、比率Ｃ
2 は２０分前の油量減少値をＸ2 とした場合Ｘ2 ≦Ｘ0
のとき、Ｃ2 ＝Ｘ2 ／Ｘ0 と定義され、Ｘ2 ＞Ｘ0 のと
き、Ｃ2 ＝Ｘ0 ／Ｘ2 と定義されている。
【００１２】以上の学習データを油量減少値０．１〔Ｌ
ｒ〕毎に３．０〔Ｌｒ〕まで入力し、中間層１８と出力
層１９のユニットは、下位のユニット出力値Ｙijとその
結合重みＷijの積の総和Ｚ(j+1) に対して、図９に示す
関数値Ｙ(j+1) を出力するようにした。
ｒ〕毎に３．０〔Ｌｒ〕まで入力し、中間層１８と出力
層１９のユニットは、下位のユニット出力値Ｙijとその
結合重みＷijの積の総和Ｚ(j+1) に対して、図９に示す
関数値Ｙ(j+1) を出力するようにした。
【００１３】一方、ニューラルネットワーク１４の期待
出力値Ｙ'13 は、図３に示すように、実測データ（図３
中のＡ〜Ｄ領域以外で欄に色付けした所）に対してＹ'
13 ＝０とし、またＡ領域では「１．００」，Ｂ領域で
は「０．９８」，Ｃ領域では「０．９５」、Ｄ領域では
「０．９０」となるように繰り返して学習させた。尚、
比率Ｃ1 と（Ｃ1 ×Ｃ2 ）はそれぞれ０．９と０．８１
とした。（但し、油量変化０．１Ｌｒの時はＣ1＝０．
５，Ｃ1 ×Ｃ2 ＝０．５，油量変化が０．２Ｌｒの時は
Ｃ1 ＝１．０，Ｃ1 ×Ｃ2 ＝１．０である）。
出力値Ｙ'13 は、図３に示すように、実測データ（図３
中のＡ〜Ｄ領域以外で欄に色付けした所）に対してＹ'
13 ＝０とし、またＡ領域では「１．００」，Ｂ領域で
は「０．９８」，Ｃ領域では「０．９５」、Ｄ領域では
「０．９０」となるように繰り返して学習させた。尚、
比率Ｃ1 と（Ｃ1 ×Ｃ2 ）はそれぞれ０．９と０．８１
とした。（但し、油量変化０．１Ｌｒの時はＣ1＝０．
５，Ｃ1 ×Ｃ2 ＝０．５，油量変化が０．２Ｌｒの時は
Ｃ1 ＝１．０，Ｃ1 ×Ｃ2 ＝１．０である）。
【００１４】このように学習させた本発明のニューラル
ネットワーク１４の出力値Ｙ13は、図３の各領域の各欄
に数値で示されており、漏油と判定して欲しい部分
（欄）では約０．９（閾値）以上の出力値が得られてい
る。
ネットワーク１４の出力値Ｙ13は、図３の各領域の各欄
に数値で示されており、漏油と判定して欲しい部分
（欄）では約０．９（閾値）以上の出力値が得られてい
る。
【００１５】再び図１において、比較部１５は閾値とし
て「０．９」が設定され、ニューラルネットワーク１４
より０．９以上の出力値を示す判定信号が供給される
と、漏油が発生していると判定し、表示部１６に検知信
号を出力する。表示部１６はこれにより漏油の発生を画
面上に表示する。
て「０．９」が設定され、ニューラルネットワーク１４
より０．９以上の出力値を示す判定信号が供給される
と、漏油が発生していると判定し、表示部１６に検知信
号を出力する。表示部１６はこれにより漏油の発生を画
面上に表示する。
【００１６】また、上記した演算処理部１２は油量減少
値演算手段２０と、現在と１０分前の油量減少値の比率
Ｃ1 を演算する比率Ｃ1 演算手段２１と、現在と２０分
前の油量減少値の比率Ｃ2 を演算する比率Ｃ2 演算手段
２２と、比率Ｃ1 とＣ2 の積を演算する積算手段２３
と、油量減少の継続回数Ｎをカウントするカウンタ２４
とを含んでいる。油量減少値演算手段２０はデータ記憶
部１１より現在及び直前（１０分前）の油量検出の検出
信号を取り込み、その差分を現在の油量減少値Ｘ0 とし
て算出する。比率Ｃ1 演算手段２１は現在の油量減少値
Ｘ0 と前回（１０分前）の油量減少値Ｘ1 との比率Ｃ1
を演算する。比率Ｃ2 演算手段２２は現在の油量減少値
Ｘ0 と前々回（２０分前）の油量減少値Ｘ2 との比率Ｃ
2 を演算する。積算手段２３は演算して得た比率Ｃ1 と
Ｃ2 の積を更に演算する。カウンタ２４には油量が連続
的に減少している場合の継続回数Ｎが置数される。そし
て、図２に示すように、ニューラルネットワーク１４の
入力層１７の入力には油量減少値Ｘ0 が、入力には
継続回数Ｎが、入力には比率Ｃ1 が、入力にはＣ1
×Ｃ2 がそれぞれ入力される。尚、入力層１７の残りの
