JP4096340B2

JP4096340B2 - 電気設備診断システム

Info

Publication number: JP4096340B2
Application number: JP2005069854A
Authority: JP
Inventors: 久栄中村
Original assignee: Toenec Corp
Current assignee: Toenec Corp
Priority date: 2005-03-11
Filing date: 2005-03-11
Publication date: 2008-06-04
Anticipated expiration: 2025-03-11
Also published as: JP2006250818A

Description

本発明は、工場やビルディング等に設けられた回転機（電動機、発電機等）や変圧器を構成する巻線部の状態を、統計的なパターン認識手法を用いて診断する電気設備診断システムに関する。

従来、工場やビルディング等の回転機や変圧器の巻線部を診断する場合、診断対象となる巻線部にインパルスを印加するインパルス試験が行なわれる。この場合、巻線部を正常状態や想定される異常状態（故障状態）に設定し、それぞれの状態において巻線部に所定のインパルスを印加することにより、当該巻線部から検出された電圧波形の面積を計算したうえ、それぞれの状態における電圧波形の面積を予め記憶部に記憶させておく。次に、巻線部の診断時に、当該巻線部に上記所定のインパルスと同特性のインパルスを印加した場合に得られた電圧波形の面積と、上述の記憶部に予め記憶されている前記巻線部のそれぞれの状態における電圧波形の面積を比較する。これにより、巻線部が正常状態か、異常状態かを診断する（非特許文献１，２参照）。
尚、図６は、診断対象となる巻線部にインパルスが印加されたときの印加期間（Ａ点からＢ点までの期間）から減衰期間（Ｂ点以降）までの観測電圧の波形を示しており、上記従来の巻線部診断の際は、波形が比較的安定している減衰期間における電圧波形の面積を比較することによって、巻線部が正常状態か異常状態かを診断したうえ、異常状態になっていれば、どのような異常なのかを判定している。

上記従来の巻線部診断手段の場合、上述したように電圧波形の面積を比較することにより、巻線部が正常状態か異常状態かを診断したうえ、異常状態になっていれば、どのような異常なのかを判定している。しかしながら、図６のように観測された電圧波形が巻線部のそれぞれの異常状態に対応して異なる場合であっても、その電圧波形の面積が同じである場合がある。このような場合には、巻線部がどのような異常（故障）なのかを正確に判定することができない。
平成１５年電気学会全国大会論文集「線試験機における判定法」著者長谷川、渋谷、梅津株式会社電子制御国際の取扱説明書「インパルス巻線試験機ＤＸＷ−０１，０５」

そこで本発明では、電気設備を構成する巻線部に所定のインパルスを印加することにより得られた特徴量の波形パターンに対して隠れマルコフモデルを適用した波形パターンの形状から巻線部の状態を正確に診断し、判定することができる電気設備診断システムを提供することを解決すべき課題とするものである。

上記課題は、特許請求の範囲の欄に記載した電気設備診断システムにより解決することができる。
請求項１に記載の電気設備診断システムによれば、学習手段は、電気設備を構成する巻線部をコンピュータのシミュレーションにより予め複数の異常状態に想定するとともに、それぞれの想定異常状態において当該巻線部に所定のインパルスが印加されたという条件で得られるそれぞれの特徴量の波形パターンを隠れマルコフモデルに基づいてパラメータ化し、それぞれのパラメータを記憶する。また、診断手段は、インパルス発生手段から実際に発生された所定のインパルスが診断対象の巻線部に印加された場合に得られた特徴量の波形パターンの生成確率を前記学習手段に記憶されているそれぞれのパラメータに基づいて演算するとともに、当該生成確率が最大となるパラメータに基づいて前記巻線部の状態を診断し、異常と診断した場合は、その異常を特定する。

ここで、隠れマルコフモデルの概念について、図１に示した模式図を参照しながら説明する。
図１において、ａ１１，ａ１２，ａ２２，ａ２３，ａ３３，ａ３４は、状態遷移確率を示すもので、ａｉｊは状態Ｓｉから状態Ｓｊに遷移する確率である。また、ｂｉ（ｘ）は状態Ｓｉにおいて特徴量ｘを出力する確率を示す。尚、Ｓ１は初期状態、Ｓ４は最終状態を示している。このように、隠れマルコフモデルは状態遷移確率、出力確率、及び初期状態確率πｉ（初期状態がＳｉである確率）をパラメータとして持ち、それぞれのパラメータを、電気設備を構成する巻線部の正常状態や、認識したい故障、異常、劣化状態毎に記憶しておくものであり、前述の学習手段の機能に相当する。

