JP3823248B2 - 交流モータのステータ回転故障検出器およびその検出システムおよびその方法 - Google Patents

Description

【０００１】
【発明の属する技術分野】
本発明は、電気モータ監視システムに関し、特に、交流モータにおけるステータの回転故障を検出するための装置およびその方法に関する。
【０００２】
【従来の技術】
三相交流モータ等の電気モータは、商業的および産業的環境において多岐にわたり使用されている。冷蔵システム、プリントプレス、アセンブリライン、および種々の応用において、このようなモータが用いられる。この利用に関係なく、モータの故障を迅速に検出することは、非常に重要である。
【０００３】
一般的に、モータ故障は、電気モータが完全にブレークダウンするまで検出されない。これにより、不当な費用を招き、修理における電気モータの停止時間の遅延、および起こりうる危険状態を作り出す。その結果、電気モータの完全なブレークダウンの前にモータの故障、特に、ステータ回転故障を効果的にかつ有益に検出することが必要である。
【０００４】
電気モータに対する従来の監視技術は、ステータ回転故障をブレークダウンの前に検出するには不十分である。一般的に、電気モータ監視装置は、ロータにおける欠陥から生じるモータ故障を検出する。これらの欠陥は、ロータの回転中にのみ検出することができる。
【０００５】
これらの既知のシステムは、回転中にロータにより発生したスペクトルの調波における変化を判断する。しかし、電気モータのステータは、固定部材であり、それゆえ、欠点は、付加的な調波を生じないことである。
このような従来技術を利用する場合、電気モータにおけるステータの巻線のブレークダウンまたは故障から生じるモータ故障を検出するので、この方法は有効ではない。
【０００６】
従来のステータ回転故障システムは、また厄介な問題を有している。これら既知のステータ回転故障システムは、効率的でなくかつ時間を浪費する。多くの方法が、理想的でかつバランスの取れたモータの形式を使用するが、実際の機械は理想的でないので失敗する。
１つの方法は、電気モータの過度の作動状態に対するデータを含む参照用テーブルを導き出すことが必要である。この参照用テーブルを有効にするための十分なデータを蓄積するために、種々の作動状態下で、多数のサイクルを介して電気モータを回転させることが必要である。
【０００７】
ステータの回転故障があるかどうかを判断するために、電気モータの正常作動中においてある瞬時の時間で集められた作動データと、類似の作動パラメータでの電気モータに対する参照用テーブルのデータとが比較される。回転故障を判断するための有効性は、この参照用テーブルの範囲および程度による。参照用テーブルの範囲と程度が大きければ、それだけ、費用がかかる。こうして、既知のステータ回転故障における検出機構の利用は、かなり制限を受けるとともに多くの費用がかかる。それゆえ、この参照用テーブルは、全ての作動状態に対するデータを含むことはできない。
【０００８】
さらに、従来のこれらのステータ故障検出システムは、重み付けされたファーストフーリエ変換（WFFT)を用いる。このWFFTは、変換を実行するために所定の時間にわたっていくつかの組のデータを必要とする。
【０００９】
考えられるすべての各作動状態を記憶するための参照テーブルを不要にするとともに、電気モータのステータに関連するモータ故障を検出するステータ回転故障装置およびその方法を設計することが望ましい。
【００１０】
【発明が解決しようとする課題】
本発明は、モータ故障を検出するための作動パラメータ基準テーブルを不要とし、かつ上述の問題を克服するオンザフライ(on-the-fly)式のコンピュータネットワークを使用できる交流モータのステータ回転故障検出器およびその検出システムおよびその方法を提供することを目的としている。
【００１１】
【課題を解決するための手段】
上記目的を達成するために、本発明は、各請求項に記載の構成を有する。本発明は、フィードフォワード・ニューラルネットワークを用いることによって、上述の参照用テーブル、及びモータの全ての作動パラメータを推定しまたは発生させなければならないことに代わる方法を提供する。
【００１２】
本発明は、既知の良好な作動状態下にある電気モータの電圧データおよび電流データを獲得する工程を含む。存在する電圧および電流のデータを変換するためにコンピュータプログラムが与えられ、その特性データは、容易に得られかつ後の使用のために保存される。
このシステムは、また、実際の作動状態下にある電気モータから瞬時データを得るための手段を有する。この瞬時のデータは、フィードフォワード・ニューラルネットワークによって発生する推定されたデータと比較される。上述のデータの比較に基づいて、電気モータにおける一組のステータ回転故障値が正確に識別される。
【００１３】
それゆえ、本発明のある構成によれば、電気モータ用のステータ回転故障検出器が開示されている。この検出器は、電気モータに供給される電流および電圧の信号を得るために複数のセンサを有する。この電流データおよび電圧データにおける各シーケンス成分は、フィードフォワード・ニューラルネットワークに接続されるとともに複数のセンサに接続されたプロセッサによって計算される。フィードフォワード・ニューラルネットワークは、電流値および電圧値、または、その少なくとも一部分を受け取り、比較器に出力される推定値を計算する。この推定値および瞬時値の分析に基づいてステータ回転故障の兆候が判断される。
【００１４】
本発明の別の構成によれば、ステータ回転故障検出システムが開示され、このシステムは、マイクロプロセッサとコンピュータ用読出し可能記憶媒体を有する。コンピュータ用の読出し可能記憶媒体上に記憶されたコンピュータプログラムによって命令されると、マイクロプロセッサは、少なくとも１つの入力を介して基本周波数データを受け取る。このデータは、電気モータに供給する、ライン電圧の正および負のシーケンス成分と、ライン電流の正のシーケンス成分を有する。コンピュータプログラムによって命令されるとき、マイクロプロセッサは、フィードフォワード・ニューラルネットワークを初期化し、上述のデータに基づいて、推定したライン電流の負のシーケンス成分を決定する。本発明は、また、ライン電流の推定された負のシーケンス成分を出力するための少なくとも１つの出力を有する。