入力にはバイアス（Bias）≡１が入力される。尚、図１
において、２５は制御部を示し、この制御部２５はマイ
クロプロセッサ等から成り、本装置を全体的に制御す
る。また、計時部２６はタイマ等を含み、本実施例では
１０分毎に判定開始信号を制御部２５に供給する。
値演算手段２０と、現在と１０分前の油量減少値の比率
Ｃ1 を演算する比率Ｃ1 演算手段２１と、現在と２０分
前の油量減少値の比率Ｃ2 を演算する比率Ｃ2 演算手段
２２と、比率Ｃ1 とＣ2 の積を演算する積算手段２３
と、油量減少の継続回数Ｎをカウントするカウンタ２４
とを含んでいる。油量減少値演算手段２０はデータ記憶
部１１より現在及び直前（１０分前）の油量検出の検出
信号を取り込み、その差分を現在の油量減少値Ｘ0 とし
て算出する。比率Ｃ1 演算手段２１は現在の油量減少値
Ｘ0 と前回（１０分前）の油量減少値Ｘ1 との比率Ｃ1
を演算する。比率Ｃ2 演算手段２２は現在の油量減少値
Ｘ0 と前々回（２０分前）の油量減少値Ｘ2 との比率Ｃ
2 を演算する。積算手段２３は演算して得た比率Ｃ1 と
Ｃ2 の積を更に演算する。カウンタ２４には油量が連続
的に減少している場合の継続回数Ｎが置数される。そし
て、図２に示すように、ニューラルネットワーク１４の
入力層１７の入力には油量減少値Ｘ0 が、入力には
継続回数Ｎが、入力には比率Ｃ1 が、入力にはＣ1
×Ｃ2 がそれぞれ入力される。尚、入力層１７の残りの
入力にはバイアス（Bias）≡１が入力される。尚、図１
において、２５は制御部を示し、この制御部２５はマイ
クロプロセッサ等から成り、本装置を全体的に制御す
る。また、計時部２６はタイマ等を含み、本実施例では
１０分毎に判定開始信号を制御部２５に供給する。
【００１７】このように、ニューラルネットワーク１４
の学習（入力）データを選定した理由は、連続して油量
が減少する時間に着目した場合継続時間が長い程、実際
に漏油している確率が大きいこと、１０分間の油量変化
が大きい程、漏油と判断し得るための継続時間が短くて
済むこと、及びステップ状の油量変化であれば大きな油
量変化は長く続かないことを総合的に考慮した結果であ
る。
の学習（入力）データを選定した理由は、連続して油量
が減少する時間に着目した場合継続時間が長い程、実際
に漏油している確率が大きいこと、１０分間の油量変化
が大きい程、漏油と判断し得るための継続時間が短くて
済むこと、及びステップ状の油量変化であれば大きな油
量変化は長く続かないことを総合的に考慮した結果であ
る。
【００１８】次に、図１の漏油判定装置の動作と共に本
発明の漏油判定方法について説明する。１０分が経過す
る毎に計時部２６より判定開始信号を出力すると、制御
部２５はこの信号を受ける毎にデータ記憶部１１にデー
タ取込信号を供給する。これにより、データ記憶部１１
のサンプリング回路は油量センサ１０より油量の検出信
号を１０分間隔で取り込む。検出信号はＡ／Ｄ変換器に
てディジタル信号に変換され、所定メモリ位置に格納さ
れ、かつ演算処理部１２に供給される。
発明の漏油判定方法について説明する。１０分が経過す
る毎に計時部２６より判定開始信号を出力すると、制御
部２５はこの信号を受ける毎にデータ記憶部１１にデー
タ取込信号を供給する。これにより、データ記憶部１１
のサンプリング回路は油量センサ１０より油量の検出信
号を１０分間隔で取り込む。検出信号はＡ／Ｄ変換器に
てディジタル信号に変換され、所定メモリ位置に格納さ
れ、かつ演算処理部１２に供給される。
【００１９】演算処理部１２において、油量減少値演算
手段２０はこの現在の検出信号を受けると、直前の油量
の検出信号をデータ記憶部１１より取り込み、その差を
演算し、油量減少値Ｘ0 としてニューラルネットワーク
１４に入力すると共に、比率Ｃ1 演算手段２１及び比率
Ｃ2 演算手段２２にこの油量減少値Ｘ0 を供給する。比
率Ｃ1 演算手段２１はこれにより前回の油量減少値Ｘ1
をデータ記憶部１１より取り込み、両油量減少値Ｘ0 ，
Ｘ1 の比率Ｃ1 を演算し、この比率Ｃ1 をニューラルネ
ットワーク１４に入力すると共に、積算手段２３に供給
