JP5684813B2 - 油入電気機器の異常予測診断方法 - Google Patents
油入電気機器の異常予測診断方法 Download PDFInfo
- Publication number
- JP5684813B2 JP5684813B2 JP2012531624A JP2012531624A JP5684813B2 JP 5684813 B2 JP5684813 B2 JP 5684813B2 JP 2012531624 A JP2012531624 A JP 2012531624A JP 2012531624 A JP2012531624 A JP 2012531624A JP 5684813 B2 JP5684813 B2 JP 5684813B2
- Authority
- JP
- Japan
- Prior art keywords
- data group
- gas
- data
- stored
- abnormality
- 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.)
- Active
Links
- 230000005856 abnormality Effects 0.000 title claims description 196
- 238000003745 diagnosis Methods 0.000 title claims description 57
- 238000000034 method Methods 0.000 title claims description 45
- 238000003066 decision tree Methods 0.000 claims description 105
- 230000002159 abnormal effect Effects 0.000 claims description 96
- 238000013500 data storage Methods 0.000 claims description 64
- 238000005259 measurement Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 16
- 239000007789 gas Substances 0.000 description 273
- 238000012545 processing Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 11
- 238000002405 diagnostic procedure Methods 0.000 description 7
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 6
- NNPPMTNAJDCUHE-UHFFFAOYSA-N isobutane Chemical compound CC(C)C NNPPMTNAJDCUHE-UHFFFAOYSA-N 0.000 description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 6
- 238000013138 pruning Methods 0.000 description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 3
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 3
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 3
- 239000005977 Ethylene Substances 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 3
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 description 3
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 3
- 239000001257 hydrogen Substances 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 3
- 239000001282 iso-butane Substances 0.000 description 3
- 239000001294 propane Substances 0.000 description 3
- QQONPFPTGQHPMA-UHFFFAOYSA-N propylene Natural products CC=C QQONPFPTGQHPMA-UHFFFAOYSA-N 0.000 description 3
- 125000004805 propylene group Chemical group [H]C([H])([H])C([H])([*:1])C([H])([H])[*:2] 0.000 description 3
- IJDNQMDRQITEOD-UHFFFAOYSA-N sec-butylidene Natural products CCCC IJDNQMDRQITEOD-UHFFFAOYSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000004868 gas analysis Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000009419 refurbishment Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
- G01N33/2835—Specific substances contained in the oils or fuels
- G01N33/2841—Gas in oils, e.g. hydrogen in insulating oils
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biochemistry (AREA)
- Food Science & Technology (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Medicinal Chemistry (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Housings And Mounting Of Transformers (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing Relating To Insulation (AREA)
Description
本発明は、油中ガス濃度を用いた油入電気機器の異常予測診断方法に関するものである。
油入電気機器の保守管理方法としては、油中ガス濃度を用いた分析方法が広く用いられている。例えば、運転中の変圧器などの油入電気機器の内部で異常が生じた場合に、油入電気機器から採集した試料油について油中ガス濃度を測定し、油中ガスの種類とその濃度のパターンから、過去の事例をもとにして、異常内容や異常箇所などを推定する、いわゆるガスパターン法（非特許文献１）などが用いられる。
しかし、このような分析方法においては、診断専門家が、その経験により得られた知見などを判断基準として、過去の事例をもとに、測定データから推定するため、診断専門家の知識レベルや経験の差などにより診断結果に違いが生じる可能性がある。また、各診断専門家が処理できる件数には限界があり、膨大な件数の診断を処理するには時間を要するため、適切な時期に油入電気機器の交換や修理などを行うことができない可能性もある。また、一定のレベルの診断専門家を養成するには相当の時間を要し、熟練の診断専門家に過大な負担が課せられているのが現状である。
このような状況を改善するため、機械診断を行う試みがなされている（非特許文献２）。非特許文献２には、ＩＤ３アルゴリズムに基づくファジィ決定木を油中ガス分析診断へ適用した例が記載されている。本例では、ファジィ決定木を生成する際に、複数のガス種のガス濃度の測定値をそのまま採用して、ファジィ集合が作成され、複数の離散化した属性に変換した離散化データが作成されている。しかし、このように、ガス濃度の測定値をそのまま用いた場合、複数のガス種相互の関係が考慮されないことから、診断専門家の判断手法と乖離しており、機械診断の精度としては限界があった。
また、決定木を用いた診断方法や予測方法についての各種提案はされているものの（例えば特許文献１、２参照）、油中ガス分析に適用できる提案は未だなされておらず、その開発が望まれていた。
社団法人電気協同研究会、小河、「電気協同研究 電力用変圧器改修ガイドライン」、平成２１年９月５日、第６５巻、第１号、ｐ４８−５１
Umano et al., 'Generation of fuzzy decision trees by extended ID3 algorithm and its application to diagnosis by analyzing gas in oil' Proceeding of the fourth Intelligent FA Symposium, ISCIE, p201-204、July 7-8, 1993
そこで、本発明の目的とするところは、一定レベルに達した診断専門家と同等以上の診断精度を有する油中ガス濃度を用いた油入電気機器の異常予測診断方法を提供することにある。
本発明は、前述の課題解決のために、
コンピュータにより油入電気機器の内部異常を診断する診断方法であって、
コンピュータが、
実績データ記憶手段に記憶されている油入電気機器の過去の異常事例データに基づき、各異常事例毎に、油入電気機器の絶縁油中に溶解していた複数のガス種の濃度を、それぞれ、当該異常事例毎に測定した前記複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成し、これを第１標準化データ群記憶手段に記憶し、
前記第１標準化データ群記憶手段に記憶された異常事例毎の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第１離散化データ群記憶手段に記憶し、
前記第１離散化データ群記憶手段に記憶された異常事例毎の離散化データ群に基づき、下記式（１）〜（４）を用いた解析により油入電気機器の内部異常の種類を判定するための決定木を作成し、これを決定木記憶手段に記憶し、
判定対象の油入電気機器から抽出した絶縁油中に溶解している複数のガス種の濃度を、当該複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成し、これを第２標準化データ群記憶手段に記憶し、
前記第２標準化データ群記憶手段に記憶された判定対象機器の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された前記異常事例と同じ所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第２離散化データ群記憶手段に記憶し、
前記第２離散化データ群記憶手段に記憶された判定対象機器の離散化データ群と、前記決定木記憶手段に記憶された決定木により、判定対象機器の内部異常の種類を判定することを特徴とする油入電気機器の異常診断方法、
を構成した。
コンピュータにより油入電気機器の内部異常を診断する診断方法であって、
コンピュータが、
実績データ記憶手段に記憶されている油入電気機器の過去の異常事例データに基づき、各異常事例毎に、油入電気機器の絶縁油中に溶解していた複数のガス種の濃度を、それぞれ、当該異常事例毎に測定した前記複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成し、これを第１標準化データ群記憶手段に記憶し、
前記第１標準化データ群記憶手段に記憶された異常事例毎の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第１離散化データ群記憶手段に記憶し、
前記第１離散化データ群記憶手段に記憶された異常事例毎の離散化データ群に基づき、下記式（１）〜（４）を用いた解析により油入電気機器の内部異常の種類を判定するための決定木を作成し、これを決定木記憶手段に記憶し、
判定対象の油入電気機器から抽出した絶縁油中に溶解している複数のガス種の濃度を、当該複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成し、これを第２標準化データ群記憶手段に記憶し、
前記第２標準化データ群記憶手段に記憶された判定対象機器の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された前記異常事例と同じ所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第２離散化データ群記憶手段に記憶し、
前記第２離散化データ群記憶手段に記憶された判定対象機器の離散化データ群と、前記決定木記憶手段に記憶された決定木により、判定対象機器の内部異常の種類を判定することを特徴とする油入電気機器の異常診断方法、
を構成した。
Ｘ：絶縁油中に溶解していたガス種
Ｄ：節点に対応付けられた異常事例データの集合
｜Ｄ｜：節点に対応付けられた異常事例データの件数
Ｃi：集合Ｄ中のｉ番目の内部異常の種類の件数
αi：ガス種Ｘのｊ番目の枝の異常事例データの件数
βjk：ガス種Ｘのｊ番目の枝におけるｋ番目の内部異常の種類の件数
Ｇ（Ｘ）：利得比
Ｍ（Ｄ）：集合Ｄの内部異常の種類に対する期待情報量
Ｅ（Ｘ）：ガス種Ｘにより分類された後の期待情報量
Ｓ（Ｘ）：集合Ｄのガス種Ｘに対する期待情報量
ｌ：集合Ｄ中の最初の内部異常の種類または離散化した属性の番号
ｍ、ｎ：集合Ｄ中の内部異常の種類の総数
ν：離散化した属性の総数
Ｄ：節点に対応付けられた異常事例データの集合
｜Ｄ｜：節点に対応付けられた異常事例データの件数
Ｃi：集合Ｄ中のｉ番目の内部異常の種類の件数
αi：ガス種Ｘのｊ番目の枝の異常事例データの件数
βjk：ガス種Ｘのｊ番目の枝におけるｋ番目の内部異常の種類の件数
Ｇ（Ｘ）：利得比
Ｍ（Ｄ）：集合Ｄの内部異常の種類に対する期待情報量
Ｅ（Ｘ）：ガス種Ｘにより分類された後の期待情報量
Ｓ（Ｘ）：集合Ｄのガス種Ｘに対する期待情報量