【００１５】
本発明の更に他の構成によれば、電気モータにおけるステータ回転故障を検出するための装置は、正しく作動する既知の電気モータからのライン電圧信号およびライン電流信号を受け取るための手段を有している。時間に対して連続的な電圧信号および電流信号の少なくとも一部分のシーケンス成分を決定するための変換手段が設けられている。本発明は、さらに、上述のシーケンス成分に基づく推定された電流値を出力するための手段を有している。この推定した電流値は、順次、比較手段を介して、リアルタイムで得られる瞬時に獲得された電流値と比較される。
【００１６】
本発明の別の構成によれば、コンピュータプログラムは、電気モータにおけるステータ回転故障を検出するために設けられている。このプログラムが実行されると、コンピュータは、良好な作動手順の作動中、電気モータの基本周波数データを得る。このコンピュータプログラムは、さらに、基本周波数データの少なくとも一部分が、複数のウエイトを有するフィードフォワード・ニューラルネットワークに入力される。コンピュータは、フィードフォワード・ニューラルネットワークをトレーニングして、各ウエイトをある値に収束し、この値をメモリに記憶する。コンピュータは、瞬時作動中、電気モータから基本周波数データを得る。この瞬時の基本周波数パラメータは、フィードフォワード・ニューラルネットワークに入力される。コンピュータは、次に、モータの瞬時作動における推定した基本周波数パラメータを獲得して、このパラメータと瞬時の基本周波数パラメータと比較し、交流モータにおける回転故障を判断する。
【００１７】
更に本発明の別の構成によれば、交流モータにおけるステータ回転故障を検出するための装置が開示される。この装置は、少なくとも２つの交流モータの電流信号を得るために少なくとも２つの電流センサと、少なくとも２つの交流モータの電圧信号を得るために少なくとも２つの電圧センサを有している。この交流モータの電流信号と電圧信号は、アナログ／デジタル変換器に入力され、デジタル電流信号とデジタル電圧信号を生じる。本発明において、マイクロプロセッサは、デジタル信号を解読して交流モータ作動の基本周波数シーケンスパラメータを計算する。交流モータの作動における推定した基本周波数パラメータは、フィードフォワード・ニューラルネットワークによって決定される。
【００１８】
更に、本発明の別の構成によれば、電気モータにおけるステータの回転故障があるかどうかを検出するための方法が開示されている。この方法は、電気モータの良好な作動状態中、電気モータから基本周波数トレーニングパラメータを獲得する工程を有する。このステータの回転故障を検出する方法は、電気モータの正常状態の推定した基本周波数値を決定するために、基本周波数トレーニングパラメータからシーケンスフェーザー(phasor;位相）を決定すること、およびこれらの推定した基本周波数値（推定値）を決定することを含んでいる。好ましくは、この方法は、さらに、電気モータの使用時に電気モータから瞬時の基本周波数値（瞬時値）を獲得する工程をさらに含んでいる。この方法は、次に、この瞬時の基本周波数値と作動の推定した基本周波数値を比較して、故障値を決定し、さらに、この比較に基づく故障値を指示する。この故障値は、電気モータ内に、ステータ回転故障があるかを表示している。
【００１９】
さらに、本発明の別な構成によれば、交流モータにおけるステータ回転故障が存在するかを判断するための方法は、フィードフォワード・ニューラルネットワークのシーケンスパラメータを選択し、さらに、良好な作動状態下で、交流モータの形式を学習するために、フィードフォワード・ニューラルネットワークをトレーニングする各ステップを含んでいる。また、この方法は、モータの使用時に交流モータの測定された値を獲得し、使用中の電気モータから取られた測定値を交流モータ作動の推定値と比較する各ステップを含んでいる。この方法は、ビジランス値(vigilance value)を越える回転故障値が検出されるまで、上述のステップを繰り返す。このような回転故障値が検出されるとき、この方法は、交流モータにおけるステータ回転故障の存在を使用者に指示する。
【００２０】
本発明の種々の他の特徴、目的、および利点は、以下で説明する詳細な記述と図面に基づいて明らかになるであろう。
【００２１】
【発明の実施の形態】
本発明の実施の形態を図面に基づいて説明する。本発明の作動環境は、図１に示すような三相交流誘導モータに関して記述される。しかし、本発明は、電気モータの他の形式と同様に、単一レイヤーまたは他の多相交流モータに使用することができる。
【００２２】
図１において、回転故障検出器が示されており、この検出器は、図２において説明される回転故障検出方式を包含している。ステータ回転故障システム１０は、伝送ライン１６a、１６ｂ、１６ｃを介して電気モータ１４に接続した電源１２を含んでいる。このステータ回転故障システム１０は、さらに、伝送ライン１６a、１６ｂ、１６ｃを通って電気モータ１４に伝達される電流および電圧を監視するためにアナログ−デジタル変換器（ＡＤ変換器）２０を有する汎用コンピュータ１８を含む。電流センサ２２a、２２ｂは、モータ１４に流れる電流の波形を得て、この波形を伝送ライン２４a、２４ｂを介してＡ／Ｄ変換器２０に伝送する。電圧センサ２６a、２６ｂは、モータ１４に供給される電圧の波形を得て、この波形を伝送ライン２８a、２８ｂを介してＡ／Ｄ変換器２０に伝送する。Ａ／Ｄ変換器２０は、この電流波形と電圧波形を受け取り、この波形の測定値が容易に得られるように各波形をデジタル化する。コンピュータ１８は、Ａ／Ｄ変換器２０からのデジタル化された信号を受け取るマイクロプロセッサ３０を有し、図３〜図１０に従って論じるようにマイクロプロセッサ３０がデジタル化信号を分析するコンピュータプログラムを実行する。
【００２３】
コンピュータ１８は、マイクロプロセッサ３０に接続されたオーバーライド端子３２を有し、作動時に交流誘導モータ１４の使用者がマイクロプロセッサ３０の出力オーバーライドできるようにする。このようなオーバーライドは、モータ故障にかかわらずプロセスを続行する重要なアプリケーションにおいて、シャットダウンを遅らせるのに役立つ。マイクロプロセッサ３０は、出力端子３４を介してモータ１４の使用者にデータを出力する。
【００２４】