する。また、比率Ｃ2 演算手段２２は前々回の油量減少
値Ｘ2 をデータ記憶部１１より取り込み、両油量減少値
Ｘ0 ，Ｘ2 の比率Ｃ2 を演算し、この比率Ｃ2 を積算手
段２３に供給する。積算手段２３は比率Ｃ1 ，Ｃ2 の積
を演算し、ニューラルネットワーク１４に入力する。
手段２０はこの現在の検出信号を受けると、直前の油量
の検出信号をデータ記憶部１１より取り込み、その差を
演算し、油量減少値Ｘ0 としてニューラルネットワーク
１４に入力すると共に、比率Ｃ1 演算手段２１及び比率
Ｃ2 演算手段２２にこの油量減少値Ｘ0 を供給する。比
率Ｃ1 演算手段２１はこれにより前回の油量減少値Ｘ1
をデータ記憶部１１より取り込み、両油量減少値Ｘ0 ，
Ｘ1 の比率Ｃ1 を演算し、この比率Ｃ1 をニューラルネ
ットワーク１４に入力すると共に、積算手段２３に供給
する。また、比率Ｃ2 演算手段２２は前々回の油量減少
値Ｘ2 をデータ記憶部１１より取り込み、両油量減少値
Ｘ0 ，Ｘ2 の比率Ｃ2 を演算し、この比率Ｃ2 を積算手
段２３に供給する。積算手段２３は比率Ｃ1 ，Ｃ2 の積
を演算し、ニューラルネットワーク１４に入力する。
【００２０】一方、演算処理部１２は現在の油量減少値
Ｘ0 を監視し、油量が減少していると判断した場合カウ
ンタ２４に「１」を加え、このカウンタ２４よりカウン
ト値を継続回数Ｎとしてニューラルネットワーク１４に
入力する。ニューラルネットワーク１４はこれらの入力
データが入力されると、上記した学習データに基づいて
パターン認識し、所定の出力値を示す判定信号を出力す
る。比較部１５はこの判定信号を閾値＝０．９と比較
し、判定信号が閾値より大きい場合表示部１６に検知信
号を出力し、漏油の発生を表示させる。判定信号が閾値
より小さい場合表示は行われない。
Ｘ0 を監視し、油量が減少していると判断した場合カウ
ンタ２４に「１」を加え、このカウンタ２４よりカウン
ト値を継続回数Ｎとしてニューラルネットワーク１４に
入力する。ニューラルネットワーク１４はこれらの入力
データが入力されると、上記した学習データに基づいて
パターン認識し、所定の出力値を示す判定信号を出力す
る。比較部１５はこの判定信号を閾値＝０．９と比較
し、判定信号が閾値より大きい場合表示部１６に検知信
号を出力し、漏油の発生を表示させる。判定信号が閾値
より小さい場合表示は行われない。
【００２１】図４は上記したニューラルネットワーク１
４の有効性を確認するため、油量減少の変化率を変えた
場合のニューラルネットワーク１４の出力結果表であ
る。即ち、この確認試験では比率Ｃ1 を０．８，比率Ｃ
1 とＣ2 の積を０．６４とした。但し、油量変化が０．
１〔Ｌｒ〕の時は比率Ｃ1 ＝０．５，比率Ｃ1 とＣ2 の
積＝０．５とし、同変化が０．２〔Ｌｒ〕の時は比率Ｃ
1 ＝１．０，比率Ｃ1 とＣ2 の積＝１．０とした。ま
た、継続回数Ｎが２回以下では比率Ｃ1 とＣ2 の積＝
０．００とし、１回以下では比率Ｃ1 ＝０．００とし
た。
４の有効性を確認するため、油量減少の変化率を変えた
場合のニューラルネットワーク１４の出力結果表であ
る。即ち、この確認試験では比率Ｃ1 を０．８，比率Ｃ
1 とＣ2 の積を０．６４とした。但し、油量変化が０．
１〔Ｌｒ〕の時は比率Ｃ1 ＝０．５，比率Ｃ1 とＣ2 の
積＝０．５とし、同変化が０．２〔Ｌｒ〕の時は比率Ｃ
1 ＝１．０，比率Ｃ1 とＣ2 の積＝１．０とした。ま
た、継続回数Ｎが２回以下では比率Ｃ1 とＣ2 の積＝
０．００とし、１回以下では比率Ｃ1 ＝０．００とし
た。
【００２２】上記確認試験において、比較部１５の閾値
を０．８に設定したところ、図６に示す漏油検知予測量
表が得られた。即ち、０．５〜１．５〔Ｌｒ〕の範囲で
油量が減少している場合その継続回数Ｎが６回で出力値
が０．８以上となり、漏油と判定されるので、漏油の発
生を６０分後に検知できる。尚、検知までの総漏油量は
０．６〜９．０〔Ｌｒ〕となる。
を０．８に設定したところ、図６に示す漏油検知予測量
表が得られた。即ち、０．５〜１．５〔Ｌｒ〕の範囲で
油量が減少している場合その継続回数Ｎが６回で出力値