本発明によれば、学習手段は、電気設備を構成する巻線部をコンピュータのシミュレーションにより予め複数の異常状態に想定するとともに、それぞれの想定異常状態において巻線部に所定のインパルスが印加されたという条件で得られるそれぞれの特徴量の波形パターンを隠れマルコフモデルに基づいてパラメータ化し、それぞれのパラメータを記憶することができる。これにより、巻線部の多くの異常状態に対応した特徴量の波形パターンをパラメータ化し、それぞれのパラメータを学習手段に記憶しておくことができるため、診断手段は、巻線部の異常を正確に診断し、その異常を特定することができる。

次に、本発明の実施の形態について説明する。
図２は、電気設備診断システム１の全体的な構成を示したブロック図であり、この電気設備診断システム１は、電動機や発電機等の回転機や変圧器等を構成する巻線部２を診断し、判定するものである。
図２に示すように、電気設備診断システム１には、診断対象となる巻線部２に印加される所定のインパルスを発生するためのインパルス発生回路３が設けられている。また、巻線部２に所定のインパルスを印加した場合に得られた特徴量、例えば電圧、電流等を検出するための特徴量検出部４が設けられている。尚、特徴量検出部４で検出される特徴量は、一般にアナログ値であるため、そのアナログ信号をデジタル信号に変換するためのＡ／Ｄ変換回路５が設けられており、Ａ／Ｄ変換回路５から出力されたデジタル信号は、巻線部２の予め決められた状態、例えば正常な状態や故障・異常、劣化状態等のそれぞれの状態で、以下に説明する学習部６に入力され、巻線部２の診断時には診断部７に入力されるようになっている。

上記学習部６は、電気設備に駆動電力が供給されていない状態で、巻線部２の予め決められた上記それぞれの状態を設定し、巻線部２に所定のインパルスを印加した場合に特徴量検出部４で検出された各種特徴量がＡ／Ｄ変換回路５でデジタル信号に変換されたあとの信号を入力し、それぞれの特徴量の波形パターンを隠れマルコフモデルに基づいてパラメータ化したうえ、それぞれのパラメータを診断情報として記憶するものである。尚、この過程を学習過程と定義する。また、学習部６に診断情報として記憶されたパラメータは、更新もしくは交換することができるようになっているため、電気設備診断システム１の汎用性を高めることができる。

また、診断部７は、電気設備を停止した状態で巻線部２を診断するとき、巻線部２に前記所定のインパルスと同特性のインパルスを印加した場合に特徴量検出部４で検出された各種特徴量がＡ／Ｄ変換回路５でデジタル信号に変換されたあとの信号を入力し、それぞれの特徴量の波形パターンを生成する確率（尤度）を、上記学習部６に予め記憶されているそれぞれのパラメータに基づいて演算し、当該生成確率（尤度）が最大となるパラメータを決定したうえ、そのパラメータに対応した診断情報に基づいて巻線部２を診断し、故障であればその故障を、劣化であればその程度を特定する。

尚、巻線部２の特徴量としては、前述のように電圧、電流等があるが、これら特徴量の周波数スペクトルや周波数スペクトルの時系列も特徴量として含む。また複数の特徴量を組み合わせてそれを特徴量としてもよい。更に、これらの特徴量からつくられる多次元分布、又は多次元分布の時系列などでもよい。また、主成分分析や自己組織化マップなどを用いて、多特徴量（多次元）を１次元などに低次元化したものを特徴量としてもよい。尚、巻線部２のあらゆる異常状態における特徴量を検出することが困難な場合がある。その場合には、異常状態における特徴量の波形パターンをシミュレーション等によりコンピュータ上で作成したものを用いてもよい。また、代表的な異常状態における特徴量の波形パターンを用意しておくのもよい。これにより、すべての異常状態に対して特徴量の波形パターンを用意し、隠れマルコフモデルを適用してパラメータ化して学習部６に記憶させる必要はない。