ｌ：集合Ｄ中の最初の内部異常の種類または離散化した属性の番号
ｍ、ｎ：集合Ｄ中の内部異常の種類の総数
ν：離散化した属性の総数
また、前記複数のガス種は、メタン、エタン、エチレン、プロパン、プロピレン、イソブタン、アセチレン、水素、一酸化炭素、及びノルマルブタンを含むことが好ましい。
本発明では、コンピュータが、
前記判定対象の油入電気機器から抽出された絶縁油中に溶解している複数のガス種の濃度について、それぞれ所定の正常範囲に入るか否かを判定し、
異常のガス種が存在した場合にのみ、前記決定木による異常判定を行なうようにしても良い。
本発明では、コンピュータが、
前記判定対象の油入電気機器から抽出された絶縁油中に溶解している複数のガス種の濃度について、それぞれ所定の正常範囲に入るか否かを判定し、
異常のガス種が存在した場合にのみ、前記決定木による異常判定を行なうようにしても良い。
また、本発明は、
コンピュータにより油入電気機器の内部異常を診断する診断システムであって、
コンピュータが、
油入電気機器の過去の異常事例データを記憶する実績データ記憶手段と、
前記実績データ記憶手段に記憶されている油入電気機器の過去の異常事例データに基づき、各異常事例毎に、油入電気機器の絶縁油中に溶解していた複数のガス種の濃度を、それぞれ、当該異常事例毎に測定した前記複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成する第１標準化データ群作成手段と、
前記第１標準化データ群作成手段により作成された標準化データ群を記憶する第１標準化データ群記憶手段と、
前記第１標準化データ群記憶手段に記憶された異常事例毎の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された所定の閾値により複数の離散化した属性に変換した離散化データ群を作成する第１離散化データ群作成手段と、
前記第１離散化データ群作成手段により作成された離散化データ群を記憶する第１離散化データ群記憶手段と、
前記第１離散化データ群記憶手段に記憶された異常事例毎の離散化データ群に基づき、下記式（１）〜（４）を用いた解析により油入電気機器の内部異常の種類を判定するための決定木を作成する決定木作成手段と、
前記決定木作成手段により作成された決定木を記憶する決定木記憶手段と、
判定対象の油入電気機器から抽出した絶縁油中に溶解している複数のガス種の濃度を、当該複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成する第２標準化データ群作成手段と、
前記第２標準化データ群作成手段により作成された標準化データ群を記憶する第２標準化データ群記憶手段と、
前記第２標準化データ群記憶手段に記憶された判定対象機器の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された前記異常事例と同じ所定の閾値により複数の離散化した属性に変換した離散化データ群を作成する第２離散化データ群作成手段と、
前記第２離散化データ群作成手段により作成された離散化データ群を記憶する第２離散化データ群記憶手段と、
前記第２離散化データ群記憶手段に記憶された判定対象機器の離散化データ群と、前記決定木記憶手段に記憶された決定木により、判定対象機器の内部異常の種類を判定する異常判定手段と、
を備えたことを特徴とする油入電気機器の異常診断システム、
を構成した。
コンピュータにより油入電気機器の内部異常を診断する診断システムであって、
コンピュータが、
油入電気機器の過去の異常事例データを記憶する実績データ記憶手段と、
前記実績データ記憶手段に記憶されている油入電気機器の過去の異常事例データに基づき、各異常事例毎に、油入電気機器の絶縁油中に溶解していた複数のガス種の濃度を、それぞれ、当該異常事例毎に測定した前記複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成する第１標準化データ群作成手段と、
前記第１標準化データ群作成手段により作成された標準化データ群を記憶する第１標準化データ群記憶手段と、
前記第１標準化データ群記憶手段に記憶された異常事例毎の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された所定の閾値により複数の離散化した属性に変換した離散化データ群を作成する第１離散化データ群作成手段と、
前記第１離散化データ群作成手段により作成された離散化データ群を記憶する第１離散化データ群記憶手段と、
前記第１離散化データ群記憶手段に記憶された異常事例毎の離散化データ群に基づき、下記式（１）〜（４）を用いた解析により油入電気機器の内部異常の種類を判定するための決定木を作成する決定木作成手段と、
前記決定木作成手段により作成された決定木を記憶する決定木記憶手段と、
判定対象の油入電気機器から抽出した絶縁油中に溶解している複数のガス種の濃度を、当該複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成する第２標準化データ群作成手段と、
前記第２標準化データ群作成手段により作成された標準化データ群を記憶する第２標準化データ群記憶手段と、
前記第２標準化データ群記憶手段に記憶された判定対象機器の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された前記異常事例と同じ所定の閾値により複数の離散化した属性に変換した離散化データ群を作成する第２離散化データ群作成手段と、
前記第２離散化データ群作成手段により作成された離散化データ群を記憶する第２離散化データ群記憶手段と、
前記第２離散化データ群記憶手段に記憶された判定対象機器の離散化データ群と、前記決定木記憶手段に記憶された決定木により、判定対象機器の内部異常の種類を判定する異常判定手段と、
を備えたことを特徴とする油入電気機器の異常診断システム、
を構成した。
Ｘ：絶縁油中に溶解していたガス種
Ｄ：節点に対応付けられた異常事例データの集合
｜Ｄ｜：節点に対応付けられた異常事例データの件数
Ｃi：集合Ｄ中のｉ番目の内部異常の種類の件数
αi：ガス種Ｘのｊ番目の枝の異常事例データの件数
βjk：ガス種Ｘのｊ番目の枝におけるｋ番目の内部異常の種類の件数
Ｇ（Ｘ）：利得比
Ｍ（Ｄ）：集合Ｄの内部異常の種類に対する期待情報量
Ｅ（Ｘ）：ガス種Ｘにより分類された後の期待情報量
Ｓ（Ｘ）：集合Ｄのガス種Ｘに対する期待情報量
ｌ：集合Ｄ中の最初の内部異常の種類または離散化した属性の番号
ｍ、ｎ：集合Ｄ中の内部異常の種類の総数
ν：離散化した属性の総数
Ｄ：節点に対応付けられた異常事例データの集合
｜Ｄ｜：節点に対応付けられた異常事例データの件数
Ｃi：集合Ｄ中のｉ番目の内部異常の種類の件数
αi：ガス種Ｘのｊ番目の枝の異常事例データの件数
βjk：ガス種Ｘのｊ番目の枝におけるｋ番目の内部異常の種類の件数
Ｇ（Ｘ）：利得比
Ｍ（Ｄ）：集合Ｄの内部異常の種類に対する期待情報量
Ｅ（Ｘ）：ガス種Ｘにより分類された後の期待情報量
Ｓ（Ｘ）：集合Ｄのガス種Ｘに対する期待情報量
ｌ：集合Ｄ中の最初の内部異常の種類または離散化した属性の番号
ｍ、ｎ：集合Ｄ中の内部異常の種類の総数
ν：離散化した属性の総数
また、本発明は、
コンピュータにより油入電気機器の内部異常を診断する診断プログラムであって、
コンピュータに、
実績データ記憶手段に記憶されている油入電気機器の過去の異常事例データに基づき、各異常事例毎に、油入電気機器の絶縁油中に溶解していた複数のガス種の濃度を、それぞれ、当該異常事例毎に測定した前記複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成し、これを第１標準化データ群記憶手段に記憶し、
前記第１標準化データ群記憶手段に記憶された異常事例毎の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第１離散化データ群記憶手段に記憶し、
前記第１離散化データ群記憶手段に記憶された異常事例毎の離散化データ群に基づき、下記式（１）〜（４）を用いた解析により油入電気機器の内部異常の種類を判定するための決定木を作成し、これを決定木記憶手段に記憶し、
判定対象の油入電気機器から抽出した絶縁油中に溶解している複数のガス種の濃度を、当該複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成し、これを第２標準化データ群記憶手段に記憶し、
前記第２標準化データ群記憶手段に記憶された判定対象機器の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された前記異常事例と同じ所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第２離散化データ群記憶手段に記憶し、
前記第２離散化データ群記憶手段に記憶された判定対象機器の離散化データ群と、前記決定木記憶手段に記憶された決定木により、判定対象機器の内部異常の種類を判定することを実行させる油入電気機器の異常診断プログラム、
を構成した。
コンピュータにより油入電気機器の内部異常を診断する診断プログラムであって、
コンピュータに、
実績データ記憶手段に記憶されている油入電気機器の過去の異常事例データに基づき、各異常事例毎に、油入電気機器の絶縁油中に溶解していた複数のガス種の濃度を、それぞれ、当該異常事例毎に測定した前記複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成し、これを第１標準化データ群記憶手段に記憶し、
前記第１標準化データ群記憶手段に記憶された異常事例毎の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第１離散化データ群記憶手段に記憶し、
前記第１離散化データ群記憶手段に記憶された異常事例毎の離散化データ群に基づき、下記式（１）〜（４）を用いた解析により油入電気機器の内部異常の種類を判定するための決定木を作成し、これを決定木記憶手段に記憶し、
判定対象の油入電気機器から抽出した絶縁油中に溶解している複数のガス種の濃度を、当該複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成し、これを第２標準化データ群記憶手段に記憶し、
前記第２標準化データ群記憶手段に記憶された判定対象機器の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された前記異常事例と同じ所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第２離散化データ群記憶手段に記憶し、
前記第２離散化データ群記憶手段に記憶された判定対象機器の離散化データ群と、前記決定木記憶手段に記憶された決定木により、判定対象機器の内部異常の種類を判定することを実行させる油入電気機器の異常診断プログラム、
を構成した。
Ｘ：絶縁油中に溶解していたガス種
Ｄ：節点に対応付けられた異常事例データの集合
｜Ｄ｜：節点に対応付けられた異常事例データの件数
Ｃi：集合Ｄ中のｉ番目の内部異常の種類の件数
αi：ガス種Ｘのｊ番目の枝の異常事例データの件数
βjk：ガス種Ｘのｊ番目の枝におけるｋ番目の内部異常の種類の件数
Ｇ（Ｘ）：利得比
Ｍ（Ｄ）：集合Ｄの内部異常の種類に対する期待情報量
Ｅ（Ｘ）：ガス種Ｘにより分類された後の期待情報量
Ｓ（Ｘ）：集合Ｄのガス種Ｘに対する期待情報量
ｌ：集合Ｄ中の最初の内部異常の種類または離散化した属性の番号
ｍ、ｎ：集合Ｄ中の内部異常の種類の総数
ν：離散化した属性の総数
Ｄ：節点に対応付けられた異常事例データの集合
｜Ｄ｜：節点に対応付けられた異常事例データの件数
Ｃi：集合Ｄ中のｉ番目の内部異常の種類の件数
αi：ガス種Ｘのｊ番目の枝の異常事例データの件数
βjk：ガス種Ｘのｊ番目の枝におけるｋ番目の内部異常の種類の件数
Ｇ（Ｘ）：利得比
Ｍ（Ｄ）：集合Ｄの内部異常の種類に対する期待情報量
Ｅ（Ｘ）：ガス種Ｘにより分類された後の期待情報量
Ｓ（Ｘ）：集合Ｄのガス種Ｘに対する期待情報量
ｌ：集合Ｄ中の最初の内部異常の種類または離散化した属性の番号
ｍ、ｎ：集合Ｄ中の内部異常の種類の総数
ν：離散化した属性の総数
また、本発明は、
コンピュータにより油入電気機器の内部異常の種類を判定するための決定木を作成する方法であって、
コンピュータが、
実績データ記憶手段に記憶されている油入電気機器の過去の異常事例データに基づき、各異常事例毎に、油入電気機器の絶縁油中に溶解していた複数のガス種の濃度を、それぞれ、当該異常事例毎に測定した前記複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成し、これを第１標準化データ群記憶手段に記憶し、
前記第１標準化データ群記憶手段に記憶された異常事例毎の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第１離散化データ群記憶手段に記憶し、
前記第１離散化データ群記憶手段に記憶された異常事例毎の離散化データ群に基づき、下記式（１）〜（４）を用いた解析により油入電気機器の内部異常の種類を判定するための決定木を作成することを特徴とする油入電気機器内部異常の決定木作成方法、
を構成した。
コンピュータにより油入電気機器の内部異常の種類を判定するための決定木を作成する方法であって、
コンピュータが、
実績データ記憶手段に記憶されている油入電気機器の過去の異常事例データに基づき、各異常事例毎に、油入電気機器の絶縁油中に溶解していた複数のガス種の濃度を、それぞれ、当該異常事例毎に測定した前記複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成し、これを第１標準化データ群記憶手段に記憶し、
前記第１標準化データ群記憶手段に記憶された異常事例毎の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第１離散化データ群記憶手段に記憶し、
前記第１離散化データ群記憶手段に記憶された異常事例毎の離散化データ群に基づき、下記式（１）〜（４）を用いた解析により油入電気機器の内部異常の種類を判定するための決定木を作成することを特徴とする油入電気機器内部異常の決定木作成方法、
を構成した。
Ｘ：絶縁油中に溶解していたガス種
Ｄ：節点に対応付けられた異常事例データの集合
｜Ｄ｜：節点に対応付けられた異常事例データの件数
Ｃi：集合Ｄ中のｉ番目の内部異常の種類の件数
αi：ガス種Ｘのｊ番目の枝の異常事例データの件数