が０．８以上となり、漏油と判定されるので、漏油の発
生を６０分後に検知できる。尚、検知までの総漏油量は
０．６〜９．０〔Ｌｒ〕となる。
【００２３】また、１．６〜２．６〔Ｌｒ〕の範囲での
減少では継続回数が３回で出力値が０．８以上となり、
漏油と判定されるので、３０分後に検知できる。更に、
２．７〜３．０〔Ｌｒ〕の範囲での減少では継続回数が
２回で出力値が０．８以上となり、漏油と判定されるの
で、２０分後に検知できる。
減少では継続回数が３回で出力値が０．８以上となり、
漏油と判定されるので、３０分後に検知できる。更に、
２．７〜３．０〔Ｌｒ〕の範囲での減少では継続回数が
２回で出力値が０．８以上となり、漏油と判定されるの
で、２０分後に検知できる。
【００２４】次に、油量計として図７に示すフロート式
油量計を用いた場合、図８で示す実測データのように油
量計の挙動がおかしい場合を想定し、ステップ状に油量
が減少しているデータを模擬入力し、このデータを演算
処理部１２に供給し、上記ニューラルネットワーク１４
に入力した。但し、油量減少の率化率は比率Ｃ1 を０．
８，比率Ｃ1 とＣ2 の積を０．６４とし、１０分以前の
油量変化を０．２〔Ｌｒ〕とした。この結果、ニューラ
ルネットワーク１４の出力値は図５に示す値となった。
即ち、油量減少の継続回数Ｎが５回以下であれば出力値
が０．０２となっており、閾値を０．８に設定した場合
油量が油量計の異常によってステップ状に変化しても漏
油と誤判定することがない。
油量計を用いた場合、図８で示す実測データのように油
量計の挙動がおかしい場合を想定し、ステップ状に油量
が減少しているデータを模擬入力し、このデータを演算
処理部１２に供給し、上記ニューラルネットワーク１４
に入力した。但し、油量減少の率化率は比率Ｃ1 を０．
８，比率Ｃ1 とＣ2 の積を０．６４とし、１０分以前の
油量変化を０．２〔Ｌｒ〕とした。この結果、ニューラ
ルネットワーク１４の出力値は図５に示す値となった。
即ち、油量減少の継続回数Ｎが５回以下であれば出力値
が０．０２となっており、閾値を０．８に設定した場合
油量が油量計の異常によってステップ状に変化しても漏
油と誤判定することがない。
【００２５】上記実施例において、油量減少値の変化率
を変更してもよく、例えば、比率Ｃ1 ×Ｃ2 に代えて単
に比率Ｃ2 を用いてもよい。また、３０分以前の油量減
少値Ｃ3 や４０分以前の油量減少値Ｃ4 等をニューラル
ネットワーク１４の学習データ及び入力データとして付
加するようにしてもよい。また、油量減少値は１０分毎
に検出しているが、１分毎又は１時間毎等に検知するよ
うにしてもよい。尚、本発明はフロート式の油量センサ
以外の油量センサを用いた場合でも漏油の有無判定に適
用できる。
を変更してもよく、例えば、比率Ｃ1 ×Ｃ2 に代えて単
に比率Ｃ2 を用いてもよい。また、３０分以前の油量減
少値Ｃ3 や４０分以前の油量減少値Ｃ4 等をニューラル
ネットワーク１４の学習データ及び入力データとして付
加するようにしてもよい。また、油量減少値は１０分毎
に検出しているが、１分毎又は１時間毎等に検知するよ
うにしてもよい。尚、本発明はフロート式の油量センサ
以外の油量センサを用いた場合でも漏油の有無判定に適
用できる。
【００２６】
【発明の効果】以上説明したように、本発明によれば、
ＯＦケーブル線路の油量を所定時間毎に油量センサにて
検出し、この検出した油量に基づいて得たデータをニュ
ーラルネットワークに入力し、このニューラルネットワ
ークより出力される判定信号にて漏油の有無を判定する
ようにしたので、漏油の発生を短時間で正確に判定する
ことができる上に微少な漏油であっても迅速に判定する
ことができる。
ＯＦケーブル線路の油量を所定時間毎に油量センサにて
検出し、この検出した油量に基づいて得たデータをニュ
ーラルネットワークに入力し、このニューラルネットワ
ークより出力される判定信号にて漏油の有無を判定する
ようにしたので、漏油の発生を短時間で正確に判定する
ことができる上に微少な漏油であっても迅速に判定する
ことができる。
【図１】本発明方法に係る漏油判定装置のブロック図で
ある。