図２は、システムのブロック図であり、このシステムは、マイクロプロセッサ３０によって実行されるコンピュータプログラムを含んでいる。デジタル化した波形の電圧および電流データ（基本周波数データ、基本周波数シーケンスパラメータまたは入力レイヤーともいう。）３６は、このデータを処理するフィードフォワード ネットワーク３８に入力され、実際の作動における電気モータ１４における電流の負シーケンス成分のリアル部分４０ａとイマジナリー部分４０bに対する推定値を出力する。比較器４２は、この推定データ４０ａ、40ｂを受け取り、推定データ４０a、４０ｂと実際のデータ成分とを比較する。この推定データ４０ａ、４０ｂは、推定された基本周波数値、推定された基本周波数パラメータまたは出力レイヤーともいう。実際の動作中に得られる電気モータ１４の負シーケンス電流のリアル成分４４ａとイマジナリー成分４４ｂを含む。これら測定値の成分４４ａ、４４ｂは、瞬時の基本周波数値または瞬時の基本周波数パラメータともいう。比較器４２は、一般的に加算器、減算器、または合算器を含み、以後、一般的に比較器として言及する。故障指示器４６は、比較器４２から出力値を受け取り、電気モータ１４の故障状態４８の存在を示す。
【００２５】
本発明は、種々の故障指示器４６を想定しており、電気モータ１４の更なる作動を防止するセルフオーガナイジング フィーチャ マップ（ＳＯＦＭ）４６ａに制限されることなく、ホーン音を出力したり、針の振幅を用いて故障を示したり、および／またはフラッシュ光を出力したり、その他色々の方法が考えられる。ＳＯＦＭ４６ａは、電気モータ１４の作動状態を図式化するニューラルネットワークである。電気モータ１４の作動状態を適切に示すために、ＳＯＦＭ４６ａは、入力として、負シーケンス電圧５０の出力値４８および振幅を受け取る。
【００２６】
本発明は、代わりのものとして、第２故障指示器４６ｂを用いることも想定している。第２指示器４６ｂは、メータ、一組の故障ライト、あるいは、ここで言及された故障指示器のいかなる組み合わせも含むことができる。ステータ回転故障を検出する技術の熟練者であれば、本発明の実行において、ＳＯＦＭ４６ａに限って使用されるものではなく、代わりに他の特定の故障指示器を使用できることが理解できるであろう。
【００２７】
図３は、Ａ／Ｄ変換器２０からマイクロプロセッサ３０によって受け取られるデジタル化した電流波形および電圧波形の変換を示している。この変換は、一般的に、シンクロナス リファレンス フレーム（ＳＲＦ）変換と呼ばれ、良く知られている。ＳＲＦは、デジタルデータを変換するための技術であり、ファースト フーリエ変換（ＦＦＴ）と違って、データの連続的な変換を可能にする。ＳＲＦ変換と異なるＦＦＴが、使用できる結果が得られる前に、デジタルデータに基づいて実行される前に、データを集計するいくつかのサイクルが必要である。
【００２８】
好ましくは、ＳＲＦ変換１００は、図２において、上述した方法で、２つのライン電流および２つのライン電圧を最初に得る。２つのライン電圧Ｖ_ab、Ｖ_bcが静止基準フレーム１１０に変換され、各々真数(real number)である静止電圧Ｖ^s _qs、Ｖ^s _dsのｄ軸およびｑ軸をそれぞれ計算する。静止電圧Ｖ^s _qs、Ｖ^s _dsは、同期基準フレーム１２０に変換される。静止電圧Ｖ^s _qs、Ｖ^s _dsを同期基準フレーム１２０に変換するために、変換角度eが、同期基準フレーム１２０に入力されなければならない。同期基準フレーム１２０の出力Ｖ^e _dsは、加算器１２２に入力される。加算器１２２の出力は、デジタルＰＩコントローラ１２４に入力され、ｄ軸電圧をゼロに調整する。閉ループにおいて、周波数ｓを調整し、さらに積分器を使用することによって、変換角度eの値は、ｄ軸電圧Ｖ^e _dsがゼロに向かうように収束される。そして、ｑ軸の同期電圧Ｖ^e _qsが低域フィルタ１２８を通過し、そのＲＭＳ値１３０に変換してライン間電圧Ｖ_Lspの正シーケンス成分の振幅を生じる。このＲＭＳ値の電圧Ｖ_Lspは、ライン−ニューラル位相計算器(phasor calculation)１４８に出力される。
【００２９】
ライン間電圧Ｖ_Lsp、およびarg（Ｖ_Lsn）のそれぞれの負シーケンス成分の振幅および位相を決定するために、静止ｑ軸電圧Ｖ^s _qs、静止ｄ軸電圧Ｖ^s _ds、および収束した変換角度eは、同期基準フレーム１３２に入力される。この同期基準出力Ｖ^e _qs、Ｖ^e _dsは、Ｖ_Lsnおよびarg（Ｖ_Lsn）を計算する前に低域フィルタ１３４ａ、１３４ｂを通過する。Ｖ_Lsnおよびarg（Ｖ_Lsn）を計算１３６は、以下のように設定される。
【００３０】
【数１】

計算されるライン間電圧の負シーケンス成分の振幅および位相は、ライン−ニューラル位相計算器１４８に出力される。
【００３１】
電流波形の正および負のシーケンス成分における両方の振幅および位相に関する計算は、ライン間電圧の振幅および位相の両方における負のシーケンス成分の計算と非常に類似する。しかしながら、変換角度eは、負でなければ同期基準フレーム１３８への変換に入力され、ライン電流の正のシーケンス成分に対する振幅および位相を計算する。
【００３２】
ライン電流の正のシーケンス成分の計算は、次の通りである。
【数２】

ライン電流の負シーケンス成分を計算するために、変換角度eは、修正されて−1140.eだけ乗算され、i_sqsおよびi_sdsが同期基準フレーム１４２に入力される。１４２における結果は、２つの値i^.e _qsおよびi^.e _dsであり、この値は低域フィルタを通過した後、ライン間電流の負シーケンス成分を与える計算１４６に使用される。
【００３３】
ライン電流の負シーケンス成分を計算するための式は、次の通りである。
【数３】

正および負のシーケンス成分は、１４８において、位相計算のために出力される振幅および位相を有する。
【００３４】
位相計算１４８は、図２のフィードフォワード・ニューラルネットワーク３８の入力データを計算するのに必要である。フィードフォワード・ニューラルネットワーク３８への入力データ３６であるＶ_sp、Ｖ_{sn_real}、Ｖ_{sn_imag ・}、Ｉ_{sp_real}、およびＩＶ_{sp_imag ・}が次の通り計算される。
【００３５】
【数４】