βjk：ガス種Ｘのｊ番目の枝におけるｋ番目の内部異常の種類の件数
Ｇ（Ｘ）：利得比
Ｍ（Ｄ）：集合Ｄの内部異常の種類に対する期待情報量
Ｅ（Ｘ）：ガス種Ｘにより分類された後の期待情報量
Ｓ（Ｘ）：集合Ｄのガス種Ｘに対する期待情報量
ｌ：集合Ｄ中の最初の内部異常の種類または離散化した属性の番号
ｍ、ｎ：集合Ｄ中の内部異常の種類の総数
ν：離散化した属性の総数
Ｄ：節点に対応付けられた異常事例データの集合
｜Ｄ｜：節点に対応付けられた異常事例データの件数
Ｃi：集合Ｄ中のｉ番目の内部異常の種類の件数
αi：ガス種Ｘのｊ番目の枝の異常事例データの件数
βjk：ガス種Ｘのｊ番目の枝におけるｋ番目の内部異常の種類の件数
Ｇ（Ｘ）：利得比
Ｍ（Ｄ）：集合Ｄの内部異常の種類に対する期待情報量
Ｅ（Ｘ）：ガス種Ｘにより分類された後の期待情報量
Ｓ（Ｘ）：集合Ｄのガス種Ｘに対する期待情報量
ｌ：集合Ｄ中の最初の内部異常の種類または離散化した属性の番号
ｍ、ｎ：集合Ｄ中の内部異常の種類の総数
ν：離散化した属性の総数
また、本発明は、
コンピュータにより油入電気機器の内部異常の種類を判定するための決定木を作成するプログラムであって、
コンピュータに、
実績データ記憶手段に記憶されている油入電気機器の過去の異常事例データに基づき、各異常事例毎に、油入電気機器の絶縁油中に溶解していた複数のガス種の濃度を、それぞれ、当該異常事例毎に測定した前記複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成し、これを第１標準化データ群記憶手段に記憶し、
前記第１標準化データ群記憶手段に記憶された異常事例毎の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第１離散化データ群記憶手段に記憶し、
前記第１離散化データ群記憶手段に記憶された異常事例毎の離散化データ群に基づき、下記式（１）〜（４）を用いた解析により油入電気機器の内部異常の種類を判定するための決定木を作成することを実行させる油入電気機器内部異常の決定木作成プログラム、
を構成した。
コンピュータにより油入電気機器の内部異常の種類を判定するための決定木を作成するプログラムであって、
コンピュータに、
実績データ記憶手段に記憶されている油入電気機器の過去の異常事例データに基づき、各異常事例毎に、油入電気機器の絶縁油中に溶解していた複数のガス種の濃度を、それぞれ、当該異常事例毎に測定した前記複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成し、これを第１標準化データ群記憶手段に記憶し、
前記第１標準化データ群記憶手段に記憶された異常事例毎の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第１離散化データ群記憶手段に記憶し、
前記第１離散化データ群記憶手段に記憶された異常事例毎の離散化データ群に基づき、下記式（１）〜（４）を用いた解析により油入電気機器の内部異常の種類を判定するための決定木を作成することを実行させる油入電気機器内部異常の決定木作成プログラム、
を構成した。
Ｘ：絶縁油中に溶解していたガス種
Ｄ：節点に対応付けられた異常事例データの集合
｜Ｄ｜：節点に対応付けられた異常事例データの件数
Ｃi：集合Ｄ中のｉ番目の内部異常の種類の件数
αi：ガス種Ｘのｊ番目の枝の異常事例データの件数
βjk：ガス種Ｘのｊ番目の枝におけるｋ番目の内部異常の種類の件数
Ｇ（Ｘ）：利得比
Ｍ（Ｄ）：集合Ｄの内部異常の種類に対する期待情報量
Ｅ（Ｘ）：ガス種Ｘにより分類された後の期待情報量
Ｓ（Ｘ）：集合Ｄのガス種Ｘに対する期待情報量
ｌ：集合Ｄ中の最初の内部異常の種類または離散化した属性の番号
ｍ、ｎ：集合Ｄ中の内部異常の種類の総数
ν：離散化した属性の総数
Ｄ：節点に対応付けられた異常事例データの集合
｜Ｄ｜：節点に対応付けられた異常事例データの件数
Ｃi：集合Ｄ中のｉ番目の内部異常の種類の件数
αi：ガス種Ｘのｊ番目の枝の異常事例データの件数
βjk：ガス種Ｘのｊ番目の枝におけるｋ番目の内部異常の種類の件数
Ｇ（Ｘ）：利得比
Ｍ（Ｄ）：集合Ｄの内部異常の種類に対する期待情報量
Ｅ（Ｘ）：ガス種Ｘにより分類された後の期待情報量
Ｓ（Ｘ）：集合Ｄのガス種Ｘに対する期待情報量
ｌ：集合Ｄ中の最初の内部異常の種類または離散化した属性の番号
ｍ、ｎ：集合Ｄ中の内部異常の種類の総数
ν：離散化した属性の総数
また、本発明は、
コンピュータにより油入電気機器の内部異常を診断する診断方法であって、
コンピュータが、
実績データ記憶手段に記憶されている油入電気機器の過去の異常事例データに基づき、各異常事例毎に、油入電気機器の絶縁油中に溶解していた複数のガス種の濃度を、それぞれ、当該異常事例毎に測定した前記複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成し、これを第１標準化データ群記憶手段に記憶し、
前記第１標準化データ群記憶手段に記憶された異常事例毎の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率に対応する確信度をガス種ごとに設定された所定のメンバーシップ関数により算出し、前記確信度に基づき前記各ガス種の濃度比率を複数の離散化した属性に変換した離散化データ群を作成し、これを第１離散化データ群記憶手段に記憶し、
前記第１離散化データ群記憶手段に記憶された異常事例毎の離散化データ群に基づき、下記式（５）〜（８）を用いた解析により油入電気機器の内部異常の種類を判定するための決定木を作成し、これを決定木記憶手段に記憶し、
判定対象の油入電気機器から抽出した絶縁油中に溶解している複数のガス種の濃度を、当該複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成し、これを第２標準化データ群記憶手段に記憶し、
前記第２標準化データ群記憶手段に記憶された判定対象機器の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された前記異常事例と同じ所定の確信度に基づき複数の離散化した属性に変換した離散化データ群を作成し、これを第２離散化データ群記憶手段に記憶し、
前記第２離散化データ群記憶手段に記憶された判定対象機器の離散化データ群と、前記決定木記憶手段に記憶された決定木により、判定対象機器の内部異常の種類を判定することを特徴とする油入電気機器の異常診断方法、
を構成した。
コンピュータにより油入電気機器の内部異常を診断する診断方法であって、
コンピュータが、
実績データ記憶手段に記憶されている油入電気機器の過去の異常事例データに基づき、各異常事例毎に、油入電気機器の絶縁油中に溶解していた複数のガス種の濃度を、それぞれ、当該異常事例毎に測定した前記複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成し、これを第１標準化データ群記憶手段に記憶し、
前記第１標準化データ群記憶手段に記憶された異常事例毎の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率に対応する確信度をガス種ごとに設定された所定のメンバーシップ関数により算出し、前記確信度に基づき前記各ガス種の濃度比率を複数の離散化した属性に変換した離散化データ群を作成し、これを第１離散化データ群記憶手段に記憶し、
前記第１離散化データ群記憶手段に記憶された異常事例毎の離散化データ群に基づき、下記式（５）〜（８）を用いた解析により油入電気機器の内部異常の種類を判定するための決定木を作成し、これを決定木記憶手段に記憶し、
判定対象の油入電気機器から抽出した絶縁油中に溶解している複数のガス種の濃度を、当該複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成し、これを第２標準化データ群記憶手段に記憶し、
前記第２標準化データ群記憶手段に記憶された判定対象機器の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された前記異常事例と同じ所定の確信度に基づき複数の離散化した属性に変換した離散化データ群を作成し、これを第２離散化データ群記憶手段に記憶し、
前記第２離散化データ群記憶手段に記憶された判定対象機器の離散化データ群と、前記決定木記憶手段に記憶された決定木により、判定対象機器の内部異常の種類を判定することを特徴とする油入電気機器の異常診断方法、
を構成した。
Ｘ：絶縁油中に溶解していたガス種
Ｄ’：節点に対応付けられた異常事例データの確信度に基づく集合
｜Ｄ’｜：節点に対応付けられた異常事例データの確信度の和
Ｃi’：集合Ｄ’中のｉ番目の内部異常の種類の確信度の和
αi’：ガス種Ｘのｊ番目の枝の異常事例データの確信度の和
βjk’：ガス種Ｘのｊ番目の枝におけるｋ番目の内部異常の種類の確信度の和
Ｇ’（Ｘ）：利得比
Ｍ’（Ｄ’）：集合Ｄ’の内部異常の種類に対する期待情報量
Ｅ’（Ｘ）：ガス種Ｘにより分類された後の期待情報量
Ｓ’（Ｘ）：集合Ｄ’のガス種Ｘに対する期待情報量
ｌ：集合Ｄ中の最初の内部異常の種類または離散化した属性の番号
ｍ、ｎ：集合Ｄ中の内部異常の種類の総数
ν：離散化した属性の総数
Ｄ’：節点に対応付けられた異常事例データの確信度に基づく集合
｜Ｄ’｜：節点に対応付けられた異常事例データの確信度の和
Ｃi’：集合Ｄ’中のｉ番目の内部異常の種類の確信度の和
αi’：ガス種Ｘのｊ番目の枝の異常事例データの確信度の和
βjk’：ガス種Ｘのｊ番目の枝におけるｋ番目の内部異常の種類の確信度の和
Ｇ’（Ｘ）：利得比
Ｍ’（Ｄ’）：集合Ｄ’の内部異常の種類に対する期待情報量
Ｅ’（Ｘ）：ガス種Ｘにより分類された後の期待情報量
Ｓ’（Ｘ）：集合Ｄ’のガス種Ｘに対する期待情報量
ｌ：集合Ｄ中の最初の内部異常の種類または離散化した属性の番号
ｍ、ｎ：集合Ｄ中の内部異常の種類の総数
ν：離散化した属性の総数
また、本発明は、
コンピュータにより油入電気機器の内部異常を予測して診断する異常予測診断方法であって、
コンピュータが、
実績データ記憶手段に記憶されている油入電気機器の過去の異常事例データに基づき、各異常事例毎に油入電気機器の絶縁油中に溶解していた複数のガス種の濃度を比率に変換した標準化データ群を作成し、これを第１標準化データ群記憶手段に記憶し、
前記第１標準化データ群記憶手段に記憶された異常事例毎の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第１離散化データ群記憶手段に記憶し、
前記第１離散化データ群記憶手段に記憶された異常事例毎の離散化データ群に基づき、下記式（１）〜（４）を用いた解析により油入電気機器の内部異常の種類を判定するための決定木を作成し、これを決定木記憶手段に記憶し、
実績データ記憶手段に記憶されている判定対象の油入電気機器の過去の３つ以上の実績データに基づき、油入電気機器の絶縁油中に溶解していた複数のガス種毎に抽出されたガス濃度の時系列データ群について、第１回帰直線と、該第１回帰直線に対する前記時系列データ群のばらつきと、該ばらつきに基づく不確かさとを算出し、これらを第１回帰直線データ記憶手段に記憶し、
実績データ記憶手段に記憶されている実績データに基づき抽出された前記時系列データ群のうち最も測定時期の新しい３つ以上の前記時系列データ群について、第２回帰直線と、該第２回帰直線上の最も新しい測定時期から所定期間経過した時のガス濃度である第１予測ガス濃度とを算出し、これらを第２回帰直線データ記憶手段に記憶し、
第１直線データ記憶手段に記憶された前記不確かさと第２直線データ記憶手段に記憶された前記第１予測ガス濃度とを和した値を第２予測ガス濃度として算出し、第２予測ガス濃度と、実績データ記憶手段に記憶されている実績データに基づき抽出された前記時系列データ群のうち最も測定時期の新しい実績データとにより構成される予測時系列データ群を作成し、該予測時系列データ群について第３回帰直線を作成し、これを第３回帰直線データ記憶手段に記憶し、
前記第３回帰直線データ記憶手段に記憶されたガス種毎の第３回帰直線について、該第３回帰直線上の同時期の第３予測ガス濃度をそれぞれ抽出し、当該複数のガス種の第３予測ガス濃度を比率に変換した標準化データ群を作成し、これを第２標準化データ群記憶手段に記憶し、
前記第２標準化データ群記憶手段に記憶された判定対象機器の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された前記異常事例と同じ所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第２離散化データ群記憶手段に記憶し、
前記第２離散化データ群記憶手段に記憶された判定対象機器の離散化データ群と、前記決定木記憶手段に記憶された決定木により、判定対象機器の内部異常の種類を判定することを特徴とする油入電気機器の異常予測診断方法、
を構成した。
コンピュータにより油入電気機器の内部異常を予測して診断する異常予測診断方法であって、
コンピュータが、
実績データ記憶手段に記憶されている油入電気機器の過去の異常事例データに基づき、各異常事例毎に油入電気機器の絶縁油中に溶解していた複数のガス種の濃度を比率に変換した標準化データ群を作成し、これを第１標準化データ群記憶手段に記憶し、
前記第１標準化データ群記憶手段に記憶された異常事例毎の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第１離散化データ群記憶手段に記憶し、
前記第１離散化データ群記憶手段に記憶された異常事例毎の離散化データ群に基づき、下記式（１）〜（４）を用いた解析により油入電気機器の内部異常の種類を判定するための決定木を作成し、これを決定木記憶手段に記憶し、
実績データ記憶手段に記憶されている判定対象の油入電気機器の過去の３つ以上の実績データに基づき、油入電気機器の絶縁油中に溶解していた複数のガス種毎に抽出されたガス濃度の時系列データ群について、第１回帰直線と、該第１回帰直線に対する前記時系列データ群のばらつきと、該ばらつきに基づく不確かさとを算出し、これらを第１回帰直線データ記憶手段に記憶し、
実績データ記憶手段に記憶されている実績データに基づき抽出された前記時系列データ群のうち最も測定時期の新しい３つ以上の前記時系列データ群について、第２回帰直線と、該第２回帰直線上の最も新しい測定時期から所定期間経過した時のガス濃度である第１予測ガス濃度とを算出し、これらを第２回帰直線データ記憶手段に記憶し、