ある。
【図２】本発明のニューラルネットワークの構造説明図
である。
である。
【図３】本発明のニューラルネットワークの学習結果を
示す出力結果表である。
示す出力結果表である。
【図４】油量減少の変化率を変えた場合のニューラルネ
ットワークの出力結果表である。
ットワークの出力結果表である。
【図５】ステップ状の実測油量変化に対するニューラル
ネットワークの出力結果表である。
ネットワークの出力結果表である。
【図６】図４の出力結果に基づく漏油検知予測量表であ
る。
る。
【図７】フロート式油量センサの概略斜視図である。
【図８】ＯＦケーブル線路の年間油量変化を示す実測図
である。
である。
【図９】本発明のニューラルネットワークの出力式を示
す図表である。
す図表である。
１０ 油量センサ １１ データ記憶部 １２ 演算処理部 １３ 判定部 １４ ニューラルネットワーク ２５ 制御部 ２６ 計時部
フロントページの続き (72)発明者 坂田 学 宮城県仙台市青葉区一番町三丁目７番１ 号 東北電力株式会社内 (72)発明者 安藤 幸樹 神奈川県川崎市川崎区小田栄２丁目１番 １号 昭和電線電纜株式会社内 (72)発明者 倉田 順 神奈川県川崎市川崎区小田栄２丁目１番 １号 昭和電線電纜株式会社内 (56)参考文献 電力設備の診断装置 電気学会論文誌 Ｂ 電力・エネルギー部門誌 112巻７ 号 平成４年７月発行 第550〜553頁 項目４ 地中送電路 (58)調査した分野(Int.Cl.7，ＤＢ名) H02G 15/28 H02G 15/26
Claims (2)
- 【請求項１】 ＯＦケーブル線路の油量を所定時間毎に
油量センサにて検出し、各検出した油量から所定時間毎の油量減少値、油量減少
の継続回数及び油量減少の変化率を求め、これら 得られ
たデータをニューラルネットワークに入力し、該ニュー
ラルネットワークより出力される判定信号にて漏油の有
無を判定することを特徴とするＯＦケーブル線路の漏油
判定方法。 - 【請求項２】 前記油量減少の変化率は、現在及び直前
に得た油量減少値の比率と、現在及び直前以前に得た油
量減少値の比率と前記比率との積であることを特徴とす
る請求項１に記載のＯＦケーブル線路の漏油判定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1933693A JP3224108B2 (ja) | 1993-01-11 | 1993-01-11 | Ｏｆケーブル線路の漏油判定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1933693A JP3224108B2 (ja) | 1993-01-11 | 1993-01-11 | Ｏｆケーブル線路の漏油判定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH06217446A JPH06217446A (ja) | 1994-08-05 |
| JP3224108B2 true JP3224108B2 (ja) | 2001-10-29 |
Family
ID=11996568
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP1933693A Expired - Fee Related JP3224108B2 (ja) | 1993-01-11 | 1993-01-11 | Ｏｆケーブル線路の漏油判定方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3224108B2 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5533383A (en) * | 1994-08-18 | 1996-07-09 | General Electric Company | Integrated acoustic leak detection processing system |
| CN111425768B (zh) * | 2020-03-31 | 2022-04-26 | 长安大学 | 一种输油管道漏油点与漏油速率的探测方法 |