ライン電流の負シーケンス成分の位相計算１４８は、実数と虚数のＩ_{sp_real}、およびＩＶ_{sp_imag ・}が、図２において論じられたようにフィードフォワード・ニューラルネットワーク３８によって発生した推定の負シーケンス成分４０ａ、４０ｂと比較される。
【００３６】
本発明により考えられるフィードフォワード・ニューラルネットワーク３８は、２つの明確な作動段階、即ち、トレーニング段階とテスト段階を有する。図４は、フィードフォワード・ニューラルネットワーク３８の最も一般的なトレーニング方法のフローチャート図である。フィードフォワード・ニューラルネットワーク３８のトレーニングは、５×１の入力ベクトルｐの形式でネットワーク３８の隠れたレイヤーに入力データ３６を入力１６０することから始まる。隠れたレイヤーは、隠れたレイヤーの多数のニューロン５２、Ｍ_hidと、５×Ｍ_hidの次元を有するウエイトマトリックスＷ_hidを形成するウエイト５４とからなる。このウエイトは、予め決められた値に設定され、入力データ３６における変化に応答して変化する。
【００３７】
一般的に、各ウエイトは、ゼロ値に予め設定される。隠れたレイヤーのニューロン５２は、入力データ３６上で実行される特定の算術的機能に対応する。隠れたレイヤーの出力を決めるために、一般的に表示されたステップ１６２では、隠れたレイヤーのウエイトマトリックスの転置Ｗ_hid ^Tとベクトルｐの積にｂ_hidが加えられる。このバイアスベクトルは、Ｍ_hid×１として次元付けられた隠れたレイヤーのニューロンに対するベクトルである。双曲線タンジェントは、式(12)に示すように隠れたレイヤーの出力ｙ_hidを決定するために合算される。
ｙ_hid ＝tanh（Ｗ_hid ^Tｐ＋ｂ_hid） （12）
【００３８】
この隠れたレイヤー１６２の出力ｙ_hidを決定した後、ニューラルネットワークの出力ｙ_outは、１６４で示す出力レイヤーにおいて計算される。一般的に、この出力レイヤーは、多数のニューロンとウエイト（図示略）からなる。以下に示す式（13）を解くことにより積ｙ_outが与えられる。Ｗ_out ^Tは、Ｗ_outの転置マトリックスを表し、ｂ_outは、出力レイヤーのニューロンに対する２×１バイアスベクトルを表す。Ｗ_outは、Ｍ_hid×２として次元付けられた出力レイヤーのウエイトマトリックスである。
ｙ_out ＝Ｗ_out ^Tｙ_hid ＋ｂ_out （13）
【００３９】
フィードフォワード・ニューラルネットワーク３８の出力ｙout は、電気モータ１４の連続するトレーニング作業の測定値ｙdesから式（14）に従って減算され、予測１６６における誤差を計算する。同様に、ｙout 、ｙdesは、電気モータ１４のライン電流における振幅および位相を有する負シーケンス成分の２×1ベクトルである。
ｅ ＝ｙdes−ｙout （14）
【００４０】
式（14）により生じるように、ｙdesとｙoutの差ｅは、電気モータ１４の作動の実際値とフィードフォワード・ニューラルネットワーク３８によって生じた推定値との差を示し、予測における誤差として一般的に言及される。電気モータ１４または計測器における不均衡な電源または固有の歪がないならば、ｅの値は、ゼロとなるであろう。しかし、電源または計測器において、固有の歪がない正確な均衡は、起こりそうにない。その結果、ｅは、わずかではあるがいくらかの正の値を有することになる。
【００４１】
ステップ１６６での(ｅ)の計算の後、ウエイトマトリックスの値は、既知の「デルタ規則」に従ってステップ１６８で更新される。このデルタ規則は、ニューラルネットワークのウエイトマトリックスを更新するための手段であり、サイモン ハイキンによる「ニューラルネットワーク”ア コンプリヘンシブ ファウンデイション（プレンティス ホール出版、１９９９年）」において一般的に知られており、そこに開示されている。ステップ１６８でウエイトマトリックスを更新した後、学習比率および他のトレーニングパラメータがステップ１７０で更新される。
【００４２】
ステップ１６８でウエイトマトリックスを更新され、また、ステップ１７０で学習比率および他のトレーニングパラメータが更新された後、ｅのノルムが、ステップ１７２で推定され、その値が与えられたトレーニング入力３６より十分に小さいかどうかを決定する。ｅのノルムが十分に小さくなければ、新しいデータ３６が得られステップ１６２で隠れたレイヤーに入力され、ｅは、隠れたレイヤーのウエイトに対する値を用いて再計算され、出力レイヤーが変えられる。予測における誤差は、隠れたレイヤーと出力レイヤーに対するウエイトが適当な値に変換されて始めて十分に小さくなる。予測の誤差がゼロまたは検出システム１０の使用者によって受け入れられると考えられる値に等しいときにウエイトの変換が生じる。マイクロプロセッサ２０は、メモリにおけるフィードフォワード・ニューラルネットワーク３８の試験段階中に使用のために、収束でのウエイト値をメモリにストアする。
【００４３】
ｅのノルムが十分に小さいとき、フィードフォワード・ニューラルネットワーク３８のトレーニング段階は、完了する。ｅのノルムが十分に小さいかどうかの決定は、予め決められたスレッショルド値に従う。電気モータ１４の作動状態および使用目的に従って、10％の予測誤差は、十分に小さいものであり、一方、他の応用では、より低い予測誤差を必要とする。
【００４４】
図５は、一般的にグローバルミニマムトレーニング（ＧＭＴ）と呼ばれている。フィードフォワード・ニューラルネットワーク３８を作動させるための既知例の１つである。ニューラルネットワークのＧＭＴは、図４に示すニューラルネットワーク３８の一般的なトレーニングに非常に類似している。しかし、ＧＭＴを用いて、モータが動作中、ウエイトマトリックスが更新されず、また学習比率およびトレーニングパラメータもない。ＧＭＴを取り入れるには、異なる電流および電圧状態に対応するデータが、トレーニングに先立って利用可能になることであり、即ち、ある時間間隔で蓄積されなければならい。
【００４５】
その結果、電気モータ１４は、十分なトレーニングデータが得られるように、いくつかの作動サイクルの間、回転される。最も正確なグローバルミニマムを達成するために、主要データメモリにさらに大きなデータ組が必要とされ、この大きなデータ組は、長いトレーニング時間を必要とする。トレーニングポイントの数は、機能的な概算値の正確さを向上させ、グローバルミニマムが改善される。要約して説明したように、他のトレーニングと比較して、グローバルミニマムトレーニングは、最もコストが掛かりかつ非効率であると現在では考えられている。