第１直線データ記憶手段に記憶された前記不確かさと第２直線データ記憶手段に記憶された前記第１予測ガス濃度とを和した値を第２予測ガス濃度として算出し、第２予測ガス濃度と、実績データ記憶手段に記憶されている実績データに基づき抽出された前記時系列データ群のうち最も測定時期の新しい実績データとにより構成される予測時系列データ群を作成し、該予測時系列データ群について第３回帰直線を作成し、これを第３回帰直線データ記憶手段に記憶し、
前記第３回帰直線データ記憶手段に記憶されたガス種毎の第３回帰直線について、該第３回帰直線上の同時期の第３予測ガス濃度をそれぞれ抽出し、当該複数のガス種の第３予測ガス濃度を比率に変換した標準化データ群を作成し、これを第２標準化データ群記憶手段に記憶し、
前記第２標準化データ群記憶手段に記憶された判定対象機器の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された前記異常事例と同じ所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第２離散化データ群記憶手段に記憶し、
前記第２離散化データ群記憶手段に記憶された判定対象機器の離散化データ群と、前記決定木記憶手段に記憶された決定木により、判定対象機器の内部異常の種類を判定することを特徴とする油入電気機器の異常予測診断方法、
を構成した。
Ｘ：絶縁油中に溶解していたガス種
Ｄ：節点に対応付けられた異常事例データの集合
｜Ｄ｜：節点に対応付けられた異常事例データの件数
Ｃi：集合Ｄ中のｉ番目の内部異常の種類の件数
αi：ガス種Ｘのｊ番目の枝の異常事例データの件数
βjk：ガス種Ｘのｊ番目の枝におけるｋ番目の内部異常の種類の件数
Ｇ（Ｘ）：利得比
Ｍ（Ｄ）：集合Ｄの内部異常の種類に対する期待情報量
Ｅ（Ｘ）：ガス種Ｘにより分類された後の期待情報量
Ｓ（Ｘ）：集合Ｄのガス種Ｘに対する期待情報量
ｌ：集合Ｄ中の最初の内部異常の種類または離散化した属性の番号
ｍ、ｎ：集合Ｄ中の内部異常の種類の総数
ν：離散化した属性の総数
Ｄ：節点に対応付けられた異常事例データの集合
｜Ｄ｜：節点に対応付けられた異常事例データの件数
Ｃi：集合Ｄ中のｉ番目の内部異常の種類の件数
αi：ガス種Ｘのｊ番目の枝の異常事例データの件数
βjk：ガス種Ｘのｊ番目の枝におけるｋ番目の内部異常の種類の件数
Ｇ（Ｘ）：利得比
Ｍ（Ｄ）：集合Ｄの内部異常の種類に対する期待情報量
Ｅ（Ｘ）：ガス種Ｘにより分類された後の期待情報量
Ｓ（Ｘ）：集合Ｄのガス種Ｘに対する期待情報量
ｌ：集合Ｄ中の最初の内部異常の種類または離散化した属性の番号
ｍ、ｎ：集合Ｄ中の内部異常の種類の総数
ν：離散化した属性の総数
以上にしてなる本願発明に係る油入電気機器の異常診断方法は、特定のデータ処理を行った離散化データに基づき決定木を生成する方法を採用することで、過去の異常事例データを精度よく解析可能なため、一定レベルに達した診断専門家と同等以上の診断精度を有するものであり、油中ガス濃度を用いた分析方法の機械診断として極めて有効である。
また、本願発明に係る油入電気機器の異常予測診断方法は、特定の回帰直線を用いて予測した各ガス種の予測濃度について、特定の決定木作成方法を採用して、判定対象機器の内部異常の種類を判定することで、将来発生する内部異常を精度よく予測診断することが期待できる。
また、本願発明に係る油入電気機器の異常予測診断方法は、特定の回帰直線を用いて予測した各ガス種の予測濃度について、特定の決定木作成方法を採用して、判定対象機器の内部異常の種類を判定することで、将来発生する内部異常を精度よく予測診断することが期待できる。
次に、本発明の実施形態を添付図面に基づき詳細に説明する。
（第１の実施形態）
図１は、本発明の第１の実施形態における油入電気機器の異常診断方法を行うための代表的な異常診断システムの主要な構成を示したブロック図である。図１に示すように、異常診断システム１は、入力手段２、出力手段３、コンピュータ４を備え、コンピュータ４は、処理装置１０と記憶手段１１を備える。処理装置１０は、マイクロプロセッサを主体に構成され、図示しないＲＡＭ、ＲＯＭからなる記憶部を有して、一般的な各種処理動作の手順や後述する本発明の診断方法などを実行させるための手順を規定するプログラムや処理データが記憶される。
（第１の実施形態）
図１は、本発明の第１の実施形態における油入電気機器の異常診断方法を行うための代表的な異常診断システムの主要な構成を示したブロック図である。図１に示すように、異常診断システム１は、入力手段２、出力手段３、コンピュータ４を備え、コンピュータ４は、処理装置１０と記憶手段１１を備える。処理装置１０は、マイクロプロセッサを主体に構成され、図示しないＲＡＭ、ＲＯＭからなる記憶部を有して、一般的な各種処理動作の手順や後述する本発明の診断方法などを実行させるための手順を規定するプログラムや処理データが記憶される。
処理装置１０は、標準化データ作成部１０ａ、離散化データ作成部１０ｂ、決定木作成部１０ｃ、第１内部異常判定部１０ｄ、第２内部異常判定部１０ｅを備える。
標準化データ作成部１０ａは、実績データ記憶部１１ａに記憶されている油入電気機器の過去の異常事例データに基づき、各異常事例毎に油入電気機器の絶縁油中に溶解していた複数のガス種の濃度を比率に変換した標準化データ群を作成し、これを第１標準化データ記憶部１１ｂに記憶する機能を有する。また、判定対象の油入電気機器から抽出した絶縁油中に溶解している複数のガス種の濃度を比率に変換した標準化データ群を作成し、これを第２標準化データ群記憶部１１ｅに記憶する機能をも有する。尚、判定対象の油入電気機器から抽出した絶縁油中に溶解している複数のガス種の濃度は、実績データ記憶部１１ａに記憶されていてもよいし、入力手段２により入力してもよい。
離散化データ作成部１０ｂは、第１標準化データ群記憶部１１ｂに記憶された異常事例毎の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第１離散化データ群記憶部１１ｃに記憶する機能を有する。また、第２標準化データ群記憶部１１ｅに記憶された判定対象機器の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された前記異常事例と同じ所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第２離散化データ群記憶部１１ｆに記憶する機能をも有する。
決定木作成部１０ｃは、第１離散化データ群記憶部１１ｃに記憶された異常事例毎の離散化データ群に基づき、上記式（１）〜（４）を用いた解析により油入電気機器の内部異常の種類を判定するための決定木を作成し、これを決定木記憶部１１ｄに記憶する機能を有する。
任意の構成である第１内部異常判定部１０ｄは、前記判定対象の油入電気機器から抽出された絶縁油中に溶解している複数のガス種の濃度について、それぞれ所定の正常範囲に入るか否かを判定する機能を有する。
第２内部異常判定部１０ｅは、第２離散化データ群記憶部１１ｆに記憶された判定対象機器の離散化データ群と、決定木記憶手段１１ｄに記憶された決定木により、判定対象機器の内部異常の種類を判定する機能を有する。
また、判定結果は、記憶手段１１に記憶させてもよいし、出力手段３により出力されるようにしてもよい。
記憶手段１１は、実績データ記憶部１１ａ、第１標準化データ群記憶部１１ｂ、第１離散化データ群記憶部１１ｃ、決定木記憶部１１ｄ、第２標準化データ群記憶部１１ｅ、第２離散化データ群記憶部１１ｆを備える。なお、図示しないが、診断結果を記憶する結果記憶部を備えてもよい。
実績データ記憶部１１ａには、油入電気機器の過去の絶縁油中に溶解していた複数のガス種の濃度の測定データが記憶されていてもよい。その場合は、実績データには、過去の異常事例データ以外にも、正常時の測定データも含まれているため、異常事例データか否かを区別することができるようにして記憶される。また、診断精度をより向上させる観点から、異常事例データには、新たに得られた異常事例のデータを追加して、異常事例全体の件数を追加していくことが望ましい。
第１標準化データ群記憶部１１ｂには、過去の異常事例データに基づき標準化データ作成部１０ａにおいて作成された標準化データ群が記憶されている。第１離散化データ群記憶部１１ｃには、第１標準化データ群記憶部１１ｂに記憶された標準化データ群に基づき離散化データ作成部１０ｂにおいて作成された離散化データ群が記憶されている。決定木記憶部１１ｄには、決定木作成部１０ｄにおいて作成された決定木が記憶されている。第２標準化データ群記憶部１１ｅには、判定対象の油入電気機器から抽出した絶縁油中に溶解している複数のガス種の濃度に基づき標準化データ作成部１０ａにおいて作成された標準化データ群が記憶されている。第２離散化データ群記憶部１１ｆには、第２標準化データ群記憶部１１ｄに基づき離散化データ作成部１０ｂにおいて作成された離散化データ群が記憶されている。
本例では、診断システムを構成するコンピュータが１台である例を示したが、例えば、決定木を作成するのに必要な構成を備えたコンピュータをホストコンピュータとして構成するとともに、該ホストコンピュータと判定対象の油入電気機器のある場所において使用可能な他のコンピュータとをインターネットなどの通信回線を介して接続し、判定対象の油入電気機器についての実績データは個別のコンピュータにより管理するように構成してもよい。
以上のような機能は、処理装置１０に備えられた図示しないＲＡＭ、ＲＯＭからなる記憶部に記憶された各種処理動作の手順を規定するプログラムにより実現される。
次に、本発明に係る異常診断システムにおける処理手順を実施例に基づき説明する。
図３は、判定対象の油入電気機器から抽出した絶縁油中に溶解している複数のガス種の濃度の入力から異常診断結果が得られるまでの概略フロー図である。
図３は、判定対象の油入電気機器から抽出した絶縁油中に溶解している複数のガス種の濃度の入力から異常診断結果が得られるまでの概略フロー図である。
コンピュータ４は、入力手段３により、あるいは、実績データ記憶部１１ａから選択することにより、判定対象の油入電気機器から抽出した絶縁油中に溶解している複数のガス種の濃度が入力されると（ステップＳ１０１）、第１内部異常判定部１０ｄにおいて、各ガス種の濃度についてそれぞれ所定の正常範囲に入るか否か、即ち、ガス種毎に予め定められた基準値以上か否かを判定する（ステップＳ１０２、Ｓ１０３）。何れのガス濃度も基準値以上でない場合は、異常なしとの診断結果を記憶手段１１の図示しない結果記憶部に記憶し（ステップＳ１０５）、必要により、診断結果を出力手段３により出力する（ステップＳ１０６）。一方、各ガス濃度のうち基準値以上のものが存在する場合は、決定木による診断を行い（ステップＳ１０４）、決定木による診断結果を同じく結果記憶部に記憶し（ステップＳ１０５）、必要により、診断結果を出力手段３により出力する（ステップＳ１０６）。
尚、ステップＳ１０２、Ｓ１０３は、任意の構成である。例えば、あるガス種のガス濃度が基準値以上であることが既知の場合、これらのステップは不要であるため、省略できるように構成すると良い。
尚、ステップＳ１０２、Ｓ１０３は、任意の構成である。例えば、あるガス種のガス濃度が基準値以上であることが既知の場合、これらのステップは不要であるため、省略できるように構成すると良い。
図４は、図３における決定木による診断（ステップＳ１０４）のステップの詳細を示す概略フロー図である。
ステップＳ１０４では、先ず、標準化データ作成部１０ａにおいて、実績データ記憶部１１ａに記憶されている油入電気機器の過去の実績データのうち、異常事例データを抽出し（ステップＳ２０１）、該異常事例データに基づき、各異常事例毎に油入電気機器の絶縁油中に溶解していた複数のガス種の濃度を比率に変換した標準化データ群を作成するとともに、これを第１標準化データ群記憶部１１ｂに記憶する（ステップＳ２０２）。
また、同様の処理を行って、ステップＳ１０１において入力された判定対象の油入電気機器から抽出した絶縁油中に溶解している複数のガス種（以下、判定対象ガスともいう。）の濃度を変換して標準化データ群を作成するとともに、これを第２標準化データ群記憶部１１ｅに記憶する（ステップＳ２０２）。
このように、事例毎にガス濃度で表わされたデータを、その比率に変換することで、ガス種の相対的な関係を考慮した決定木の生成が可能となる。このようなガス種の相対的な関係は、熟練した診断専門家の判断においても考慮される。従って、このような一連のステップを採用することで、熟練した診断専門家の判断手法と同様の判断基準に基づいた決定木が作成され、診断精度がより向上した診断方法などを実現することができる。
また、同様の処理を行って、ステップＳ１０１において入力された判定対象の油入電気機器から抽出した絶縁油中に溶解している複数のガス種（以下、判定対象ガスともいう。）の濃度を変換して標準化データ群を作成するとともに、これを第２標準化データ群記憶部１１ｅに記憶する（ステップＳ２０２）。
このように、事例毎にガス濃度で表わされたデータを、その比率に変換することで、ガス種の相対的な関係を考慮した決定木の生成が可能となる。このようなガス種の相対的な関係は、熟練した診断専門家の判断においても考慮される。従って、このような一連のステップを採用することで、熟練した診断専門家の判断手法と同様の判断基準に基づいた決定木が作成され、診断精度がより向上した診断方法などを実現することができる。
過去の異常事例データの処理について具体的に説明すると、実績データ記憶部１１ａから異常事例データとして、例えば、図８に示すように、過去の異常事例データ（事例１、事例２、・・・・）毎に、各ガス種（ガス１、ガス２、ガス３、ガス４、ガス５、・・・・・）のガス濃度［ｐｐｍ］（事例１；ａ11、ａ12、・・・・、事例２；ａ21、ａ22、・・・・）、測定した各ガス種のガス濃度の和（事例１；Σａ1p＝ａ11＋ａ12＋・・・、事例２；Σａ2p＝ａ21＋ａ22＋・・・、・・・）、事例における代表的な内部異常の種類（異常１、異常２、・・・）が抽出される。尚、図８は、仮想的に一覧表として示したものである（ステップＳ２０１）。
尚、ガス種としては、メタン、エタン、エチレン、プロパン、プロピレン、イソブタン、アセチレン、水素、一酸化炭素、ノルマルブタン、などが例示できる。これらは油入電気機器のガス分析において指標とされるガス種であり、これらのうち、代表的な数種を選択してもよいし、より多くの種類を選択してもよいが、ガス種の種類を多くした場合の方が、診断精度が向上する傾向にある。