-
1993
- 1993-01-11 JP JP1933693A patent/JP3224108B2/ja not_active Expired - Fee Related
Non-Patent Citations (1)
| Title |
|---|
| 電力設備の診断装置 電気学会論文誌Ｂ 電力・エネルギー部門誌 １１２巻７号 平成４年７月発行 第５５０〜５５３頁 項目４ 地中送電路 |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH06217446A (ja) | 1994-08-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111694916B (zh) | 浆砌石拱坝自动化监测系统 | |
| KR102064328B1 (ko) | 건축물 지진 피해 예측 정보 제공 장치 및 그 방법 | |
| CN105074503B (zh) | 地震预测装置 | |
| KR102098888B1 (ko) | 재난 피해 예측 및 분석 시스템, 방법 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 | |
| CN107015900B (zh) | 一种视频网站的服务性能预测方法 | |
| JP3224108B2 (ja) | Ｏｆケーブル線路の漏油判定方法 | |
| KR102512532B1 (ko) | 첨두유속 및 발생 시간차이를 이용한 홍수 발생 시간 예측 방법 | |
| US20170097271A1 (en) | System stability monitoring apparatus and method | |
| US6021359A (en) | Method and apparatus for determining an inspection schedule for a production line | |
| CN114396912A (zh) | 一种超大超高层建筑高空连廊两侧不均匀沉降观测方法、系统 | |
| CN111275279B (zh) | 车库充电桩配电箱需要系数调研系统及方法 | |
| CN113986700A (zh) | 数据采集频率的优化方法、系统、装置及存储介质 | |
| JP3220606B2 (ja) | 送電線雪害警報システム | |
| JPH05180713A (ja) | ケーブル張力測定方法及びその装置 | |
| JP3242911B2 (ja) | 静止誘導電器の異常診断装置 | |
| KR102512531B1 (ko) | 첨두유속 및 첨두수위를 이용한 홍수위 예측 방법 | |
| CN109213967A (zh) | 一种运载火箭数据预测方法及装置、存储介质和电子设备 | |
| CN118095841A (zh) | 一种火灾发生概率预估方法及系统 | |
| JPH07121230A (ja) | プラント状態予測装置 | |
| JP2555395B2 (ja) | 部分放電診断装置 | |
| JPH0862343A (ja) | 降雨判定装置 | |
| CN116469232A (zh) | 一种基于库水位骤降的滑坡安全预警方法及设备 | |
| KR20230127141A (ko) | 건축물 회복탄력성 붕괴에 따른 중대재해 예방 시스템 및 이를 이용한 방법 | |
| CN114967647A (zh) | 一种负荷频率控制系统的攻击风险评估方法及装置 | |
| JP3304450B2 (ja) | 送電線の事故区間標定方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313115 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| LAPS | Cancellation because of no payment of annual fees |