尚、前記学習部６において、前述のように特徴量の波形パターンをパラメータ化するとき、前向きアルゴリズム（Forward Algorithm）や後向きアルゴリズム(Backward Algorithm)などを含む計算アルゴリズム適用して計算する。また、診断部７においては、特徴量のパターンを生成する確率（尤度）を、前述の学習部６に記憶されているパラメータを用いて計算する場合、前向きアルゴリズム、もしくは後向きアルゴリズムなどを含む計算アルゴリズムを適用して計算する。

表示部８は、上記診断部７で診断された電気設備の巻線部２の診断結果を表示するものであり、学習部６、診断部７を構成するコンピュータのディスプレイ部である。尚、診断部７で診断された巻線部２の状態は、上記のようにコンピュータのディスプレイに表示されるとともに、通信手段を用いれば他の装置に送信することができる。

尚、以上説明したＡ／Ｄ変換回路５、学習部６、診断部７をまとめて隠れマルコフモデル部（ＨＭＭ部）１０として、以後の説明に用いる。

図３は、前述の学習部６に既に記憶されている診断情報それぞれのパラメータに基づいて例えば電動機の巻線部２を診断する場合に、前述の学習過程で使用された所定のインパルスと同特性のインパルスを巻線部２に印加し、巻線部２を診断するための診断説明図である。

図３に示されたインパルス発生回路３は、巻線部２の診断時に前述の学習過程で使用された所定のインパルスと同特性のインパルスを巻線部２に印加するもので、巻線部２に対してインパルス発生回路３から所定のインパルスが発生されると、巻線部２の両端の電圧が、例えば高圧プローブ１１を用いることにより検出される。また、巻線部２に所定のインパルスが印加されたときに巻線部２に流れた電流を、インパルス発生回路３と巻線部２の間にセットされた電流センサ１２により検出する。尚、上記高圧プローブ１１や電流センサ１２は、図２に示した特徴量検出部４に相当する。

図４は、インパルス発生回路３から出力された上記インパルスが巻線部２に印加されたときに高圧プローブ１１により検出された電圧が減衰振動電圧波形になることを示した波形図である。この減衰振動電圧波形は、巻線部２の特性や状態に応じて特徴的な波形になるため、高圧プローブ１１により検出された電圧信号をＡ／Ｄ変換回路５でデジタル信号に変換したあとの信号を特徴量とし、その特徴量を隠れマルコフモデル部（ＨＭＭ部）１０の診断部７に出力する。診断部７は、その特徴量の波形パターン認識を行ない、その特徴量の波形パターンを生成する確率（尤度）を、前述の学習部６に予め記憶されているそれぞれのパラメータに基づいて演算し、当該生成確率（尤度）が最大となるパラメータを決定したうえ、そのパラメータに対応した診断情報に基づいて巻線部２を診断する。これにより、巻線部２が正常と診断されれば、正常状態が、また故障と診断されれば、その故障を、劣化であれば、その程度を特定したうえ、その診断結果を表示部８に表示する。

また、インパルス発生回路３と巻線部２の間にセットされた電流センサ１２により検出された前述の電流の電流波形も、電圧同様の減衰振動電流波形になるため、その検出電流信号をＡ／Ｄ変換回路５でデジタル信号に変換したあとの信号を特徴量とし、その特徴量を隠れマルコフモデル部（ＨＭＭ部）１０の診断部７に出力させる。診断部７は、その特徴量の波形パターン認識を行ない、その特徴量の波形パターンを生成する確率（尤度）を、前述の学習部６に予め記憶されているそれぞれのパラメータに基づいて演算し、当該生成確率（尤度）が最大となるパラメータを決定したうえ、そのパラメータに対応した診断情報に基づいて巻線部２を診断する。これにより、巻線部２が正常と診断されれば、正常状態が、また故障と診断されれば、その故障を、劣化であれば、その程度を特定したうえ、その診断結果を表示部８に表示する。

図５は、図３に示したインパルス発生回路３に代え、逆起電力発生回路１３を用いて診断対象となる巻線部２に逆起電力を発生させることにより、この逆起電力をインパルスとするものである。
図５に示すように、逆起電力発生回路１３は、巻線部２に直流電流を流すための直流電源１４と、直流電源１４に直列に接続されたスイッチ１５と、スイッチ１５がオンされた状態で充電されるコンデンサ１６とを備えている。このコンデンサ１６に対して並列に巻線部２を接続した状態でスイッチ１５がオンされると、巻線部２に直流電流が通電されるため、この状態でスイッチ１５がオフされると、巻線部２に逆起電力が発生する。この逆起電力は、巻線部２に印加されたインパルスと同等に作用するため、検出された逆起電力を特徴量とし、その特徴量を隠れマルコフモデル部（ＨＭＭ部）１０の診断部７に出力させる。診断部７は、その特徴量の波形パターン認識を行ない、その特徴量の波形パターンを生成する確率（尤度）を、前述の学習部６に予め記憶されているそれぞれのパラメータに基づいて演算し、当該生成確率（尤度）が最大となるパラメータを決定したうえ、そのパラメータに対応した診断情報に基づいて巻線部２を診断する。これにより、巻線部２が正常と診断されれば、正常状態が、また故障と診断されれば、その故障を、劣化であれば、その程度を特定したうえ、その診断結果を表示部８に表示する。

次に、変圧器や回転機などの製造工場では、ＪＥＣ等の規格で定められている工場試験が行なわれる。この場合、変圧器や回転機などに対して、落雷時の過電圧に対する落雷耐電圧試験や、系統遮断操作時に発生する過電圧に対する遮断耐電圧試験が行なわれる。落雷耐電圧試験では、雷インパルス耐電圧試験が行なわれ、遮断耐電圧試験では、開閉インパルス耐電圧試験が行なわれる。尚、上記雷インパルス耐電圧試験で用いられる雷インパルス電圧は、インパルスの継続時間が数μｓ〜数十μｓであり、開閉インパルス耐電圧試験で用いられる開閉インパルス電圧は、インパルスの継続時間が数百μｓ〜数mｓとなっている。また、雷インパルス電圧及び開閉インパルス電圧は、それぞれ、規定された波形や極性、及び波高値を有する。

上記のような工場試験では、本発明の電気設備診断システム１を用い、規定された波形や極性、及び波高値を有する雷インパルス電圧や開閉インパルス電圧を、診断対象となる変圧器や回転機などの巻線部に印加することにより得られた電圧や電流などの波形パターンに隠れマルコフモデルを適用すれば、前述のように巻線部を診断することができる。
尚、上記診断は、変圧器や回転機などを組み立てる前段階の巻線部単体に対しても、組み立てた後の巻線部に対しても可能である。

以上説明した実施の形態では、変圧器や回転機の巻線部を診断対象としたが、それ以外の電気設備でも、巻線部を有するものであれば、診断対象とすることができる。また、特徴量としては電圧や電流の例を示したが、巻線部にインパルスが印加されたときに発生する音や振動などを特徴量としてもよい。尚、前述のように特徴量の波形パターン認識を行ない、その特徴量の波形パターンを生成する確率（尤度）を、前述の学習部６に予め記憶されているそれぞれのパラメータに基づいて演算し、当該生成確率（尤度）が最大となるパラメータを決定したうえ、そのパラメータに対応した診断情報に基づいて巻線部２を診断する場合、特徴量の波形パターンの全体的な波形形状からでも、部分的な波形形状からでも診断が可能である。

隠れマルコフモデルの概念説明図である。電気設備診断システムの系統図である。巻線部に対してインパルスを印加した場合の電圧、電流検出系統図である。図３における検出電圧の波形図である。巻線部に逆起電力を発生させる逆起電力発生回路。従来の技術を説明するための波形図である。

符号の説明

１電気設備診断システム
２巻線部
３インパルス発生回路
４特徴量検出部
５Ａ／Ｄ変換回路
６学習部
７診断部
８表示部
１０隠れマルコフモデル部

Claims

電気設備を構成する巻線部をコンピュータのシミュレーションにより予め複数の異常状態に想定するとともに、それぞれの想定異常状態において当該巻線部に所定のインパルスが印加されたという条件で得られるそれぞれの特徴量の波形パターンを隠れマルコフモデルに基づいてパラメータ化し、それぞれのパラメータを記憶する学習手段と、
前記巻線部を診断する場合に前記所定のインパルスと同特性のインパルスを実際に発生して当該巻線部に印加するインパルス発生手段と、
前記インパルス発生手段から実際に発生された所定のインパルスが診断対象の巻線部に印加された場合に得られた特徴量の波形パターンの生成確率を前記学習手段に記憶されているそれぞれのパラメータに基づいて演算するとともに、当該生成確率が最大となるパラメータに基づいて前記巻線部の状態を診断し、異常と診断した場合はその異常を特定する診断手段とを備えたことを特徴とする電気設備診断システム。