また、内部異常の種類としては、例えば変圧器であれば、タップ部の異常、鉄心部の異常、コイル部の異常、リード部の異常、スイッチ室からの漏油などがある。これらの内部異常は、１件の異常事例データに複数含まれる場合がある。その場合は、上記のように代表的な内部異常の種類が選択される。このため、実績データ記憶部１１ａには、その区別ができるようにして実績データが記憶されている。なお、後述するように、最終的に判定される内部異常の種類は、全ての内部異常の種類が考慮され、決定される。
また、内部異常の種類としては、例えば変圧器であれば、タップ部の異常、鉄心部の異常、コイル部の異常、リード部の異常、スイッチ室からの漏油などがある。これらの内部異常は、１件の異常事例データに複数含まれる場合がある。その場合は、上記のように代表的な内部異常の種類が選択される。このため、実績データ記憶部１１ａには、その区別ができるようにして実績データが記憶されている。なお、後述するように、最終的に判定される内部異常の種類は、全ての内部異常の種類が考慮され、決定される。
その後、ステップ２０２において、例えば図９に示すように、図８における各ガス種のガス濃度を、それぞれ、事例毎に測定した各ガス種のガス濃度の総和（合計。事例１ではΣａ1p、事例２ではΣａ2p、・・・。）で除して、各異常事例毎に油入電気機器の絶縁油中に溶解していた複数のガス種の濃度を比率に変換した標準化データ群が作成される。尚、図９は、図８と同じく、仮想的に一覧表として示したものである
次に、ステップＳ２０３では、離散化データ作成部１１ｂにおいて、第１標準化データ群記憶部１１ｂおよび第２標準化データ群記憶部１１ｃに記憶された異常事例毎の標準化データ群および判定対象ガスの標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された所定の閾値により複数の離散化した属性に変換した離散化データ群を作成するとともに、これらをそれぞれ第１離散化データ群記憶部１１ｃおよび第２離散化データ群記憶部１１ｆに記憶する。尚、異常事例および判定対象ガスの離散化データ群の作成の際の閾値は同一である。
過去の異常事例データの処理について具体的に説明すると、図１０に示すように、図９に示す標準化データ群から、ガス種ごとに設定された所定の閾値により複数の離散化した属性に変換した離散化データ群が作成される（ステップＳ２０３）。離散化属性の数は、特に限定はない。本例では、図１０に示すように、離散化の属性として、診断専門家の判断基準に合致している「非常に少ない」、「少ない」、「多い」との３つの離散化属性を採用している。即ち、連続属性である標準化デーテを大小２つ特定の閾値で３分割し、小さい方の閾値以下の場合に「非常に少ない」、小さい方の閾値より大きく、大きい方の閾値以下の場合は「少ない」、大きい方の閾値より大きい場合は「多い」としている。このように、診断専門家の判断基準に合致している３つの属性を採用すると、診断精度が向上する傾向にある。また、前記閾値としては、ガス種毎に診断専門家が過去の異常事例データなどから経験的に定める値を用いる。そのため、閾値は、過去の異常事例データに基づく判断のみならず、将来的に異常事例データが追加される場合は、そのデータを加味した判断に基づいて定められる。
尚、閾値は、記憶手段１１の符号１１ａ〜１１ｆで示される記憶部以外の記憶部に記憶されていても、第１／第２離散化データ群記憶部に記憶されていてもよい。
尚、閾値は、記憶手段１１の符号１１ａ〜１１ｆで示される記憶部以外の記憶部に記憶されていても、第１／第２離散化データ群記憶部に記憶されていてもよい。
次にステップＳ２０４では、第１離散化データ群記憶部１１ｃに記憶された異常事例毎の離散化データ群に基づき、決定木作成部１０ｃにおいて、前記式（１）〜（４）を用いた解析により油入電気機器の内部異常の種類を判定するための決定木を作成し、これを決定木記憶部１１ｄに記憶する。
ガス種毎に決定される図１１に示す表、図７、１２、１３に示す決定木の一部を示す図をもとに、前記式（１）〜（４）を用いた解析により決定木を作成する部分の手順を具体的に説明する。
図１１は、あるガス種（Ｘ）について、内部異常の種類の件数を５件（異常１〜５）、離散化属性（枝）を「多い」（１番目の枝とする）、「少ない」（２番目の枝とする）、「非常に少ない」（３番目の枝とする）の３属性とした場合を例にして、そのガス種における、離散化属性毎に対応する内部異常（異常１〜５）の各件数（β11〜β35）、内部異常毎の合計件数（Ｃ1〜Ｃ5）、離散化属性（枝）毎の合計件数（α1〜α3）をまとめたものである。従って、各ガス種毎に図１１に対応する表が仮想的に作成される。
解析手順は概ね以下の通りである。
（i）全ての過去の異常事例データを対応付けた節点を作成する（図７の「ガス１」に相当する節点）。従って、この節点に対応付けられた異常事例データの集合Ｄは、全ての過去の異常事例になり、この全ての過去の異常事例の件数が｜Ｄ｜である。
（i）全ての過去の異常事例データを対応付けた節点を作成する（図７の「ガス１」に相当する節点）。従って、この節点に対応付けられた異常事例データの集合Ｄは、全ての過去の異常事例になり、この全ての過去の異常事例の件数が｜Ｄ｜である。
（ii）この集合Ｄに対して、各ガス種毎に作成される図１１に示す表の値をもとに、ガス種毎に上記式（１）〜（４）に基づいて利得比Ｇ（Ｘ）を算出し、該利得比Ｇ（Ｘ）が最大となるガス種（Ｘｍａｘ）をこの節点のテスト属性とする。
（iii）ガス種Ｘｍａｘの離散化属性に従って、この集合Ｄを部分集合に分割する。ガス種Ｘｍａｘが図１１に示す表のような特性を有したとすると、集合Ｄは、離散化属性に基づき、α1、α2、α3の件数をそれぞれ有する部分集合に分割される。
（iv）部分集合に対して、新しい子節点を作成し、上位の節点とこれらの新しい節点を結ぶ枝にＸｍａｘの対応する離散化属性をそれぞれラベル付けする。（例えば図７において、「ガス１」が「上位の節点」、「ガス２」、「ガス３」、「ガス４」が部分集合に対応する「子節点」、「多い」、「少ない」、「非常に少ない」が、対応する離散化属性（枝）のラベルに相当する。）
（v）作成した子節点における異常事例データの件数が３件以上である場合、その部分集合に対して、（ii）〜（iv）に従って、再帰的にその部分集合をさらに分割する。異常事例データの件数が３件未満である場合、その節点は葉節点とし、その節点の集合のうち最も多く含まれる内部異常の種類を解として葉節点にラベル付けする。また、異常事例データの件数が０件である場合は、その上位節点に最も多く含まれる内部異常の種類を解として葉節点にラベル付けする。尚、最も多く含まれる内部異常の種類が複数存在する場合は、それら全ての種類を解として葉節点にラベル付けする。その際、内部異常の種類の比率とともにラベル付けしても良い。
図１２に示す例をもとに説明すると、「上位節点」および「子節点１」には異常事例データの件数がそれぞれ６件および４件含まれているため、再帰的に部分集合に分割される。また、「子節点３」には異常事例データの件数が２件含まれるため、「子節点３」は「子節点３」に最も多く含まれる内部異常の種類「異常１」とラベル付けられた葉節点となる。さらに、「子節点２」に含まれる異常事例データの件数は０件であるため、「子節点２」は上位節点に最も多く含まれる内部異常の種類「異常３」とラベル付けられた葉節点となる。
（vi）上記の処理が全て終了した後、いわゆる枝刈りを行う。枝刈りは、（親節点の誤り率）＜（子節点全体の誤り率）となった場合について行い、枝刈り後は親節点を葉節点とし、子節点において最も多く分類された内部異常の種類をその葉節点のラベルとする。
誤り率は、葉節点に含まれる異常事例データの件数（Ｎとする）、誤って分類された異常事例データの件数（Ｅとする）について、ベータ分布の上側累積確率０．２５から求めたパーセント点として算出されるもの（ベータ分布の累積分布関数の逆関数の値）を用いることができる。これにより、前記件数の比（Ｅ／Ｎ）を誤り率とした場合に比べ、安全側に誤り率を見積もることができる。
誤り率は、葉節点に含まれる異常事例データの件数（Ｎとする）、誤って分類された異常事例データの件数（Ｅとする）について、ベータ分布の上側累積確率０．２５から求めたパーセント点として算出されるもの（ベータ分布の累積分布関数の逆関数の値）を用いることができる。これにより、前記件数の比（Ｅ／Ｎ）を誤り率とした場合に比べ、安全側に誤り率を見積もることができる。
図１３（ａ）および（ｂ）に示す例をもとに説明すると、（v）の段階で図１３（ａ）に示すように、親節点としての「ガス２」から３つの子節点としての「異常３」、「異常２」、「異常３」が形成された場合に、親節点における誤り率が１１％で、３つの子節点の全体の誤り率が１６％であったとすると、図１３（ｂ）に示すように、子節点は枝刈りされ、一旦「ガス２」とラベル付けされた親節点が葉節点となり、もとの子節点において最も多く分類された「異常３」をその葉節点のラベルとする。
（vii）上記の枝刈りが終了した時点で、決定木が完成し、この決定木が決定木記憶部１１ｄに記憶される。なお、上記の処理において算出された値も、決定木記憶部１１ｄに記憶させてもよい。
次にステップＳ２０５では、第２内部異常判定部１０ｅにおいて、決定木記憶部１１ｄに記憶させた決定木に、第２離散化データ群記憶部１１ｆに記憶させた判定対象ガスの離散化データ群をあてはめて、決定木のルート節点から順に枝をたどり、最終的にたどり着いた葉節点の内容である内部異常の種類を判定する。
図７に示す例をもとに説明すると、最終的に決定された決定木の一部が、図７に示す木構造を有したとして、判定対象ガスの離散化データ群が「ガス１：多い、ガス２：非常に少ない、ガス３：少ない、ガス４：非常に少ない、ガス５：非常に少ない」というような特性を有したとした場合、判定対象ガスの離散化データ群のうち、先ず決定木のルート節点にラベルされた「ガス１」が選択され、その離散化属性である「多い」とラベルされた枝が選択される。次に、その選択された枝をたどって下位の節点「ガス２」が選択され、その離散化属性である「非常に少ない」とラベルされた枝が選択される。さらに、その選択された枝をたどってさらに下位の節点「ガス５」が選択され、その離散化属性である「非常に少ない」とラベルされた枝が選択され、最終的に葉節点である「異常５」に到達する。この「異常５」が、決定木により判定された判定対象の油入電気機器の内部異常の種類である。
また、この際、葉節点に複数の異常事例データが含まれる場合がある。例えば、図１２の葉節点である子節点２および子節点３には、ラベル付け後に、それぞれ６件および２件の異常事例データが含まれる。また、子節点２では異なる種類の内部異常の種類が含まれる。さらに、上述したように、異常事例データにおいて示される各内部異常の種類（例えば図８〜１０における内部異常の種類）は、複数の内部異常のうちの代表的な一つの種類が選択されている場合がある。このような場合には、葉節点に含まれる全ての異常事例データを対象として、異常事例データに含まれる全ての内部異常の種類ののべ件数に対する比率を、各内部異常の種類の発生の確率として、判定対象機器の内部異常の種類を判定することもできる。
以上で、決定木による診断のステップＳ１０４が終了し、第２内部異常判定部１０ｅで行われた内部異常の診断結果を図示しない結果記憶部に記憶する（ステップＳ１０５）。さらに、必要な場合は、出力手段３により診断結果を出力する。
尚、本実施形態では、油入電気機器の異常診断方法を行うための異常診断システムないし異常診断方法として説明したが、上記のステップＳ１０４において実行される決定木の作成方法（ステップＳ２０１〜Ｓ２０４）のみの構成も、本発明の範疇に含まれる。また、これらの異常診断方法や決定木の作成方法の各ステップをコンピュータに実行させるためのプログラムも本発明の範疇に含まれる。この点は以下の実施形態においても同様である。
（第２の実施形態）ファジィ決定木
次に、本発明における第２の実施形態について説明する。尚、本実施形態と第１の実施形態とは、後述する確信度に基づいて作成される決定木（以下、ファジィ決定木ともいう。）および判定対象ガスの離散化データ群を用いること以外は、同じ構成である。従って、上述した第１に実施形態と同一の部分については、同一の図面、符号を用い、詳細な説明は省略する。
次に、本発明における第２の実施形態について説明する。尚、本実施形態と第１の実施形態とは、後述する確信度に基づいて作成される決定木（以下、ファジィ決定木ともいう。）および判定対象ガスの離散化データ群を用いること以外は、同じ構成である。従って、上述した第１に実施形態と同一の部分については、同一の図面、符号を用い、詳細な説明は省略する。
ファジィ決定木を用いる場合、図４に示すステップＳ２０３において作成される離散化データ群が第１の実施形態の場合と異なる。
即ち、第２の実施形態では、離散化データ作成部１０ｂにおいて、第１標準化データ群記憶部１１ｂおよび第２標準化データ群記憶部１１ｃに記憶された異常事例毎の標準化データ群および判定対象ガスの標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率に対応する確信度をガス種ごとに設定された所定のメンバーシップ関数により算出し、前記確信度に基づき前記各ガス種の濃度比率を複数の離散化した属性に変換した離散化データ群を作成するとともに、これらをそれぞれ第１離散化データ群記憶部１１ｃおよび第２離散化データ群記憶部１１ｆに記憶する。尚、異常事例および判定対象ガスの離散化データ群の作成の際のメンバーシップ関数は同一である。
メンバーシップ関数は、離散化属性が３つ（即ち、「非常に少ない」、「少ない」、「多い」）の場合を例にすると、次のようにして定めることができる。
先ず、ガス種の濃度を比率に変換した上記の第１標準化データ群からガス種毎の標準化データ群を採取し、その濃度比率の平均値と最大値を求める。求めた濃度比率の平均値を「非常に少ない」と「少ない」との分岐点（即ち、それぞれの離散化属性の確信度が０．５となる値）とし、同じく濃度比率の最大値を「少ない」と「多い」との分岐点（即ち、それぞれの離散化属性の確信度が０．５となる値）とする。次に、これらの分岐点を基準にして、診断専門家が過去の異常事例データなどから経験的に、それぞれの離散化属性の確信度とガス比率の関係を求め、メンバーシップ関数を作成する。その例を図１４に示す。
尚、同じガス比率におけるそれぞれの離散化属性の確信度の和は常に１となる。また、上記のように、ガス種毎のメンバーシップ関数は、異常事例データに基づく第１標準化データ群より算出される値をもとに定められるため、異常事例が追加されると、更新される場合がある。