【００４６】
図６は、隠れたレイヤーおよび出力レイヤーのウエイトが、図４の一般的トレーニングを伴う図５のＧＭＴ処理を用いて収束された、フィードフォワード・ニューラルネットワーク３８の試験を示すものである。ライン電圧およびライン電流のシーケンス成分は、ステップ１７４でニューラルネットワーク３８に入力され、そして、隠れたレイヤーおよびニューラルネットワークの出力は、図４において説明したように、ステップ１６２，１６６で計算される。このとき、トレーニング段階ではないが、誤差がステップ１７６で計算され、予測における誤差は、ウエイトの不正確な支持によるものではなく、むしろ電気モータ１４における回転ステータの回転故障の始まりを示すものである。動作中の電気モータ１４から集められたデータに基づいてフィードフォワード・ニューラルネットワーク３８のトレーニング中に、ウエイトが収束されるので、不均衡な電圧と同様に、計測器および電気モータにおける不均衡も考慮に入れる。本質的に、トレーニング段階中、フィードフォワード・ニューラルネットワーク３８は、現在理想的でない状態の電気モータ１４の作動状態を学習する。
【００４７】
フィードフォワード・ニューラルネットワーク３８の試験により、予測における誤差の正規化された値とステップ１７８でのビジランス（警戒）値とを比較する。このビジランス値は、電気モータ１４がブレークダウンする許容限界を使用者に指示するためのユーザ決定値である。高いビジランス値は、予測におけるより高い誤差を発生し、電気モータ１４において、ステップ１８０で回転故障があるという信号を送る。一方、低いビジランス値は、ｅのより低い値を指令する。ｅの正規化が、ステップ１７８でのビジランス値よりも大きい場合、ステップ１８０で回転故障があるという信号を送る。そうでなければ、フィードフォワード・ニューラルネットワーク３８ステップ１７４でシーケンス成分を再度必要とし、試験段階を繰り返す。ｅのノルムがビジランス値を越えない限り、ステップ１７４で始まるループが続行される。
【００４８】
図７は、フィードフォワード・ニューラルネットワーク３８のトレーニングおよび試験が行われる別の実施形態を示し、これは、コンティニュアル−オンライン トレーニング（Continual-online Training [ＣＯＴ]）と呼ばれる。ＣＯＴは、フィードフォワード・ニューラルネットワーク３８をトレーニングするための既知の方法であるが、ＣＯＴは、ステータ回転検出方式において利用されてこなかった。このＣＯＴにおいて、シーケンス成分は、前に論じられたように得ることができる。ＣＯＴを用いる場合、Ｔ秒毎に多数の試験スロットおよび１つのトレーニングスロットがある。それゆえ、フィードフォワード・ニューラルネットワーク３８のウエイトは、シーケンス成分における変化に応答して擬似的な連続性を持って更新される。一般的に、５つのスロット毎に１つのトレーニングスロットがあり、このスロット中にシーケンス成分データがウエイトマトリックスを更新するために用いられる。４つの残りのスロットは、データを試験するために取って置かれ、ステータの回転故障が電気モータ１４において現在発生しているかどうかを判断するために使用される。トレーニングスロットにおいて、予測における誤差（ステップ１８４）は、式（14）を解くことによって決定される。予測における誤差が、ステップ１８５において十分大きい場合、ステップ１９０で電気モータ１４の使用者に故障信号が送られる。予測における誤差が十分大きくない場合、そのとき、ウエイトマトリックスがステップ１８６で更新され、新しいシーケンス成分データがステップ１８８で得られる。トレーニングスロット１８２，１８３において、シーケンス成分は、一時的なトレーニング評価１９２を受ける。この一時的なトレーニング評価１９２は、ＣＯＴが一時的なトレーニング中にあるかどうかを判断する。一時的なトレーニングが発生していると、そのとき、新しいシーケンス成分がステップ１８８で得られ、トレーニングが新しく始まる。一時的なトレーニングが存在しない場合、そのときネットワーク誤差ｅは、図４で論じたようにステップ１９４において計算される。ネットワーク誤差ｅは、このとき、ステップ１９６でビジランス値と比較され、電気モータ１４の使用者に回転故障であるという故障信号を送るどうかを判断する（ステップ１９０）。
【００４９】
図８において、擬似グローバルミニマムトレーニング（Quasi-global Minimum training [ＱＧＭ]）が示され、これはフィードフォワード・ニューラルネットワーク３８をトレーニングするための別の実施形態である。ＱＧＭトレーニングは、データベースの大きさが制限される点を除いて図５のグローバルミニマムトレーニングと非常に類似している。
【００５０】
一般的に、データベースは、１日コースにおいて見られる異なる作動状態の数に対応して十分に大きい。このデータベースは、ある時間間隔で更新され、新しい入力がデータベース全体に得られたとき、残りのデータがフィードフォワード・ニューラルネットワーク３８に設定される最も可能性のあるトレーニングを与えるように現在ある入力を放棄する。その結果、新しい入力がデータベースに加えられるときに、ウエイトだけが更新される。従って、図７のＣＯＴ方式と比較されるＱＧＭ方式では、ほどんど計算を必要としない。
【００５１】
擬似グローバルミニマムトレーニングを用いて、隠れたレイヤーのニューロンＭhidの数が、新しい入力を得るステップ１９８の前に初期化される。この隠れたレイヤーのニューロンが初期化された後、データベース２００にストアされたシーケンス成分は、フィードフォワード・ニューラルネットワーク３８の隠れたレイヤーに入力し、予め設定されたように、予測における誤差ｅが得られる。予測における誤差がステップ２０２で計算された後、ウエイトマトリックスおよび学習パラメータが、図４において論じられたように、ステップ２０４で更新される。予測における誤差のノルムが、十分に小さい場合（ステップ２０６，２０７）、フィードフォワード・ニューラルネットワーク３８のトレーニングは終了する。
【００５２】
もしステップ２０６，２０９でない場合は、隠れたレイヤーのニューロンの数が１つだけ増分され（ステップ２１１）、そして、ウエイトマトリックスがステップ２０８で再度初期化される。トレーニング誤差を予め定めたスレッショルド値に制限するために、データベースの大きさが増加するに従って隠れたレイヤーのニューロンの数を増加しなければならない。新しい入力がデータベースに蓄積されたシーケンス成分からかなり異なる場合、そのとき、フィードフォワード・ニューラルネットワークのウエイト５４が収束しなくなり、予測における誤差が高い値にとどまることになる。その結果、フィードフォワード・ニューラルネットワーク３８の試験は、ウエイト５４が収束できるように、十分な入力をデータベースに加えるまで中断されなければならない。
【００５３】
ＣＯＴアルゴリズムは、入力データ３６を蓄積するためのデータベースを有しておらず、また、ＱＧＭアルゴリズムは、かなり異なる入力がデータベースから得られる場合、ウエイトを収束することができないので、本発明は、各アルゴリズムの組み合せを考慮する。ＣＯＴ−ＱＧＭの組み合せにより、２組のウエイトが故障診断に用いられる。１組は、ＣＯＴアルゴリズムによって加えられ、また他の１組は、ＱＧＭ方式によって加えられる。１つの方式のみでは、所定の時間でアクティブにされるので、計算の複雑性は増加しない。
【００５４】
図９は、ＣＯＴ−ＱＧＭモードに対するトレーニングアルゴリズムを表している。ライン電流およびライン電圧のシーケンス成分の入力データ３６が得られる前に、このデータ３６が、ステップ２１０で最後のＱＧＭのウエイトが更新されてから付加されるかどうかを判断する決定がなされる。データ３６が付加された場合、フィードフォワード・ニューラルネットワーク３８のウエイトがステップ２１２において、図４において論じられたように、ＧＭＴアルゴリズムに従って加えられる。予測における誤差ｅのノルムが低い場合、ＱＧＭアルゴリズムがステップ２１６において初期化される。予測における誤差ｅのノルムが低くない場合、そのとき、ＣＯＴアルゴリズムがステップ２１８において実行される。どのモードが実行されようとも、ＣＯＴ−ＱＧＭアルゴリズムは、フィードフォワード・ニューラルネットワーク３８への入力に対するシーケンス成分をステップ２２０において与えられる。
【００５５】
ステップ２２２において、ＣＯＴ−ＱＧＭアルゴリズムは、擬似グローバルミニマムデータベースに入力を加えるべきか判断する。ＣＯＴのウエイト５４は、図８に従ってＱＧＭにおける作動中でさえも、ステップ２２４において更新される。これは、ＣＯＴのウエイト５４が、予め決められたスレッショルド値よりも少ない予測における誤差を伴って収束するように、かなり長い時間をかけて、ＱＧＭモードからＣＯＴモードへの切換えが、起こらないようにすることを確実にする。
【００５６】
更に、図１０において、完全なＣＯＴ−ＱＧＭの試験アルゴリズムによって、フィードフォワード・ニューラルネットワーク３８が一時的なトレーニング中であるかどうかを判断する決定がなされる。もしそうであるならば、ＣＯＴ−ＱＧＭ方式の試験モードは、ステップ２２８で終了する。もしそうでないならば、ＣＯＴ−ＱＧＭアルゴリズムは、ステップ２３０において、最後の擬似グローバルミニマムウエイトが更新されるので、データ３６が付加されたかどうかを判断する。データが付加されたのであれば、ＣＯＴ−ＱＧＭアルゴリズムの試験モードは、ステップ２２８で終了する。そうでない場合、図３で論じたように、入力データ（ライン電流とライン電圧のシーケンス成分）がステップ２３２で得られる。この入力が新しいものであるなら（２３４，２３５）、そのとき、ＣＯＴ−ＱＧＭアルゴリズムは、ステップ２２８で終了する。そうでなければ、図４で論じた方法で、ステップ２３６において、予測における誤差ｅが計算される。予測における誤差の正規化がビジランス値（ステップ２３８，２３９）よりも小さい場合、新しいシーケンス成分が、ステップ２３２で得られ、そして、フィードフォワード・ニューラルネットワーク３８に入力される。ステップ２３８において、予測における誤差のノルムがビジランス値より大きい場合、ステップ２４０において、電気モータ１４の使用者に回転故障信号が送られる。
【００５７】
いくつかのトレーニングアルゴリズムとこれに対応する試験アルゴリズムが本発明において具体化されてきたが、特定のトレーニングおよび試験アルゴリズムの選択は、設計上の選択であり、ステータ回転故障検出器の意図した使用および利用に基づく。ステータ回転故障検出システム１０の機能は、いかなる特定の試験および／またはトレーニングアルゴリズムに制限されないことが理解できるであろう。
【００５８】
本発明は、電気モータおよびさらに特定すれば交流モータ１４と共に使用するためのステータ回転故障検出器の使用を意図している。交流誘導モータ１４を伴うステータ回転故障検出器１０の１つの利用が、図１に示されている。このステータ回転故障検出器１０は、交流誘導モータ１４から電流値および電圧値を得るために複数のセンサ２２ａ、２２ｂ、２６ａ、２６ｂを含み、さらに、電流値のシーケンス成分と電圧値のシーケンス成分とを計算するためのプロセッサ３０を含んでいる。このプロセッサ３０に接続されたフィードフォワード・ニューラルネットワーク３８は、シーケンス成分を受け取り、そして、交流誘導モータ１４の負シーケンス電流値の推定値を示す出力値を決定する。さらに、フィードフォワード・ニューラルネットワーク３８の出力値を交流誘導モータ１４からの一組の実際の電流値と比較して故障値を決定するために比較器４２が設けられている。プロセッサ３０は、電圧値および電流値に同期基準フレーム変換を適用して、フィードフォワード・ニューラルネットワーク３８によって使用される対応するシーケンス成分を決定する。フィードフォワード・ニューラルネットワーク３８は、入力レイヤーと隠れたレイヤーを含み、入力レイヤーは、入力されるシーケンス成分の数に相当する多数の入力３６を有し、隠れたレイヤーは、少なくとも１つのニューロン５２および多数のウエイト５４を有する。ニューロン５２の数と複数のウエイト５４の各値は、ウエイトが収束するときに、ライン電流の負シーケンス成分を推定する値が定められるように決定される。ウエイト５４の数とニューロン５２の正しい数のそれぞれに対する適正値が決定されるとき、ニューラルネットワーク３８は、電気モータ１４におけるステータ回転故障の検出するためにトレーニングされかつ準備される。