即ち、第２の実施形態では、離散化データ作成部１０ｂにおいて、第１標準化データ群記憶部１１ｂおよび第２標準化データ群記憶部１１ｃに記憶された異常事例毎の標準化データ群および判定対象ガスの標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率に対応する確信度をガス種ごとに設定された所定のメンバーシップ関数により算出し、前記確信度に基づき前記各ガス種の濃度比率を複数の離散化した属性に変換した離散化データ群を作成するとともに、これらをそれぞれ第１離散化データ群記憶部１１ｃおよび第２離散化データ群記憶部１１ｆに記憶する。尚、異常事例および判定対象ガスの離散化データ群の作成の際のメンバーシップ関数は同一である。
メンバーシップ関数は、離散化属性が３つ（即ち、「非常に少ない」、「少ない」、「多い」）の場合を例にすると、次のようにして定めることができる。
先ず、ガス種の濃度を比率に変換した上記の第１標準化データ群からガス種毎の標準化データ群を採取し、その濃度比率の平均値と最大値を求める。求めた濃度比率の平均値を「非常に少ない」と「少ない」との分岐点（即ち、それぞれの離散化属性の確信度が０．５となる値）とし、同じく濃度比率の最大値を「少ない」と「多い」との分岐点（即ち、それぞれの離散化属性の確信度が０．５となる値）とする。次に、これらの分岐点を基準にして、診断専門家が過去の異常事例データなどから経験的に、それぞれの離散化属性の確信度とガス比率の関係を求め、メンバーシップ関数を作成する。その例を図１４に示す。
尚、同じガス比率におけるそれぞれの離散化属性の確信度の和は常に１となる。また、上記のように、ガス種毎のメンバーシップ関数は、異常事例データに基づく第１標準化データ群より算出される値をもとに定められるため、異常事例が追加されると、更新される場合がある。
過去の異常事例データの処理について具体的に説明すると、ガス種毎に例えば図１４に示すような予め作成されたメンパーシップ関数に基づいて、各事例について、図１５に示すような離散化データ群が作成される。例えば、図１５におけるガス種の「ガス１」について、図１４に示すメンバーシップ関数が作成されていた場合に、ステップＳ２０２において作成された標準化データのガス比率が９％であった時、離散化属性「少ない」および「非常に少ない」の確信度は、図１４に示すグラフ（メンバーシップ関数）から、それぞれ０．３０および０．７０となる。即ち、図１５の事例において、「ガス１」については、「少ない」が０．３０件、「非常に少ない」が０．７０件としてカウントされることになる。
このようにして、ステップＳ２０３において離散化データ群が作成された後は、第１の実施形態の場合と同様にして、決定木（ファジィ決定木）が生成され、決定木記憶部１１ｄに記憶される（Ｓ２０４）。尚、ファジィ決定木の生成において用いる上記式（５）〜（８）は取り扱う一部のパラメータが確信度になる点で、第１の実施形態における式（１）〜（４）と異なるが、処理方法は同一であるので、詳細な説明は省略する。
ステップＳ２０５の決定木（ファジィ決定木）による内部異常の種類の判定でも、実質的な処理手順は同じである。相違点としては、第２離散化データ群は、確信度に基づいて、離散化属性に振り分けられているため、複数の枝をたどっていき、複数の葉節点に到達する場合があることである。この場合、これら複数の葉節点に含まれるファジィ決定木の内部異常の種類の確信度の和の総和のうち、最も大きい値を有する内部異常の種類が、ファジィ決定木により判定された判定対象の油入電気機器の内部異常の種類である。尚、第１の実施形態の場合と同様に、各内部異常の種類の発生の確率として、判定対象機器の内部異常の種類を判定することもできる。
（第３の実施形態）異常予測診断方法
次に、本発明における第３の実施形態について説明する。
図２は、本発明に係る油入電気機器の異常予測診断方法を行うための代表的な異常予測診断システムの主要な構成を示したブロック図であり、図１に示すシステム構成に、判定対象ガス種の濃度を予測するための構成を追加したものである。従って、図２中符号２０ａ〜２０ｅ、２１ａ〜２１ｆは、それぞれ図１中符号１０ａ〜１０ｅ、１１ａ〜１１ｆの構成と同じ構成である。
次に、本発明における第３の実施形態について説明する。
図２は、本発明に係る油入電気機器の異常予測診断方法を行うための代表的な異常予測診断システムの主要な構成を示したブロック図であり、図１に示すシステム構成に、判定対象ガス種の濃度を予測するための構成を追加したものである。従って、図２中符号２０ａ〜２０ｅ、２１ａ〜２１ｆは、それぞれ図１中符号１０ａ〜１０ｅ、１１ａ〜１１ｆの構成と同じ構成である。
また、図５は、判定対象ガスの濃度の入力から異常予測診断結果が得られるまでの概略フロー図である。図５に示すように、本実施形態ではステップＳ３０５の予測のステップを行うこと以外は、全く同じ構成である。従って、図５中のステップＳ３０１〜Ｓ３０４、Ｓ３０６〜Ｓ３０７は、それぞれ図３中のステップＳ１０１〜Ｓ１０６と同一である。
以上のように、第３の実施形態は、予測を行う構成を備える以外は、第１の実施形態と同じ構成を有するものである。従って、共通する構成の詳細な説明は省略する。
第３の実施形態では、図２に示すように、処理装置２０において、図１の処理装置１０の構成に加え、第１回帰直線作成部２０ｆ〜第３回帰直線作成部２０ｈを備え、また、記憶手段２１において、図１の記憶手段１１の構成に加え、第１回帰直線データ記憶部２１ｇ〜第３回帰直線データ記憶部２０ｉを備える。
第１回帰直線作成部２０ｆは、実績データ記憶部２０ａに記憶されている判定対象の油入電気機器の過去の３つ以上の実績データに基づき、油入電気機器の絶縁油中に溶解していた複数のガス種毎に抽出されたガス濃度の時系列データ群について、第１回帰直線と、該第１回帰直線に対する前記時系列データ群のばらつきと、該ばらつきに基づく不確かさとを算出し、これらを第１回帰直線データ記憶部２１ｇに記憶する機能を有する。
第２回帰直線作成部２０ｇは、実績データ記憶部２１ａに記憶されている実績データに基づき抽出された前記時系列データ群のうち最も測定時期の新しい３つ以上の前記時系列データ群について、第２回帰直線と、該第２回帰直線上の最も新しい測定時期から所定期間経過した時のガス濃度である第１予測ガス濃度とを算出し、これらを第２回帰直線データ記憶部２１ｈに記憶する機能を有する。
第３回帰直線作成部２０ｈは、第１回帰直線データ記憶部２１ｇに記憶された前記不確かさと第２回帰直線データ記憶部２１ｈに記憶された前記第１予測ガス濃度とを和した値を第２予測ガス濃度として算出し、第２予測ガス濃度と、実績データ記憶部２１ａに記憶されている実績データに基づき抽出された前記時系列データ群のうち最も測定時期の新しい実績データとにより構成される予測時系列データ群を作成し、該予測時系列データ群について第３回帰直線を作成し、これを第３直線データ記憶部２１ｉに記憶する機能を有する。
次に、本発明に係る異常予測診断システムにおける処理手順のうち、予測を行う処理手順について実施例に基づき説明する。
図５に示すように、本実施例では、ステップＳ３０３において、判定対象ガスのガス濃度が基準値未満の場合に限らず、基準値以上である場合も、ステップＳ３０５において判定対象ガス濃度の予測を行うようにしている。判定対象ガスのガス濃度が基準値以上である場合も、予測を行うことにより、判定対象となる油入電気機器の修理、交換の時期をより適切に把握することが可能となる。もっとも、ガス濃度が基準値以上の場合には、予測を行わないように構成してもよい。
図５に示すように、本実施例では、ステップＳ３０３において、判定対象ガスのガス濃度が基準値未満の場合に限らず、基準値以上である場合も、ステップＳ３０５において判定対象ガス濃度の予測を行うようにしている。判定対象ガスのガス濃度が基準値以上である場合も、予測を行うことにより、判定対象となる油入電気機器の修理、交換の時期をより適切に把握することが可能となる。もっとも、ガス濃度が基準値以上の場合には、予測を行わないように構成してもよい。
図６は、図５における予測のステップ（ステップＳ３０５）の詳細を示す概略フロー図である。また、図１６は、あるガス種についてのガス濃度の時系列データ群に基づく各回帰直線の作成手順を示した模式図である。尚、図１６中、横軸の経過時間のゼロ点は、油入電気機器の新規設置時期を意味する。従って、油入電気機器を改修した場合は、改修した時が新規設置時期即ちゼロ点になり、それ以前の時系列データは、予測のステップにおいては参照されない。
ステップＳ３０５では、先ず、第１回帰直線作成部２０ｆにおいて、実績データ記憶部２０ａに記憶されている判定対象の油入電気機器の過去の３つ以上の実績データが選択される（ステップＳ４０１）。
次いで、この選択された実績データに基づき、油入電気機器の絶縁油中に溶解していた複数のガス種毎に抽出されたガス濃度の時系列データ群について、第１回帰直線が算出される。第１回帰直線は、最小二乗法により求めることができる。
次いで、この選択された実績データに基づき、油入電気機器の絶縁油中に溶解していた複数のガス種毎に抽出されたガス濃度の時系列データ群について、第１回帰直線が算出される。第１回帰直線は、最小二乗法により求めることができる。
また、第１回帰直線に対する前記時系列データ群のばらつきと、該ばらつきに基づく不確かさとを算出する。そして、前記時系列データ群とともに、各算出結果を第１回帰直線データ記憶部２１ｇに記憶する。
ここで、ばらつきは、時系列データ群のある時期ｔpにおけるあるガス種の濃度ａpと、そのガス種の第１回帰直線により算出される時期ｔpにおける算出濃度ａp’との差である。例えば、一次回帰直線がａ＝αｔ＋β（ａ：あるガス種の濃度、ｔ：経過時間、αおよびβは任意の定数）で表わされたとすると、ある時期ｔpにおける、ばらつきＤpは、Ｄp＝ａp’−ａp＝αｔp＋β−ａpとなる。
また、不確かさ（Ｕ）は、時系列データ群の全てについて上記ばらつきを求め、その各ばらつきをＤp（ｐ＝１〜Ｐの自然数、Ｐ：あるガス種の時系列データに含まれる全体のデータ数に等しい値）とすると、下式（９）で表わされる。また、不確かさは、９５％信頼水準において算出されるものが好ましい。
また、不確かさ（Ｕ）は、時系列データ群の全てについて上記ばらつきを求め、その各ばらつきをＤp（ｐ＝１〜Ｐの自然数、Ｐ：あるガス種の時系列データに含まれる全体のデータ数に等しい値）とすると、下式（９）で表わされる。また、不確かさは、９５％信頼水準において算出されるものが好ましい。
また、第２回帰直線作成部２０ｇにおいて、実績データ記憶手段に記憶されている実績データに基づき抽出された前記時系列データ群（本例では、第１回帰直線データ記憶部２１ｇに記憶された時系列データ群）のうち最も測定時期の新しい３つ以上の前記時系列データ群について、第２回帰直線を算出し、該第２回帰直線上の最も新しい測定時期から所定期間経過した時のガス濃度である第１予測ガス濃度とを算出し、これらを第２回帰直線データ記憶部２１ｈに記憶する。
ここで前記の所定期間とは、原則として、最も新しい測定時期と、その次に新しい測定時期との間の期間と同じ期間を意味するが、必ずしもその必要はなく、将来予定する測定時期をもとに確定すればよい。
このように、最も測定時期の新しい実績データに基づいて別途第２回帰直線を作成するため、直近のデータの推移を反映することができる。
図１６をもとに説明すると、時系列データ群のうち、最も新しい３つの測定時期ｔ7（最も新しい測定時期）、ｔ6（その次に新しい測定時期）、ｔ5のデータ群について第２回帰直線が算出される。次いで、所定時期ｔ8における第２回帰直線上の第１予測ガス濃度が算出される（図１６中「×」で示される）。所定時期ｔ8は、ｔ8−ｔ7＝ｔ7−ｔ6で規定される。
さらに、第３回帰直線作成部２０ｈにおいて、第１回帰直線データ記憶部２１ｇに記憶された前記不確かさと第２回帰直線データ記憶部２１ｈに記憶された前記第１予測ガス濃度とを和した値を第２予測ガス濃度として算出し、第２予測ガス濃度と、実績データ記憶部２１ａに記憶されている実績データに基づき抽出された前記時系列データ群（本例では、第１回帰直線データ記憶部２１ｇに記憶された時系列データ群）のうち最も測定時期の新しい実績データとにより構成される予測時系列データ群を作成し、該予測時系列データ群について第３回帰直線を作成し、これを第３回帰直線データ記憶部２１ｉに記憶する。
このように、最も新しい時系列データ群から作成した第２回帰直線上の第１予測ガス濃度に対して、全ての時系列データ群に基づいて求めた不確かさを和して第２予測ガス濃度を算出することで、全ての時系列データ群のばらつきを考慮し、安全側に見積もることができる。
図１６をもとに説明すると、第２回帰直線上の時期ｔ８におけるガス濃度である第１予測ガス濃度ｂ（ｔ8）（図１６中の「×」のガス濃度）に前記特定の不確かさを和して算出された第２予測ガス濃度ｃ（ｔ8）（図１６中の「△」のガス濃度）が算出される。そして、この時期ｔ8における第２予測ガス濃度ｃ（ｔ8）と前記時系列データ群のうち最も測定時期の新しい実績データである時期ｔ7におけるガス濃度ａ（ｔ7）とにより予測時系列データ群が作成される。次いで、この予測時系列データ群に基づいて第３回帰直線が作成される。
以上のようにして、判定対象となる各ガス種についての回帰直線の作成がステップＳ４０２において行われる。
次に、第３回帰直線が行われた後、各ガス種について、第３回帰直線上の同時期の第３予測ガス濃度をそれぞれ抽出する（ステップＳ４０３）。抽出される各ガス種の第３予測ガス濃度の時期は、それぞれ同時期であれば、特に限定はないが、後の処理である決定木による予測診断（ステップＳ４０４）において異常診断を行う観点から、何れかの第３予測ガス濃度が、ステップＳ３０２における判定基準である所定の基準値以上となる時期が好ましい。尚、算出された各第３予測ガス濃度は、第３回帰直線データ記憶部２１ｉに記憶にされるように構成してもよい。また、当該第３予測ガス濃度は、出力手段３に出力するように構成しても良い。
次に、前記第３予測ガス濃度を用いて、決定木による予測診断を行う（ステップＳ４０４）。
ステップＳ４０４において行う処理は、第１の実施形態において行われる決定木による診断、即ち、ステップＳ２０１〜Ｓ２０５において、判定対象ガス濃度に替えて第３予測ガス濃度を用いること以外は、実質的に同じである。このため詳細な説明は省略する。但し、第３の実施形態では、第２標準化群データ記憶部２１ｅおよび第２離散化群データ記憶部２１ｆにおいて、それぞれ、判定対象ガス濃度の実績データに基づくデータ群の記憶部と第３予測ガス濃度に基づくデータ群の記憶部を備えるように構成するとよい（何れも図示せず。）。