【００５９】
本発明は、好ましい実施形態について説明してきたが、本発明は、ここに記載した実施形態に限定されるものではなく、種々の変更及び修正を含み、添付された特許請求の範囲またはその技術的思想から逸脱しない上述の記載を含むものとする。
【図面の簡単な説明】
【図１】 本発明の回転故障検出器を概略的に示す図である。
【図２】 図１に示した回転故障検出器に使用される回転故障検出器のブロック図である。
【図３】 図１に示した電気モータのライン電流およびライン電圧のシーケンス構成部品を決定するために使用される、本発明の実施形態を説明するためのブロック図である。
【図４】 図１に示した装置に使用するためのフィードフォワード・ニューラルネットワークの一般的なトレーニングを示すフローチャート図である。
【図５】 図１に示した装置に使用するためのフィードフォワード・ニューラルネットワークを作動ための１つの実施形態を示すフローチャート図である。
【図６】 図５においてトレーニングしたような図１に示す装置のフィードフォワード・ニューラルネットワークをテストするための１つの実施形態を説明するためのフローチャート図である。
【図７】 図１に示した装置を用いてフィードフォワード・ニューラルネットワークをトレーニングおよびテストするための別の実施形態を説明するためのフローチャート図である。
【図８】 図１に示した装置のフィードフォワード・ニューラルネットワークをトレーニングするための別つの実施形態を説明するためのフローチャート図である。
【図９】 図１に示した本発明のフィードフォワード・ニューラルネットワークをトレーニングするためのさらに別の実施形態を説明するためのフローチャート図である。
【図１０】 図８に従ってトレーニングされた図１に示すような、フィードフォワード・ニューラルネットワークの試験を説明するためのフローチャート図である。
【符号の説明】
１０ ステータ回転故障システム
１４ 電気モータ
２２ａ、２２ｂ 電流センサ
２６ａ、２６ｂ 電圧センサ
３０ マイクロプロセッサ
３４ 出力端子
３６ 電圧および電流データ
３８ フィードフォワード・ニューラルネットワーク
４０ａ、４０ｂ 推定データ（推定された基本周波数値）
４２ 比較器
４４ａ、４４ｂ 瞬時データ（瞬時の基本周波数値）
４６ 故障指示器
５２ ニューロン
５４ ウエイト

Claims (20)

1. 交流モータ（14）のためのステータ回転故障検出器（10）であって、
   前記交流モータ（14）から一組の電流値および一組の電圧値（36）を得るための複数のセンサ（22a,22b,26a,26b)と、
   前記電流値および電圧値（36）の各組からシーケンス成分を計算するためのプロセッサ（30）と、
   入力列としての前記電流値および電圧値（36）の各組から前記シーケンス成分の少なくとも一部を受け取るために接続され、かつ少なくとも２つのシーケンスフェーザー用の推定値を与えるための出力（48）を有するフィードフォワード・ニューラルネットワーク（FFNN)（38）と、
   前記フィードフォワード・ニューラルネットワーク（38）の出力に接続され、推定値と瞬時値を比較し、この比較がビジランス値を越える場合、故障信号を出力してステータ回転故障を指示する比較器（42）と、
   を有することを特徴とするステータ回転故障検出器。
2. 前記プロセッサ（30）は、同期基準フレーム変換を適用して、前記電流値および電圧値（36）の各組からシーケンス成分を計算することを特徴とする請求項１記載のステータ回転故障検出器。
3. 前記電流値および電圧値（36）の各組は、正常状態にある前記交流モータ（14）の作動値に対応し、かつ前記フィードフォワード・ニューラルネットワーク（38）における一組のウエイト（54）に対する値を計算することによって前記フィードフォワード・ニューラルネットワーク（38）をトレーニングするために、初期的に使用されることを特徴とする請求項１記載のステータ回転故障検出器。
4. トレーニング用に用いられる前記シーケンス成分は、正の電流シーケンス成分、正の電圧シーケンス成分、および負の電圧シーケンス成分を含んでいることを特徴とする請求項３記載のステータ回転故障検出器。
5. 前記プロセッサ（30）は、推定値と比較される瞬時値として、負の電流シーケンス成分をさらに計算することを特徴とする請求項１記載のステータ回転故障検出器。
6. 前記フィードフォワード・ニューラルネットワーク（38）は、複数のウエイト（54）と複数のニューロン（52）とを有する隠れたレイヤーを含み、前記複数のウエイト（54）は、トレーニングモード中、調整され、かつランモード中、一定で留まることを特徴とする請求項１記載のステータ回転故障検出器。
7. 交流モータ（14）におけるステータの回転故障を検出するためのシステム（10）であって、
   交流モータ（14）からの基本周波数データをマイクロプロセッサ（30）に入力し、前記基本周波数データがライン電圧の正および負の電圧シーケンス成分と、ライン電流の正の電流シーケンス成分とを含んでいる、少なくとも１つの入力（24a,24b,28a,28b)と、
   内部にコンピュータプログラムを有し、このプログラムの実行時に、フィードフォワード・ニューラルネットワーク（38）を初期化して、基本周波数データに基づく推定された負の電流シーケンス成分を計算するために前記マイクロプロセッサ（30）に接続されるコンピュータ用の読出し可能記憶媒体と、
   前記推定された負のシーケンス成分を出力するための少なくとも１つの出力（34）と、を有することを特徴とするシステム。
8. フィードフォワード・ニューラルネットワーク（38）は、前記少なくとも１つの入力を介して入力する多数のシーケンス成分に対応する数の複数の入力ベクトルを有する入力レイヤー（36）と、
   少なくとも１つのニューロン（52）と少なくとも１つのウエイト（54）を有し、前記ウエイト（54）は、トレーニングモード中、調整され、かつランモード中、一定で留まる、隠れたレイヤーと、
   推定された負のシーケンス成分を有する、少なくとも１つの出力ベクトル（48）を決定する出力レイヤーと、
   を含んでいることを特徴とする請求項７記載のシステム。
9. コンピュータプログラムは、その実行時、さらに、前記プロセッサが、推定された負のシーケンス成分に基づいて、交流モータ（14）の使用者に回転故障値（46）を知らせるようにすることを特徴とする請求項７記載のシステム。
10. 前記コンピュータプログラムは、その実行時、前記マイクロプロセッサ（30）が、さらに、
    既知の通常動作中に、前記交流モータ（14）から基本周波数データ（36）を獲得し、
    複数のウエイト（54）を有するフィードフォワード・ニューラルネットワーク（38）に前記基本周波数データ（36）の少なくとも一部を入力し、
    前記複数のウエイト（54）の各々に対する収束値を決定するためにフィードフォワード・ニューラルネットワーク（38）をトレーニングし、
    前記収束値をメモリに記憶し、
    瞬時の基本周波数パラメータ（44ａ、44ｂ）をフィードフォワード・ニューラルネットワーク（38）に入力し、
    前記交流モータ（14）の瞬時作動における推定された基本周波数パラメータ（40ａ、40ｂ）を得て、
    前記推定された基本周波数パラメータ（40ａ、40ｂ）を前記瞬時の基本周波数パラメータ（44ａ、44ｂ）と比較して、交流モータ（14）におけるステータ回転故障を決定することを特徴とする請求項７記載のシステム。
11. コンピュータ用の読出し可能記憶媒体のコンピュータプログラムは、さらに、故障値がビジランス値（178）を越えるとき、マイクロプロセッサ（30）がステータ回転故障を示す故障値（180）を出力させることを特徴とする請求項１０記載のシステム。
12. 少なくとも２つの交流モータ（14）の電流信号を得るための少なくとも２つの電流センサ（22ａ、22ｂ）と、
    少なくとも２つの交流モータ（14）の電圧信号を得るための少なくとも２つの電圧センサ（26ａ、26ｂ）と、
    前記少なくとも２つの交流電流信号をデジタル電流信号に変換し、かつ前記少なくとも２つの交流電圧信号をデジタル電流信号に変換するためのアナログ／デジタル変換器（20）とをさらに含み、
    マイクロプロセッサ（30）は、前記デジタル信号を受け取り、交流モータ（14）の基本周波数シーケンスパラメータ（36）を計算し、また、フィードフォワード・ニューラルネットワーク（38）が前記交流モータ（14）の推定された基本周波数シーケンスパラメータを決定することを特徴とする請求項７記載のシステム。
13. 前記交流モータ（14）の基本周波数シーケンスパラメータ（36）の計算は、さらに、前記デジタル電流信号および前記デジタル電圧信号に、同期基準フレーム変換（120、132、142）を適用するように定められていることを特徴とする請求項１２記載のシステム。
14. フィードフォワード・ニューラルネットワーク（38）は、さらに、
    基本周波数シーケンスパラメータを得るための複数の入力レイヤー（36）と、
    既知の良い作業モード中に処理された複数のウエイトを有する隠れたレイヤーと、
    作動状態中、交流モータ（14）の推定された基本周波数シーケンスパラメータを生じるための出力レイヤー（40ａ、40ｂ）と、
    を含むことを特徴とする請求項１３記載のシステム。
15. モータ（14）におけるステータの回転故障を検出するための方法であって、
    前記モータ（14）における既知の良好状態中に、複数のセンサ（ 22a,22b,26a,26b) によって前記モータから一組の電流値および一組の電圧値からなるトレーニングパラメータ（36）を獲得し、
    プロセッサ（ 30 ）を用いて前記電流値及び前記電圧値のシーケンス成分を計算し、前記プロセッサ（ 30 ）に接続されたフィードフォワードニューラルネットワーク（ 38 ）に前記シーケンス成分を入力して、前記モータ（14）からのステータ回転故障を示す、前記シーケンス成分の振幅および位相に基づく推定値（40ａ、40ｂ）を決定し、
    前記モータ（14）が回転中かどうかにかかわらず前記モータ（14）の使用時に、前記モータ（14）から瞬時値（44ａ、44ｂ）を獲得し、
    ステータ回転故障を判断するために、前記瞬時値（44ａ、44ｂ）を前記推定値（40ａ、40ｂ）と比較（42）し、
    前記比較（42）に基づいてステータ回転故障（46）があることを指示する、
    各工程を有することを特徴とする方法。
16. フィードフォワード・ニューラルネットワーク（38）をトレーニングする工程は、
    前記瞬時値を入力レイヤーに入力し、
    隠れたレイヤーにおける複数のウエイト（54）を定常状態に収束させ、
    前記推定値（40ａ、40ｂ）を出力レイヤーに出力する、
    各ステップを含むことを特徴とする請求項１５記載の方法。
17. 前記瞬時値（44ａ、44ｂ）と前記推定値（40ａ、40ｂ）の差（42）を計算するステップをさらに含むことを特徴とする請求項１５記載の方法。
18. (a) フィードフォワード・ニューラルネットワーク（38）のためのシーケンスパラメータを選択し、
    (b) 良好な作動状態下で交流モータ（14）のモデルを学習させるためにフィードフォワード・ニューラルネットワーク（38）をトレーニングし、
    (c) 交流モータ（14）の使用中に、この交流モータの測定された瞬時値（44ａ、44ｂ）を獲得し、
    (d) 良好な作動状態中の前記交流モータ作動の推定値（40ａ、40ｂ）と前記交流モータ作動の前記瞬時値（44ａ、44ｂ）を比較（42）し、
    (e) 前記ステップ(c)および(d)を周期的に繰り返し、
    (f) 前記比較（42）のステップにおいて、ビジランススレッショルド値を越える故障値が生じる場合、前記交流モータ（12）のステータ回転故障を指示する、各ステップをさらに含むことを特徴とする請求項１５記載の方法。
19. 定常作業状態を得るために複数のウエイト（54）を収束するために前記ステップ(a)および(b)を繰り返すことを含むことを特徴とする請求項１８記載の方法。
20. 一組の電流値および一組の電圧値（36）を得ることを含んでいるトレーニング工程は、
    ライン電圧の正のシーケンス成分における振幅を獲得し、
    ライン電圧の負のシーケンス成分における振幅と位相を獲得し、
    ライン電流の正のシーケンス成分における振幅と位相を獲得する、
    各ステップを含むことを特徴とする請求項１８記載の方法。

Images