ステップＳ４０４において行う処理は、第１の実施形態において行われる決定木による診断、即ち、ステップＳ２０１〜Ｓ２０５において、判定対象ガス濃度に替えて第３予測ガス濃度を用いること以外は、実質的に同じである。このため詳細な説明は省略する。但し、第３の実施形態では、第２標準化群データ記憶部２１ｅおよび第２離散化群データ記憶部２１ｆにおいて、それぞれ、判定対象ガス濃度の実績データに基づくデータ群の記憶部と第３予測ガス濃度に基づくデータ群の記憶部を備えるように構成するとよい（何れも図示せず。）。
尚、第３の実施形態において、第１の実施形態の決定木に替えて、第２の実施形態のファジィ決定木を採用してもよい。
以下に、上記実施形態の実施例を示す。
（実施例１）
油入電気機器である変圧器に関して、４４４件の過去の異常事例データに基づき、内部異常の種類として、タップ部の異常、鉄心部の異常、コイル部の異常、リード部の異常、スイッチ室からの漏油の５種、ガス種として、メタン、エタン、エチレン、プロパン、プロピレン、イソブタン、アセチレン、水素、一酸化炭素、ノルマルブタンの１０種を用い、診断専門家の判断に基づく閾値をもとに定めた離散化属性を「多い」、「少ない」、「非常に少ない」の３属性として、第１の実施形態における決定木（表１中「通常」と示した）を作成するとともに、当該４４４件の異常事例データのそれぞれを判定対象として、作成した決定木にあてはめ、判定対象機器の内部異常の種類を判定した。決定木による判定結果（最終的に到達した葉節点にラベルされた内部異常の種類）に基づく各内部異常および全体の正答率を表１に示す。
表１に示すように、各内部異常の正答率は何れも６０％以上であり、全体の正答率は７６．４％であった。平均的な診断専門家の正答率は概ね５０％程度、熟練した診断専門家の正答率は概ね８０％程度とされており、本実施形態における診断方法は、平均的な診断専門家以上、熟練した診断専門家に非常に近い診断精度を有するものであることが分かる。
（実施例１）
油入電気機器である変圧器に関して、４４４件の過去の異常事例データに基づき、内部異常の種類として、タップ部の異常、鉄心部の異常、コイル部の異常、リード部の異常、スイッチ室からの漏油の５種、ガス種として、メタン、エタン、エチレン、プロパン、プロピレン、イソブタン、アセチレン、水素、一酸化炭素、ノルマルブタンの１０種を用い、診断専門家の判断に基づく閾値をもとに定めた離散化属性を「多い」、「少ない」、「非常に少ない」の３属性として、第１の実施形態における決定木（表１中「通常」と示した）を作成するとともに、当該４４４件の異常事例データのそれぞれを判定対象として、作成した決定木にあてはめ、判定対象機器の内部異常の種類を判定した。決定木による判定結果（最終的に到達した葉節点にラベルされた内部異常の種類）に基づく各内部異常および全体の正答率を表１に示す。
表１に示すように、各内部異常の正答率は何れも６０％以上であり、全体の正答率は７６．４％であった。平均的な診断専門家の正答率は概ね５０％程度、熟練した診断専門家の正答率は概ね８０％程度とされており、本実施形態における診断方法は、平均的な診断専門家以上、熟練した診断専門家に非常に近い診断精度を有するものであることが分かる。
（実施例２）
第２の実施形態における決定木（表１中「ファジィ」と示した）を作成したこと以外は、実施例１と同様にして、４４４件の異常事例データのそれぞれを判定対象として、作成したファジィ決定木にあてはめ、判定対象機器の内部異常の種類を判定した。ファジィ決定木による判定結果に基づく各内部異常および全体の正答率を表１に示す。
表１に示すように、各内部異常の正答率は何れも６２％以上であり、全体の正答率は８０．４％であった。ファジィ決定木を用いることで、さらに診断精度が向上し、全体の正答率では、熟練の診断専門家と同等の診断精度を有するものである。
第２の実施形態における決定木（表１中「ファジィ」と示した）を作成したこと以外は、実施例１と同様にして、４４４件の異常事例データのそれぞれを判定対象として、作成したファジィ決定木にあてはめ、判定対象機器の内部異常の種類を判定した。ファジィ決定木による判定結果に基づく各内部異常および全体の正答率を表１に示す。
表１に示すように、各内部異常の正答率は何れも６２％以上であり、全体の正答率は８０．４％であった。ファジィ決定木を用いることで、さらに診断精度が向上し、全体の正答率では、熟練の診断専門家と同等の診断精度を有するものである。
（実施例３）
実施例１と同様にして第１の実施形態における決定木を作成した。また、実際に鉄心部の内部異常があった特定の変圧器の過去約６年間の時系列データ群のうち約５年間の時系列データ群（図１７〜１９中、０〜５．２年までの実測データ）をもとに、前記第３の実施形態に基づいて、各ガス種の第３予測ガス濃度を算出した。算出結果を表２に示す。時系列データ群は、図１７〜１９に示すように、５．２年経過時において、ガス種毎に３つ以上の時系列データ群から構成されるものである。当該第３予測ガス濃度は、最も新しい測定時（図１７〜１９の経過時間が５．２年にあたる。その値を表２の「５年経過時のガス濃度」に示す。）から１年経過後の予測濃度（表２中、「６年経過時のガス濃度」の「予測値」）である。
当該第３予測ガス濃度群について所定の処理を行って、前記決定木をあてはめ、当該変圧器の１年後に予測される内部異常の種類を予測診断した。また、５年経過時及び６年経過時のガス濃度についても内部異常の診断を行った。診断結果を表２に示す。尚、表２中「ＮＤ」は検出されなかったことを示す。
図１７〜１９に示すように、第３回帰直線（図１７〜１９中の破線）と実測値とは、概ね、同様の傾向を示した。また、予測値は、概ね実測値よりも大きい値になっており、予測の安全性の面からは、良好な結果であった。また、表２に示すように、決定木を用いた内部異常の診断については、何れも鉄心部であり、実際の内部異常の種類と一致していた。
実施例１と同様にして第１の実施形態における決定木を作成した。また、実際に鉄心部の内部異常があった特定の変圧器の過去約６年間の時系列データ群のうち約５年間の時系列データ群（図１７〜１９中、０〜５．２年までの実測データ）をもとに、前記第３の実施形態に基づいて、各ガス種の第３予測ガス濃度を算出した。算出結果を表２に示す。時系列データ群は、図１７〜１９に示すように、５．２年経過時において、ガス種毎に３つ以上の時系列データ群から構成されるものである。当該第３予測ガス濃度は、最も新しい測定時（図１７〜１９の経過時間が５．２年にあたる。その値を表２の「５年経過時のガス濃度」に示す。）から１年経過後の予測濃度（表２中、「６年経過時のガス濃度」の「予測値」）である。
当該第３予測ガス濃度群について所定の処理を行って、前記決定木をあてはめ、当該変圧器の１年後に予測される内部異常の種類を予測診断した。また、５年経過時及び６年経過時のガス濃度についても内部異常の診断を行った。診断結果を表２に示す。尚、表２中「ＮＤ」は検出されなかったことを示す。
図１７〜１９に示すように、第３回帰直線（図１７〜１９中の破線）と実測値とは、概ね、同様の傾向を示した。また、予測値は、概ね実測値よりも大きい値になっており、予測の安全性の面からは、良好な結果であった。また、表２に示すように、決定木を用いた内部異常の診断については、何れも鉄心部であり、実際の内部異常の種類と一致していた。
１ 診断システム
２ 入力手段
３ 出力手段
４、６ コンピュータ
５ 予測診断システム
１０ 処理装置
１０ａ 標準化データ作成部
１０ｂ 離散化データ作成部
１０ｃ 決定木作成部
１０ｄ 第１内部異常判定部
１０ｅ 第２内部異常判定部
１１ 記憶手段
１１ａ 実績データ記憶部
１１ｂ 第１標準化データ群記憶部
１１ｃ 第１離散化データ群記憶部
１１ｄ 決定木記憶部
１１ｅ 第２標準化データ群記憶部
１１ｆ 第２離散化データ群記憶部
２０ 処理装置
２０ａ 標準化データ作成部
２０ｂ 離散化データ作成部
２０ｃ 決定木作成部
２０ｄ 第１内部異常判定部
２０ｅ 第２内部異常判定部
２０ｆ 第１回帰直線作成部
２０ｇ 第２回帰直線作成部
２０ｈ 第３回帰直線作成部
２１ 記憶手段
２１ａ 実績データ記憶部
２１ｂ 第１標準化データ群記憶部
２１ｃ 第１離散化データ群記憶部
２１ｄ 決定木記憶部
２１ｅ 第２標準化データ群記憶部
２１ｆ 第２離散化データ群記憶部
２１ｇ 第１回帰直線データ記憶部
２１ｈ 第２回帰直線データ記憶部
２１ｉ 第３回帰直線データ記憶部
２ 入力手段
３ 出力手段
４、６ コンピュータ
５ 予測診断システム
１０ 処理装置
１０ａ 標準化データ作成部
１０ｂ 離散化データ作成部
１０ｃ 決定木作成部
１０ｄ 第１内部異常判定部
１０ｅ 第２内部異常判定部
１１ 記憶手段
１１ａ 実績データ記憶部
１１ｂ 第１標準化データ群記憶部
１１ｃ 第１離散化データ群記憶部
１１ｄ 決定木記憶部
１１ｅ 第２標準化データ群記憶部
１１ｆ 第２離散化データ群記憶部
２０ 処理装置
２０ａ 標準化データ作成部
２０ｂ 離散化データ作成部
２０ｃ 決定木作成部
２０ｄ 第１内部異常判定部
２０ｅ 第２内部異常判定部
２０ｆ 第１回帰直線作成部
２０ｇ 第２回帰直線作成部
２０ｈ 第３回帰直線作成部
２１ 記憶手段
２１ａ 実績データ記憶部
２１ｂ 第１標準化データ群記憶部
２１ｃ 第１離散化データ群記憶部
２１ｄ 決定木記憶部
２１ｅ 第２標準化データ群記憶部
２１ｆ 第２離散化データ群記憶部
２１ｇ 第１回帰直線データ記憶部
２１ｈ 第２回帰直線データ記憶部
２１ｉ 第３回帰直線データ記憶部
Claims (1)
- コンピュータにより油入電気機器の内部異常を予測して診断する異常予測診断方法であって、
コンピュータが、
実績データ記憶手段に記憶されている油入電気機器の過去の異常事例データに基づき、各異常事例毎に油入電気機器の絶縁油中に溶解していた複数のガス種の濃度を比率に変換した標準化データ群を作成し、これを第１標準化データ群記憶手段に記憶し、
前記第１標準化データ群記憶手段に記憶された異常事例毎の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第１離散化データ群記憶手段に記憶し、
前記第１離散化データ群記憶手段に記憶された異常事例毎の離散化データ群に基づき、下記式（１）〜（４）を用いた解析により油入電気機器の内部異常の種類を判定するための決定木を作成し、これを決定木記憶手段に記憶し、
実績データ記憶手段に記憶されている判定対象の油入電気機器の過去の３つ以上の実績データに基づき、油入電気機器の絶縁油中に溶解していた複数のガス種毎に抽出されたガス濃度の時系列データ群について、第１回帰直線と、該第１回帰直線に対する前記時系列データ群のばらつきと、該ばらつきに基づく不確かさとを算出し、これらを第１回帰直線データ記憶手段に記憶し、
実績データ記憶手段に記憶されている実績データに基づき抽出された前記時系列データ群のうち最も測定時期の新しい３つ以上の前記時系列データ群について、第２回帰直線と、該第２回帰直線上の最も新しい測定時期から所定期間経過した時のガス濃度である第１予測ガス濃度とを算出し、これらを第２回帰直線データ記憶手段に記憶し、
第１直線データ記憶手段に記憶された前記不確かさと第２直線データ記憶手段に記憶された前記第１予測ガス濃度とを和した値を第２予測ガス濃度として算出し、第２予測ガス濃度と、実績データ記憶手段に記憶されている実績データに基づき抽出された前記時系列データ群のうち最も測定時期の新しい実績データとにより構成される予測時系列データ群を作成し、該予測時系列データ群について第３回帰直線を作成し、これを第３回帰直線データ記憶手段に記憶し、
前記第３回帰直線データ記憶手段に記憶されたガス種毎の第３回帰直線について、該第３回帰直線上の同時期の第３予測ガス濃度をそれぞれ抽出し、当該複数のガス種の第３予測ガス濃度を比率に変換した標準化データ群を作成し、これを第２標準化データ群記憶手段に記憶し、
前記第２標準化データ群記憶手段に記憶された判定対象機器の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された前記異常事例と同じ所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第２離散化データ群記憶手段に記憶し、
前記第２離散化データ群記憶手段に記憶された判定対象機器の離散化データ群と、前記決定木記憶手段に記憶された決定木により、判定対象機器の内部異常の種類を判定することを特徴とする油入電気機器の異常予測診断方法。
Ｘ：絶縁油中に溶解していたガス種
Ｄ：節点に対応付けられた異常事例データの集合
｜Ｄ｜：節点に対応付けられた異常事例データの件数
Ｃi：集合Ｄ中のｉ番目の内部異常の種類の件数
αi：ガス種Ｘのｊ番目の枝の異常事例データの件数
βjk：ガス種Ｘのｊ番目の枝におけるｋ番目の内部異常の種類の件数
Ｇ（Ｘ）：利得比
Ｍ（Ｄ）：集合Ｄの内部異常の種類に対する期待情報量
Ｅ（Ｘ）：ガス種Ｘにより分類された後の期待情報量
Ｓ（Ｘ）：集合Ｄのガス種Ｘに対する期待情報量
ｌ：集合Ｄ中の最初の内部異常の種類または離散化した属性の番号
ｍ、ｎ：集合Ｄ中の内部異常の種類の総数
ν：離散化した属性の総数
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2010/065022 WO2012029154A1 (ja) | 2010-09-02 | 2010-09-02 | 油中ガス濃度を用いた油入電気機器の内部異常診断方法、内部異常診断システム及び内部異常診断のための決定木作成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2012029154A1 JPWO2012029154A1 (ja) | 2013-10-28 |
| JP5684813B2 true JP5684813B2 (ja) | 2015-03-18 |
Family
ID=45772288
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2012531624A Active JP5684813B2 (ja) | 2010-09-02 | 2010-09-02 | 油入電気機器の異常予測診断方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US9135557B2 (ja) |
| JP (1) | JP5684813B2 (ja) |
| WO (1) | WO2012029154A1 (ja) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5867466B2 (ja) * | 2013-09-03 | 2016-02-24 | 株式会社かんでんエンジニアリング | 油入電気機器の異常診断システム、決定木生成システム、決定木生成方法、及び決定木生成プログラム |
| JP5872127B1 (ja) * | 2015-07-17 | 2016-03-01 | 三菱電機株式会社 | 油入電気機器の異常診断方法 |
| JP6599727B2 (ja) * | 2015-10-26 | 2019-10-30 | 株式会社Ｓｃｒｅｅｎホールディングス | 時系列データ処理方法、時系列データ処理プログラム、および、時系列データ処理装置 |
| US10444219B2 (en) * | 2016-03-21 | 2019-10-15 | International Business Machines Corporation | Predictive modeling to estimate data values between sampling events |
| WO2017216890A1 (ja) * | 2016-06-15 | 2017-12-21 | 三菱電機株式会社 | 油入電気機器の過熱温度の推定方法 |
| JP7248877B2 (ja) * | 2018-12-21 | 2023-03-30 | 日立建機株式会社 | 作業機械の保守部品の選定システム |
| CN111695288B (zh) * | 2020-05-06 | 2023-08-08 | 内蒙古电力(集团)有限责任公司电力调度控制分公司 | 一种基于Apriori-BP算法的变压器故障诊断方法 |
| JP7405707B2 (ja) * | 2020-07-01 | 2023-12-26 | 株式会社日立製作所 | 変圧器の診断方法および診断システム |
| CN112067051A (zh) * | 2020-08-24 | 2020-12-11 | 宁波大学 | 一种基于决策树分类器的变压器故障诊断方法 |
| JPWO2023281732A1 (ja) * | 2021-07-09 | 2023-01-12 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5818909A (ja) * | 1981-07-27 | 1983-02-03 | Shikoku Electric Power Co Inc | 油入電気機器の自動異常診断装置 |
| JPH064292A (ja) * | 1992-06-19 | 1994-01-14 | Toshiba Corp | 判断規則生成装置 |
| JPH0636941A (ja) * | 1992-07-15 | 1994-02-10 | Osaka Gas Co Ltd | 油入変圧器の異常予測システム |
| JPH0729743A (ja) * | 1993-07-09 | 1995-01-31 | Kyushu Henatsuki Kk | 接触燃焼式検出器による油中の総可燃性ガス量の簡易検出法 |
| JPH08161172A (ja) * | 1994-12-08 | 1996-06-21 | Nippon Telegr & Teleph Corp <Ntt> | 知識修正型学習システム |
| JPH0972892A (ja) * | 1995-09-07 | 1997-03-18 | Mitsubishi Electric Corp | 油入電気機器内部の異常診断方法 |
| JP2001069659A (ja) * | 1999-08-30 | 2001-03-16 | Sumitomo Electric Ind Ltd | 油中ガス分析によるｏｆケーブル線路の異常検知方法 |
| JP2002350426A (ja) * | 2001-05-23 | 2002-12-04 | Mitsubishi Electric Corp | 油入電気機器の内部異常診断方法 |
| JP2005252167A (ja) * | 2004-03-08 | 2005-09-15 | Tottori Univ | 油入変圧器の異常診断方法 |
| JP2007213441A (ja) * | 2006-02-10 | 2007-08-23 | Fukushima Prefecture | 多変数決定木構築システム、多変数決定木構築方法および多変数決定木を構築するためのプログラム |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3019236B2 (ja) | 1992-09-28 | 2000-03-13 | 株式会社戸上電機製作所 | 送配電線の事故原因診断方法 |
| JP2005107940A (ja) | 2003-09-30 | 2005-04-21 | Nippon Steel Corp | 溶銑温度予測装置、溶銑温度予測方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 |
-
2010
- 2010-09-02 US US13/820,663 patent/US9135557B2/en active Active
- 2010-09-02 JP JP2012531624A patent/JP5684813B2/ja active Active
- 2010-09-02 WO PCT/JP2010/065022 patent/WO2012029154A1/ja active Application Filing
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5818909A (ja) * | 1981-07-27 | 1983-02-03 | Shikoku Electric Power Co Inc | 油入電気機器の自動異常診断装置 |
| JPH064292A (ja) * | 1992-06-19 | 1994-01-14 | Toshiba Corp | 判断規則生成装置 |
| JPH0636941A (ja) * | 1992-07-15 | 1994-02-10 | Osaka Gas Co Ltd | 油入変圧器の異常予測システム |
| JPH0729743A (ja) * | 1993-07-09 | 1995-01-31 | Kyushu Henatsuki Kk | 接触燃焼式検出器による油中の総可燃性ガス量の簡易検出法 |
| JPH08161172A (ja) * | 1994-12-08 | 1996-06-21 | Nippon Telegr & Teleph Corp <Ntt> | 知識修正型学習システム |
| JPH0972892A (ja) * | 1995-09-07 | 1997-03-18 | Mitsubishi Electric Corp | 油入電気機器内部の異常診断方法 |
| JP2001069659A (ja) * | 1999-08-30 | 2001-03-16 | Sumitomo Electric Ind Ltd | 油中ガス分析によるｏｆケーブル線路の異常検知方法 |
| JP2002350426A (ja) * | 2001-05-23 | 2002-12-04 | Mitsubishi Electric Corp | 油入電気機器の内部異常診断方法 |
| JP2005252167A (ja) * | 2004-03-08 | 2005-09-15 | Tottori Univ | 油入変圧器の異常診断方法 |
| JP2007213441A (ja) * | 2006-02-10 | 2007-08-23 | Fukushima Prefecture | 多変数決定木構築システム、多変数決定木構築方法および多変数決定木を構築するためのプログラム |
Non-Patent Citations (3)
| Title |
|---|
| JPN6010056380; 馬野元秀 他: '"ＩＤ３に基づくファジィ決定木の油中ガス分析診断への適用について"' Ｐｒｏｃｅｅｄｉｎｇ ｏｆ ｔｈｅ Ｆｏｕｒｔｈ Ｉｎｔｅｌｌｉｇｅｎｔ ＦＡ Ｓｙｍｐｏｓｉｕｍ， ＩＳＣＩＥ , 19930707, ｐｐ．２０１-２０４ * |
| JPN6010056381; Ｍａｎｇ-Ｈｕｉ Ｗａｎｇ: '"Ａ Ｎｏｖｅｌ Ｅｘｔｅｎｓｉｏｎ Ｍｅｔｈｏｄ ｆｏｒ Ｔｒａｎｓｆｏｒｍｅｒ Ｆａｕｌｔ Ｄｉａｇｎｏｓｉｓ"' ＩＥＥＥ ＴＲＡＮＳＡＣＴＩＯＮＳ ＯＮ ＰＯＷＥＲ ＤＥＬＩＶＥＲＹ，ＶＯＬ．１８，ＮＯ．１ , 200301, ｐｐ．１６４-１６９ * |
| JPN6010056382; Ｃ．Ｅ．Ｌｉｎ ｅｔ ａｌ．: '"Ａｎ Ｅｘｐｅｒｔ Ｓｙｓｔｅｍ ｆｏｒ Ｔｒａｎｓｆｏｒｍｅｒ Ｆａｕｌｔ Ｄｉａｇｎｏｓｉｓ Ｕｓｉｎｇ Ｄｉｓｓｏｌｖｅｄ Ｇａｓ Ａｎａｌｙｓｉｓ"' ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐｏｗｅｒ Ｄｅｌｉｖｅｒｙ，Ｖｏｌ．１８，Ｎｏ．１ , 199301, ｐｐ．２３１-２３８ * |
Also Published As
| Publication number | Publication date |
|---|---|
| US20130204827A1 (en) | 2013-08-08 |
| JPWO2012029154A1 (ja) | 2013-10-28 |
| US9135557B2 (en) | 2015-09-15 |
| WO2012029154A1 (ja) | 2012-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5684813B2 (ja) | 油入電気機器の異常予測診断方法 | |
| Jiang et al. | Dynamic fault prediction of power transformers based on hidden Markov model of dissolved gases analysis | |
| Wang et al. | A two-stage data-driven-based prognostic approach for bearing degradation problem | |
| Abu-Siada et al. | A new fuzzy logic approach to identify power transformer criticality using dissolved gas-in-oil analysis | |
| Huang et al. | Dissolved gas analysis of mineral oil for power transformer fault diagnosis using fuzzy logic | |
| CN109061341A (zh) | 基于神经网络的卡尔曼滤波变压器故障预测方法和系统 | |
| CN108663582A (zh) | 一种变压器的故障诊断方法及系统 | |
| CN102034019A (zh) | 六氟化硫电气设备绝缘状态综合评估的方法 | |
| CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
| CN105044499A (zh) | 一种电力系统设备变压器状态的检测方法 | |
| CN104699606A (zh) | 一种基于隐马尔科夫模型的软件系统状态预测方法 | |
| CN104808634A (zh) | 一种基于虚拟现实的火电厂可视化管理系统 | |
| CN107944571B (zh) | 一种电力变压器剩余使用寿命预测方法 | |
| CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
| CN106896219B (zh) | 基于变压器油中溶解气体数据的变压器亚健康状态识别及平均剩余寿命估计方法 | |
| CN107037306A (zh) | 基于隐马尔科夫模型的变压器故障动态预警方法 | |
| Yuniarto | The shortcomings of existing root cause analysis tools | |
| KR100960939B1 (ko) | 최소 절단 집합과 퍼지 전문가 시스템을 이용한 시스템의고장 모드 및 임계 분석 장치 및 그 방법 | |
| CN109164248A (zh) | 一种变压器油中溶解气体浓度预测方法 | |
| Dhote et al. | Improvement in transformer diagnosis by DGA using fuzzy logic | |
| CN114595883A (zh) | 基于元学习的油浸式变压器剩余寿命个性化动态预测方法 | |
| CN117689373A (zh) | 一种柔性直流牵引供电系统能量路由器维护决策支持方法 | |
| CN117074852A (zh) | 一种配电网电能监测预警管理方法及系统 | |
| CN110489852A (zh) | 提高风电系统数据质量的方法及装置 | |
| Zhou et al. | Quantification of value of information associated with optimal observation actions within partially observable Markov decision processes |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20140610 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140723 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20141111 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20141121 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20141224 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20150115 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5684813 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |