JP6569985B2 - 電力変換装置の診断方法 - Google Patents
電力変換装置の診断方法 Download PDFInfo
- Publication number
- JP6569985B2 JP6569985B2 JP2016082547A JP2016082547A JP6569985B2 JP 6569985 B2 JP6569985 B2 JP 6569985B2 JP 2016082547 A JP2016082547 A JP 2016082547A JP 2016082547 A JP2016082547 A JP 2016082547A JP 6569985 B2 JP6569985 B2 JP 6569985B2
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- configuration data
- network configuration
- learning
- conversion device
- 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
Landscapes
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Power Conversion In General (AREA)
Description
本発明は、電力変換装置の診断方法に関する。
交流電源と直流電源との間の相互の電力の変換、直流電源における電圧の変換等を行う電力変換装置は、いわゆるスマートグリッド構想、ＨＥＭＳ（Ｈｏｍｅ Ｅｎｅｒｇｙ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍ）構想等に代表されるような昨今の電力の生産／供給／消費の最適化の潮流にあって、ニーズが高まっている装置の一つとなっている。
電力変換装置は、電力を供給する源側と（例えば一の電源系統、バッテリー等）、電力を消費する負荷側と（例えば他の電源系統、電気設備、電気製品等）とにそれぞれ接続されて用いられることが多いが、これらの接続先にはどのような電力供給源及び負荷が接続されるのかについては必ずしも一定ではない。また、電力変換装置がどのような環境に設置され、どのように保管され、どのように運転されるのかについても必ずしも一定ではない（以下、設置、保管、運転等をまとめて「使用」という。）。
このように電力変換装置は、一旦、製造工場から出荷された後に使用されるフィールド（使用現場）に置かれると、その使用のされ方は千差万別であることから、電力変換装置が使用されている間に、電力変換装置が電気的にどのように振る舞って動作をしてきたのかという「動作状況」も当然に千差万別となっている。
電力変換装置は、電力を供給する源側と（例えば一の電源系統、バッテリー等）、電力を消費する負荷側と（例えば他の電源系統、電気設備、電気製品等）とにそれぞれ接続されて用いられることが多いが、これらの接続先にはどのような電力供給源及び負荷が接続されるのかについては必ずしも一定ではない。また、電力変換装置がどのような環境に設置され、どのように保管され、どのように運転されるのかについても必ずしも一定ではない（以下、設置、保管、運転等をまとめて「使用」という。）。
このように電力変換装置は、一旦、製造工場から出荷された後に使用されるフィールド（使用現場）に置かれると、その使用のされ方は千差万別であることから、電力変換装置が使用されている間に、電力変換装置が電気的にどのように振る舞って動作をしてきたのかという「動作状況」も当然に千差万別となっている。
フィールドにおかれた電力変換装置の状況又は状態を把握して診断を行うべく、ニューラル・ネットワークを活用した電力変換装置の診断方法が従来から提案されている（例えば、特許文献１参照。）。
従来の電力変換装置の診断方法においては、図２２に示すように、電力変換装置（二次電池搭載装置９３０）に搭載された二次電池の放電可能時間を予測するために、事前に模擬運転装置（二次電池特性評価装置９１０）において二次電池の特性を測定し当該特性と放電可能時間との関係について学習を深めて精度を高めたニューラル・ネットワーク構成データを作成しておき（Ｓ９００参照。）、実機側の電力変換装置（二次電池搭載装置９３０）においては、該事前に学習を深めて作成しておいた該ニューラル・ネットワーク構成データを取り込み、ニューラル・ネットワークとして再展開したうえで（Ｓ９１０及びＳ９２０参照。）、実機側の電力変換装置（二次電池搭載装置９３０）において都度測定した二次電池の特性の測定値を該ニューラル・ネットワークの入力層に代入して当該二次電池の放電可能時間の予測値を得ている（Ｓ９３０参照。）。
なお本明細書において、模擬運転装置で使用される電力変換装置又はそれを含む装置に対する語として、実際のフィールドで使用される電力変換装置又はそれを含む装置を「実機」という。
従来の電力変換装置の診断方法においては、図２２に示すように、電力変換装置（二次電池搭載装置９３０）に搭載された二次電池の放電可能時間を予測するために、事前に模擬運転装置（二次電池特性評価装置９１０）において二次電池の特性を測定し当該特性と放電可能時間との関係について学習を深めて精度を高めたニューラル・ネットワーク構成データを作成しておき（Ｓ９００参照。）、実機側の電力変換装置（二次電池搭載装置９３０）においては、該事前に学習を深めて作成しておいた該ニューラル・ネットワーク構成データを取り込み、ニューラル・ネットワークとして再展開したうえで（Ｓ９１０及びＳ９２０参照。）、実機側の電力変換装置（二次電池搭載装置９３０）において都度測定した二次電池の特性の測定値を該ニューラル・ネットワークの入力層に代入して当該二次電池の放電可能時間の予測値を得ている（Ｓ９３０参照。）。
なお本明細書において、模擬運転装置で使用される電力変換装置又はそれを含む装置に対する語として、実際のフィールドで使用される電力変換装置又はそれを含む装置を「実機」という。
従来の電力変換装置の診断方法によれば、診断を行う際に実機側で用いられるニューラル・ネットワーク構成データが、模擬運転装置（二次電池特性評価装置９１０）において事前に十分に学習されて精度が高められているため、実機側の電力変換装置（二次電池搭載装置９３０）においては特段の学習をする必要もなく、また、膨大な測定データを蓄積する必要もなく、高速に高精度に診断を行うことができる。
しかしながら、従来の電力変換装置の診断方法によれば、診断のために用いられるニューラル・ネットワーク構成データは、実機側（二次電池搭載装置９３０）においてではなく模擬運転装置（二次電池特性評価装置９１０）において一律的に学習して作成されたものであるため、実機毎の事情（千差万別な使用のされ方、動作状況等）が反映されたニューラル・ネットワーク構成データに基づいて実機の事情に即した診断を行うことはできない。また、従来の電力変換装置の診断方法は、二次電池の放電可能時間の予測という「将来」の状況を診断するものであり、過去から現在に至るまでの動作状況を診断することはできない。さらには、従来の電力変換装置の診断方法によれば、実機毎に、過去の動作状況（診断結果）に応じて、当該電力変換装置のメンテナンスを的確に行うことや、摩耗、経年変化等を予測して保全活動に行うといった「予防保全」を的確に行うことも難しい。
本発明は、上記した事情に鑑みてなされたもので、実機の電力変換装置における過去の「動作状況」を、可視化して把握し診断することができる電力変換装置の診断方法を提供することを目的とする。さらにまた、本発明は、実機毎の過去の動作状況に係る診断結果を提供することにより、電力変換装置の的確なメンテナンス、予防保全等に資することを目的とする。
本発明の発明者は、実機の電力変換装置における動作状況と、実機と同等の運転を行うことができる模擬運転環境の下での電力変換装置における動作状況とを、ニューラル・ネットワークを活用してそれぞれ客観的に数値化し可視化し、双方について互いに比較することで、実機の電力変換装置が過去どのように振る舞い、動作してきたか（動作状況）について伺い知ることができることに想到し、鋭意開発の結果、本発明を完成させた。本発明は、以下の要素からなる。
［１］本発明の第１の電力変換装置の診断方法は、第１電力変換装置の動作状況について、ニューラル・ネットワークを用いて診断を行う電力変換装置の診断方法であって、第１ニューラル・ネットワークを用いて第１ニューラル・ネットワーク構成データの実体を生成する第１ニューラル・ネットワーク構成データ生成工程と、前記第１電力変換装置に関係する物理量を測定して第１測定値を取得し、該第１測定値に基づいて前記第１ニューラル・ネットワーク構成データを更新することを複数回繰り返して第１学習を行う第１学習工程と、を含む実機学習ステップと、前記第１ニューラル・ネットワークを用いて第２ニューラル・ネットワーク構成データの実体を生成する第２ニューラル・ネットワーク構成データ生成工程と、前記第１電力変換装置と同じ構成を有する第２電力変換装置の模擬運転を行いつつ、前記第２電力変換装置に関係する物理量を測定して第２測定値を取得し、該第２測定値に基づいて前記第２ニューラル・ネットワーク構成データを更新することを複数回繰り返して第２学習を行う第２学習工程と、を含む模擬運転学習ステップと、前記第２学習が反映された前記第２ニューラル・ネットワーク構成データを診断テンプレートに係るニューラル・ネットワーク構成データとして、該診断テンプレートに係るニューラル・ネットワーク構成データ及び前記第１学習が反映された前記第１ニューラル・ネットワーク構成データに基づき前記第１電力変換装置の動作状況を診断する診断工程を含む評価診断ステップと、を有することを特徴とする。
［２］本発明の第２の電力変換装置の診断方法は、第１電力変換装置の動作状況について、ニューラル・ネットワークを用いて診断を行う電力変換装置の診断方法であって、第１ニューラル・ネットワークを用いて第１ニューラル・ネットワーク構成データの実体を生成する第１ニューラル・ネットワーク構成データ生成工程と、前記第１電力変換装置に関係する物理量を測定して第１測定値を取得し、該第１測定値に基づいて前記第１ニューラル・ネットワーク構成データを更新することを複数回繰り返して第１学習を行う第１学習工程と、を含む実機学習ステップと、（ａ）前記第１ニューラル・ネットワークを用いて第ｉ試験モード（ｉは自然数）に係る第２ニューラル・ネットワーク構成データの実体を生成する第２ニューラル・ネットワーク構成データ生成工程と、（ｂ）前記第１電力変換装置と同じ構成を有する第２電力変換装置を用いて前記第ｉ試験モードによる模擬運転を行いつつ、前記第２電力変換装置に関係する物理量を測定して第２測定値を取得し、該第２測定値に基づいて前記第ｉ試験モードに係る第２ニューラル・ネットワーク構成データを更新することを複数回繰り返して第２学習を行う第２学習工程と、及び、（ｃ）前記第２学習が反映された当該第ｉ試験モードに係る第２ニューラル・ネットワーク構成データを基準データベースに格納する基準データベース格納工程とを、ｉが１からｍ（ｍは２以上の整数）まで、ｉの数を増やしながらｍ回実行して、ｍ個の前記第２ニューラル・ネットワーク構成データからなる前記基準データベースを構築する基準データベース構築ステップと、前記基準データベースに格納されているｍ個の前記第２ニューラル・ネットワーク構成データの中から、評価診断を行う試験モードに対応するニューラル・ネットワーク構成データを診断テンプレートに係るニューラル・ネットワーク構成データとして少なくともいずれか１つを選出する診断テンプレート選出工程と、該診断テンプレートに係るニューラル・ネットワーク構成データ及び前記第１学習が反映された前記第１ニューラル・ネットワーク構成データに基づき前記第１電力変換装置の動作状況を診断する診断工程と、を含む評価診断ステップと、を有することを特徴とする。
［３］本発明の第２の電力変換装置の診断方法において、前記評価診断ステップにあっては、［２］に記載の前記診断テンプレート選出工程に替えて、前記基準データベースに格納されているｍ個の前記第２ニューラル・ネットワーク構成データのうち当該診断にふさわしい前記第２ニューラル・ネットワーク構成データをｎ個選出し（ｎは２以上の整数、かつ、ｎ≦ｍ）、該ｎ個の前記第２ニューラル・ネットワーク構成データの中から、評価診断を行う試験モードに対応するニューラル・ネットワーク構成データを診断テンプレートに係るニューラル・ネットワーク構成データとして少なくともいずれか１つを選出する第２の診断テンプレート選出工程を含むことが好ましい。
［４］本発明の第１及び第２の電力変換装置の診断方法においては、前記ニューラル・ネットワークとして、入力層、１つ以上の中間層及び出力層を有する階層構造型のニューラル・ネットワークを用い、前記第１学習工程及び前記第２学習工程においては、誤差逆伝搬法によって前記第１学習及び前記第２学習を行うことが好ましい。
［５］本発明の第１及び第２の電力変換装置の診断方法において、前記診断工程にあっては、前記第１学習が反映された前記第１ニューラル・ネットワーク構成データに基づき第１マップを作成し、前記診断テンプレートに係るニューラル・ネットワーク構成データに基づき第２マップを作成し、前記第１マップのパターンと前記第２マップのパターンとを比較又は照合してパターンの類似度を評価し、該類似度に応じて前記第１電力変換装置の動作状況を診断することが好ましい。
［６］本発明の第１及び第２の電力変換装置の診断方法においては、前記第１電力変換装置には、少なくともインバーター回路が含まれ、少なくともバッテリー及び負荷が接続されることが好ましい。
［７］本発明の第１及び第２の電力変換装置の診断方法においては、前記第１ニューラル・ネットワークにおいては、前記バッテリーの電圧及び電流、前記負荷の電圧及び電流、並びに、前記バッテリーの温度又は前記第１電力変換装置の温度を入力因子とするユニットによって入力層を構成し、かつ、前記バッテリーの放電時間及び充電時間を出力因子とするユニットによって出力層を構成することが好ましい。
［８］本発明の第１及び第２の電力変換装置の診断方法においては、前記第２電力変換装置の前記模擬運転には、前記第２電力変換装置に対してストレスを掛ける試験モードの下での運転が含まれることが好ましい。
［９］本発明の第１及び第２の電力変換装置の診断方法において、前記実機学習ステップにあっては、前記第１電力変換装置における前記第１学習が進んだ第１時刻における前記第１ニューラル・ネットワーク構成データを取得して時間情報に関連付けながら保持し、更に前記第１学習が進んだ、前記第１時刻よりも後の第２時刻における前記第１ニューラル・ネットワーク構成データを取得して時間情報に関連付けながら保持し、前記評価診断ステップにあっては、前記診断テンプレートに係るニューラル・ネットワーク構成データ、前記第１時刻における前記第１ニューラル・ネットワーク構成データ、及び、前記第２時刻における前記第１ニューラル・ネットワーク構成データに基づき前記第１電力変換装置の動作状況を診断することが好ましい。
本発明の第１の電力変換装置の診断方法は、第１電力変換装置（実機側）に関係する物理量を測定して第１測定値を取得し、該第１測定値に基づいて第１ニューラル・ネットワーク構成データを更新することを複数回繰り返して第１学習を行う第１学習工程、並びに、模擬運転による第２学習が反映された第２ニューラル・ネットワーク構成データを診断テンプレートに係るニューラル・ネットワーク構成データとして、該診断テンプレートに係るニューラル・ネットワーク構成データ及び第１学習が反映された第１ニューラル・ネットワーク構成データに基づき第１電力変換装置（実機）の動作状況を診断する診断工程を有する。このような構成によれば、実機の第１電力変換装置における過去の「動作状況」に関する情報を、第１ニューラル・ネットワーク構成データとして入手することができ、これに基づいて「動作状況」を可視化して把握し、実機毎の事情に即した診断を行うことができる。また、実機毎の第１電力変換装置における過去の動作状況に係る診断結果を提供することにより、電力変換装置の的確なメンテナンスや、電力変換装置の摩耗、経年変化等を予測して保全活動を行うといった予防保全等に資することができる。
本発明の第２の電力変換装置の診断方法は、基本的に第１の電力変換装置の診断方法と同様の構成を有するため、第１の電力変換装置の診断方法が有する効果と同様の効果を有する。
これに加え、第２の電力変換装置の診断方法は、「第１電力変換装置・・に関係する物理量を測定して・・第１ニューラル・ネットワーク構成データを更新する・・実機学習ステップ、第ｉ試験モードによる模擬運転を行いつつ・・第２学習を行う第２学習工程・・をｉの数を増やしながらｍ回実行して・・基準データベースを構築する基準データベース構築ステップ、基準データベースに格納されているｍ個の第２ニューラル・ネットワーク構成データの中から、評価診断を行う試験モードに対応するニューラル・ネットワーク構成データを診断テンプレートに係るニューラル・ネットワーク構成データとして少なくともいずれか１つを選出する診断テンプレート選出工程と、該診断テンプレートに係るニューラル・ネットワーク構成データ及び第１学習が反映された第１ニューラル・ネットワーク構成データに基づき前記第１電力変換装置の動作状況を診断する診断工程と、を含む評価診断ステップ」を有する。このような構成によれば、様々な試験モードの模擬運転の下で、診断テンプレートに係るニューラル・ネットワーク構成データの候補となる多くの第２ニューラル・ネットワーク構成データをデータベースとして取り揃えることができる。そして、データベースに格納された多くの可能性のある選択肢（ｍ個の第２ニューラル・ネットワーク構成データ）の中から、診断対象となる実機の電力変換装置の動作状況により類似した（合致した）第１ニューラル・ネットワーク構成データを探し当てることができる。こうすることで、より的確なより精度の高い診断を行うことができる。
これに加え、第２の電力変換装置の診断方法は、「第１電力変換装置・・に関係する物理量を測定して・・第１ニューラル・ネットワーク構成データを更新する・・実機学習ステップ、第ｉ試験モードによる模擬運転を行いつつ・・第２学習を行う第２学習工程・・をｉの数を増やしながらｍ回実行して・・基準データベースを構築する基準データベース構築ステップ、基準データベースに格納されているｍ個の第２ニューラル・ネットワーク構成データの中から、評価診断を行う試験モードに対応するニューラル・ネットワーク構成データを診断テンプレートに係るニューラル・ネットワーク構成データとして少なくともいずれか１つを選出する診断テンプレート選出工程と、該診断テンプレートに係るニューラル・ネットワーク構成データ及び第１学習が反映された第１ニューラル・ネットワーク構成データに基づき前記第１電力変換装置の動作状況を診断する診断工程と、を含む評価診断ステップ」を有する。このような構成によれば、様々な試験モードの模擬運転の下で、診断テンプレートに係るニューラル・ネットワーク構成データの候補となる多くの第２ニューラル・ネットワーク構成データをデータベースとして取り揃えることができる。そして、データベースに格納された多くの可能性のある選択肢（ｍ個の第２ニューラル・ネットワーク構成データ）の中から、診断対象となる実機の電力変換装置の動作状況により類似した（合致した）第１ニューラル・ネットワーク構成データを探し当てることができる。こうすることで、より的確なより精度の高い診断を行うことができる。
以下、本発明の電力変換装置の診断方法について、図に示す実施形態に基づいて説明する。なお、図面において、”ニューラル・ネットワーク”を単に”ＮＮ”と、”データベース”を単に”ＤＢ”とそれぞれ表記する場合がある。
［実施形態１］
１．実施形態１に係る電力変換装置の診断方法
実施形態１に係る電力変換装置の診断方法は、大まかに捉えると、実機１００に含まれる第１電力変換装置１１０の動作状況についてニューラル・ネットワークを用いて診断を行う電力変換装置の診断方法であって、実機学習ステップＳ１００、模擬運転学習ステップＳ２００、及び評価診断ステップＳ３００を有する（図１及び図２参照。）。
実機学習ステップＳ１００は実機１００側において実施され、同様に模擬運転学習ステップＳ２００は模擬運転装置２００において実施される。その後、模擬運転学習ステップＳ２００における学習（第２学習）が反映された第２ニューラル・ネットワーク構成データＮＤ２（後述する）を診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴ（後述する）として、該診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴ及び実機学習ステップＳ１００における学習（第１学習）が反映された第１ニューラル・ネットワーク構成データＮＤ１（後述する）に基づき診断を行う（図２参照。）。
１．実施形態１に係る電力変換装置の診断方法
実施形態１に係る電力変換装置の診断方法は、大まかに捉えると、実機１００に含まれる第１電力変換装置１１０の動作状況についてニューラル・ネットワークを用いて診断を行う電力変換装置の診断方法であって、実機学習ステップＳ１００、模擬運転学習ステップＳ２００、及び評価診断ステップＳ３００を有する（図１及び図２参照。）。
実機学習ステップＳ１００は実機１００側において実施され、同様に模擬運転学習ステップＳ２００は模擬運転装置２００において実施される。その後、模擬運転学習ステップＳ２００における学習（第２学習）が反映された第２ニューラル・ネットワーク構成データＮＤ２（後述する）を診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴ（後述する）として、該診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴ及び実機学習ステップＳ１００における学習（第１学習）が反映された第１ニューラル・ネットワーク構成データＮＤ１（後述する）に基づき診断を行う（図２参照。）。
実施形態１における「第１電力変換装置」は、実機１００に含まれる装置であって、交流電源から直流電源への変換、直流電源から交流電源への変換、直流電源における電圧の変換等の電力変換の機能を有する装置である。具体的にはコンバーター（ＡＣ／ＤＣ電源）、インバーター（ＤＣ／ＡＣ電源）、ＤＣ／ＤＣコンバーター、各種整流器等の回路を含み、所定の電力変換の機能を有するユニット、装置、設備等であり、例えば、家庭用蓄電池システム、非常用電源、パワーコンディショナー等の単機能のものの他、それらの機能を一部に含む各種装置などを挙げることができる。
「ニューラル・ネットワーク」とは、脳の神経回路網をコンピューター（ＰＣ、マイコン、ＤＳＰ等）の上に模したもので、実施形態１においては、所定のネットワーク構造を有する観念的な存在を指すものとする。本発明におけるニューラル・ネットワークの基本的な構造としては階層構造型、相互結合型等が特に限定なく含まれるが、実施形態１においては階層構造型のニューラル・ネットワークを採用するものとする。
「階層構造型のニューラル・ネットワーク」においては、脳細胞のニューロンに模したユニットＵＴｋ ｊが複数個並んでいる。これらのユニットＵＴｋ ｊは、入力層、中間層及び出力層のうちの何れかの層に属している。階層構造型のニューラル・ネットワークにおいて、入力層及び出力層は基本的にそれぞれ１層ずつ備わっているが、中間層は１層以上あれば何層備わっていてもよい。このように、階層構造型のニューラル・ネットワークは多段の層からなり、各層の中には少なくとも１個以上のユニットＵＴｋ ｊが属するという階層構造を採っている（図３参照。）。
階層構造型ニューラル・ネットワークにおける層の数、各層が有するユニットの数等が定まると、ニューラル・ネットワークの基本的な形が定まる。実施形態１においてはこれらの情報によって定まるニューラル・ネットワークの形を「ニューラル・ネットワークの基本アーキテクチャ」と言う。
ニューラル・ネットワークを構成する各ユニットＵＴｋ ｊは、あたかも神経細胞の軸索の如き仮想的な線によって、前後の層の各ユニットと互いに接続されている（図３参照。）。
ニューラル・ネットワークに対し信号が入力されると、かかる信号は入力層に属するユニット群から中間層に属するユニット群を介して出力層に属するユニット群へと片方向に伝達される。
ニューラル・ネットワークを構成する各ユニットＵＴｋ ｊは、あたかも神経細胞の軸索の如き仮想的な線によって、前後の層の各ユニットと互いに接続されている（図３参照。）。
ニューラル・ネットワークに対し信号が入力されると、かかる信号は入力層に属するユニット群から中間層に属するユニット群を介して出力層に属するユニット群へと片方向に伝達される。
次に「ユニット」の詳細を説明する。入力層、中間層、及び出力層の各々を第１層、第２層、及び第３層としたとき、図４（ａ）は、第ｋ層（ｋ＝２，３，・・・）に属する第ｊ（ｊは自然数）ユニットＵＴｋ ｊの構成の詳細を表している。第ｋ層に属する第ｊユニットＵＴｋ ｊは、結合部ＳＭｋ ｊ及び伝達部ＴＦｋ ｊを備えている。結合部ＳＭｋ ｊは、式（１）のように、第（ｋ−１）層の全ユニットからの出力ｏｋ−１ ｉを重み付けしたものを入力し、それらの線形和ｘｋ ｊを出力する。
なお、式（１）において、第（ｋ−１）層の第ｉユニットから第ｋ層の第ｊユニットへの出力の重み付け係数を、Ｗｋ−１，ｋ ｉ，ｊと表記している。また、第（ｋ−１）層の第ｉユニットＵＴｋ−１ ｉの出力をｏｋ−１ ｉと表記している。伝達部ＴＦｋ ｊは、式（２）のように、結合部ＳＭｋ ｊの出力である線形和ｘｋ ｊを入力とし、伝達関数ｆ（ｘｋ ｊ）を経て、ｏｋ ｊ＝ｆ（ｘｋ ｊ）として出力する。伝達関数ｆ（ｘｋ ｊ）としては、図４（ｂ）で示すシグモイド関数、図４（ｃ）で示すステップ関数等を用いることができる。例えば、シグモイド関数の場合には、式（２）を用いる。
次に、実施形態１に係る電力変換装置の診断方法を構成する各ステップについて説明する。
（１）実機学習ステップＳ１００
実機学習ステップＳ１００は、実機１００側において実施され、第１ニューラル・ネットワーク構成データ生成工程Ｓ１１０と、第１学習工程Ｓ１２０とを含む（図１及び図２参照。）。
実機学習ステップＳ１００は、実機１００側において実施され、第１ニューラル・ネットワーク構成データ生成工程Ｓ１１０と、第１学習工程Ｓ１２０とを含む（図１及び図２参照。）。
（ｉ）第１ニューラル・ネットワーク構成データ生成工程Ｓ１１０
まず、第１ニューラル・ネットワーク構成データ生成工程Ｓ１１０において、第１ニューラル・ネットワークＮＮ１を用いて第１ニューラル・ネットワーク構成データＮＤ１の実体を生成する。
まず、第１ニューラル・ネットワーク構成データ生成工程Ｓ１１０において、第１ニューラル・ネットワークＮＮ１を用いて第１ニューラル・ネットワーク構成データＮＤ１の実体を生成する。
「第１ニューラル・ネットワークＮＮ１」とは、例えば、入力層、２層の中間層（第１中間層及び第２中間層とする）及び出力層を備え、入力層に属するユニット数は２個、第１中間層に属するユニット数は４個、第２中間層に属するユニット数は４個、及び、出力層に属するユニット数は１個といったように「基本アーキテクチャ」の形が一義的に定められた観念的なニューラル・ネットワークをいう。
ニューラル・ネットワークの基本アーキテクチャに関する定義は、図５（ａ）に示すように、テーブルＴＢ１として保持しておくこともできる。例えば、上記例の第１ニューラル・ネットワークＮＮ１は、ＮＮ番号列＝００１となっている行に記入されているような構造であると定義することができる。
ニューラル・ネットワークの基本アーキテクチャに関する定義は、図５（ａ）に示すように、テーブルＴＢ１として保持しておくこともできる。例えば、上記例の第１ニューラル・ネットワークＮＮ１は、ＮＮ番号列＝００１となっている行に記入されているような構造であると定義することができる。
「ニューラル・ネットワーク構成データ」とは、ニューラル・ネットワークをコンピューターのソフトウェア上に再現する（枠組みを再現するだけでなく、学習状態も含めて再現する）ために必要な情報を備えたデータである。ニューラル・ネットワーク構成データのデータ構造は、設計方針に応じて様々な形態を採ることができる。
第１ニューラル・ネットワーク構成データＮＤ１のデータ構造を表すテンプレートは、第１ニューラル・ネットワークの基本アーキテクチャを念頭に置きつつ、ソフトウェア上で定義される。図５（ｂ）に示した例の場合、層番号ｋ及び当該層内のユニット番号ｊで特定されるユニットＵＴｋ ｊ毎に（図（ｂ）では１行の単位）、重み付け係数Ｗｋ−１，ｋ ｉ，ｊを格納する変数、線形和Ｓｋ，ｊを格納する変数、及び、伝達関数のタイプを格納する変数が定義される。
そして、これらの変数群（１行の単位）が、第１層から第４層までそれぞれの層が属する各ユニットについてそれぞれ定義される。このテンプレートの中には、層の数、ユニットの数といった基本アーキテクチャに関する情報も間接的に含まれている。なお、これらの変数は、構造体として定義（宣言）されてもよいし、配列として定義（宣言）されてもよい。
第１ニューラル・ネットワーク構成データＮＤ１のデータ構造を表すテンプレートは、第１ニューラル・ネットワークの基本アーキテクチャを念頭に置きつつ、ソフトウェア上で定義される。図５（ｂ）に示した例の場合、層番号ｋ及び当該層内のユニット番号ｊで特定されるユニットＵＴｋ ｊ毎に（図（ｂ）では１行の単位）、重み付け係数Ｗｋ−１，ｋ ｉ，ｊを格納する変数、線形和Ｓｋ，ｊを格納する変数、及び、伝達関数のタイプを格納する変数が定義される。
そして、これらの変数群（１行の単位）が、第１層から第４層までそれぞれの層が属する各ユニットについてそれぞれ定義される。このテンプレートの中には、層の数、ユニットの数といった基本アーキテクチャに関する情報も間接的に含まれている。なお、これらの変数は、構造体として定義（宣言）されてもよいし、配列として定義（宣言）されてもよい。
「第１ニューラル・ネットワークＮＮ１を用いて第１ニューラル・ネットワーク構成データＮＤ１の実体を生成する」とは、第１電力変換装置１１０に対応して設けられたコンピューター（第１電力変換装置１１０に含まれるマイコン等でもよいし、第１電力変換装置の外部に設けられたＰＣ、マイコン、ＤＳＰ等であってもよい。）のソフトウェア上で、上記のように定義（宣言）された第１ニューラル・ネットワーク構成データＮＤ１のテンプレートに基づき、変数に値が格納できるように、実体（インスタンス）を生成することをいう。
上記のように定義されたテンプレートに基づきデータとしての実体が生成され、当該実体に具体的な値が与えられると、「ニューラル・ネットワーク構成データ」と言われるデータが発生することとなる。
上記のように定義されたテンプレートに基づきデータとしての実体が生成され、当該実体に具体的な値が与えられると、「ニューラル・ネットワーク構成データ」と言われるデータが発生することとなる。
なお、生成された実体に対して、第１学習工程の実施に先立ち、各変数《上記例ではＷｋ−１，ｋ ｉ，ｊ、ΣＷｋ−１，ｋ ｉ，ｊ・ｏｋ−１ ｉ（＝Ｓｋ，ｊ）等》に初期値を代入して、第１ニューラル・ネットワーク構成データＮＤ１の初期状態を確立しておいてもよい。
第１ニューラル・ネットワークＮＮ１の規模は、診断対象である第１電力変換装置が何であるか、診断（後述）の観点、実施形態１に係る電力変換装置の診断方法を実施するコンピューターの能力等に応じて、適宜設定する。
（ｉｉ）第１学習工程Ｓ１２０
第１学習工程Ｓ１２０では、第１電力変換装置１１０に関係する物理量を測定して第１測定値Ｍ１を取得し、該第１測定値Ｍ１に基づいて第１ニューラル・ネットワーク構成データＮＤ１を更新することを複数回繰り返して第１学習を行う。
第１学習工程Ｓ１２０では、第１電力変換装置１１０に関係する物理量を測定して第１測定値Ｍ１を取得し、該第１測定値Ｍ１に基づいて第１ニューラル・ネットワーク構成データＮＤ１を更新することを複数回繰り返して第１学習を行う。
まず、第１電力変換装置１１０に関係する物理量を測定して第１測定値Ｍ１を取得する。
「第１電力変換装置１１０に関係する物理量」とは、例えば第１電力変換装置１１０に接続された電力供給源がバッテリーである場合には、第１電力変換装置へ入出力されるバッテリーの電圧及び電流、負荷の電圧及び電流、バッテリーＢＡＴの温度又は第１電力変換装置１１０の温度、バッテリーの放電時間及び充電時間といった物理量を挙げることができる。実施形態１における「第１電力変換装置１１０に関係する物理量」は、上記に限定されることなく、診断対象（第１電力変換装置）が何であるのか／何が含まれるのか、どのような観点で診断（後述）を行うのか等に応じて適宜選択することができる。
「第１測定値Ｍ１」は、基本的には上記したような物理量を測定して取得した値であるが、所定の時点における瞬間的な値（例：所定の時点におけるバッテリー電圧）であってもよいし、放電時間のように時間軸との関係で得られる値（例：運転中に充放電が繰り返される中、放電モードに入った時点から当該放電モードを終了した時点までの時間）であってもよいし、バッテリーの設計諸元（例：容量他）のように仕様の上で当初から固定されている値を第１測定値として扱ってもよい。
「第１電力変換装置１１０に関係する物理量」とは、例えば第１電力変換装置１１０に接続された電力供給源がバッテリーである場合には、第１電力変換装置へ入出力されるバッテリーの電圧及び電流、負荷の電圧及び電流、バッテリーＢＡＴの温度又は第１電力変換装置１１０の温度、バッテリーの放電時間及び充電時間といった物理量を挙げることができる。実施形態１における「第１電力変換装置１１０に関係する物理量」は、上記に限定されることなく、診断対象（第１電力変換装置）が何であるのか／何が含まれるのか、どのような観点で診断（後述）を行うのか等に応じて適宜選択することができる。
「第１測定値Ｍ１」は、基本的には上記したような物理量を測定して取得した値であるが、所定の時点における瞬間的な値（例：所定の時点におけるバッテリー電圧）であってもよいし、放電時間のように時間軸との関係で得られる値（例：運転中に充放電が繰り返される中、放電モードに入った時点から当該放電モードを終了した時点までの時間）であってもよいし、バッテリーの設計諸元（例：容量他）のように仕様の上で当初から固定されている値を第１測定値として扱ってもよい。
次に、取得した該第１測定値Ｍ１に基づいて第１ニューラル・ネットワーク構成データＮＤ１を更新する。すなわち、第１測定値Ｍ１に基づいて、いわゆる「学習」と呼ばれる作業を行い、結果的に、第１ニューラル・ネットワーク構成データＮＤ１の内容を更新する。
「学習」は、発明の趣旨から逸脱しない限りにおいて、どのような手法によるものでもよいが、実施形態１では、階層構造型のニューラル・ネットワークに適していること、計算方法（又はアルゴリズム）が比較的簡素で体系化されていること、ネットワークの関数近似能力が理論的に確認されていること等の理由により誤差逆伝搬法（バックプロパゲーション法）によって第１学習を行う。
「誤差逆伝搬法」による学習は、例えば実施形態１に当てはめて説明すると、第１ニューラル・ネットワークＮＮ１の出力層に属する各ユニットの出力側に所定の値（教師信号）を与えつつ、取得した第１測定値に基づく値（学習データ）を第１ニューラル・ネットワークの入力層に属するユニットに入力したうえで、出力層に属するユニットの出力と教師信号との差が所定の閾値以下となるように、出力層側から入力層側に向かって順次、ユニット間に設けられた各重み付け係数Ｗｋ−１，ｋ ｉ，ｊをそれぞれ変更しながら調整していくというものである。
かかる学習が実行されると、結果的に、第１ニューラル・ネットワーク構成データＮＤ１の重み付け係数Ｗｋ−１，ｋ ｉ，ｊ、線形和Ｓｋ，ｊなどの値が都度更新されることとなる。
「学習」は、発明の趣旨から逸脱しない限りにおいて、どのような手法によるものでもよいが、実施形態１では、階層構造型のニューラル・ネットワークに適していること、計算方法（又はアルゴリズム）が比較的簡素で体系化されていること、ネットワークの関数近似能力が理論的に確認されていること等の理由により誤差逆伝搬法（バックプロパゲーション法）によって第１学習を行う。
「誤差逆伝搬法」による学習は、例えば実施形態１に当てはめて説明すると、第１ニューラル・ネットワークＮＮ１の出力層に属する各ユニットの出力側に所定の値（教師信号）を与えつつ、取得した第１測定値に基づく値（学習データ）を第１ニューラル・ネットワークの入力層に属するユニットに入力したうえで、出力層に属するユニットの出力と教師信号との差が所定の閾値以下となるように、出力層側から入力層側に向かって順次、ユニット間に設けられた各重み付け係数Ｗｋ−１，ｋ ｉ，ｊをそれぞれ変更しながら調整していくというものである。
かかる学習が実行されると、結果的に、第１ニューラル・ネットワーク構成データＮＤ１の重み付け係数Ｗｋ−１，ｋ ｉ，ｊ、線形和Ｓｋ，ｊなどの値が都度更新されることとなる。
第１学習工程では、このような第１ニューラル・ネットワーク構成データＮＤ１の更新を伴う学習を複数回繰り返し実行する。学習の繰り返し回数が多ければ多いほど重み付け係数等が収斂するため、実機１００の事情（動作状況等）を濃く反映させることができ診断の精度向上に繋がる。一方で、学習回数が多い分だけコンピューターの負担が大きくなる。したがって、１回の第１学習工程Ｓ１２０における繰り返し学習回数は、実用面を考慮しながら適宜設定する。
第１学習工程Ｓ１２０は、診断の狙い、意図、ニューラル・ネットワークの仕様等に応じたタイミングで適宜実施することが可能である。例えば、実機１００においてバッテリーに電力が充電されるタイミング、逆にバッテリーから電力が放電されるタイミングなどにおいて実施することができる。日頃から第１学習工程Ｓ１２０を行わせることにより、電力変換装置１１０が電気的にどのように振る舞って動作をしてきたのかが繰り返しニューラル・ネットワークに刷り込まれ、動作状況が色濃く反映された第１ニューラル・ネットワーク構成データＮＤ１を確立することができる。
（ｉｉｉ）参考までに、第１学習工程Ｓ１２０を実施した場合のニューラル・ネットワークの状態の変化を、図６に一例として示す。
ここで、図６における円形の図形はユニットを表しており、円形の大きさは当該ユニットに入力された線形和Ｓｋ，ｊの大きさに応じて大きくなるよう表記している。同様に図６における線はユニット間を結ぶネットワークを表しており、線の太さは重み付け係数Ｗｋ−１，ｋ ｉ，ｊに応じて太くなるよう表記している。実施形態１においては、このようにニューラル・ネットワークの状態を、ニューラル・ネットワーク構成データ（線形和、重み付け係数等）に基づいてイメージとして表現して可視化したものを「マップ」と言う。
ここで、図６における円形の図形はユニットを表しており、円形の大きさは当該ユニットに入力された線形和Ｓｋ，ｊの大きさに応じて大きくなるよう表記している。同様に図６における線はユニット間を結ぶネットワークを表しており、線の太さは重み付け係数Ｗｋ−１，ｋ ｉ，ｊに応じて太くなるよう表記している。実施形態１においては、このようにニューラル・ネットワークの状態を、ニューラル・ネットワーク構成データ（線形和、重み付け係数等）に基づいてイメージとして表現して可視化したものを「マップ」と言う。
第１学習工程Ｓ１２０を実施する前の第１ニューラル・ネットワーク構成データに基づくマップを図６（ａ）に示す。学習を実施する前は、いずれのユニットにおける線形和も及びいずれのネットワークにおける重み付け係数も、初期値又はＮｕｌｌの状態となっているので、ここではいずれの円形も同じ大きさの円とし、同様に、いずれの線も同じ太さの線となっている。
第１学習工程Ｓ１２０を実施した後の第１ニューラル・ネットワーク構成データに基づくマップの例を、図６（ｂ）及び図６（ｃ）に示す。例えば、平均的な環境下で通常の運転が行われた電力変換装置に対応した第１ニューラル・ネットワーク構成データによれば図６（ｂ）で示すような形のマップとなる。また、比較的厳しい環境下で比較的ストレスが掛かった運転が行われた電力変換装置に対応した第１ニューラル・ネットワーク構成データによれば、図６（ｃ）で示すような形のマップとなる。
図６（ｂ）及び図６（ｃ）からも分るように、同じようなタイミングで同じような物理量の測定をしながら学習を重ねてきたとしても、当該実機の電力変換装置の事情（使用のされ方、動作状況等）が異なれば、学習によって確立されるニューラル・ネットワークのマップも異なるイメージとなる（換言すれば、第１ニューラル・ネットワーク構成データの値も異なってくる）ということが理解できる。
第１学習工程Ｓ１２０を実施した後の第１ニューラル・ネットワーク構成データに基づくマップの例を、図６（ｂ）及び図６（ｃ）に示す。例えば、平均的な環境下で通常の運転が行われた電力変換装置に対応した第１ニューラル・ネットワーク構成データによれば図６（ｂ）で示すような形のマップとなる。また、比較的厳しい環境下で比較的ストレスが掛かった運転が行われた電力変換装置に対応した第１ニューラル・ネットワーク構成データによれば、図６（ｃ）で示すような形のマップとなる。
図６（ｂ）及び図６（ｃ）からも分るように、同じようなタイミングで同じような物理量の測定をしながら学習を重ねてきたとしても、当該実機の電力変換装置の事情（使用のされ方、動作状況等）が異なれば、学習によって確立されるニューラル・ネットワークのマップも異なるイメージとなる（換言すれば、第１ニューラル・ネットワーク構成データの値も異なってくる）ということが理解できる。
以上、（ｉ）第１ニューラル・ネットワーク構成データ生成工程Ｓ１１０及び（ｉｉ）第１学習工程Ｓ１２０を行うことにより、実機学習ステップＳ１００が実施されて、実機１００における学習が反映された第１ニューラル・ネットワーク構成データＮＤ１’（以下、単にＮＤ１’と言うこともある。）を確立することができる。
（２）模擬運転学習ステップＳ２００
模擬運転学習ステップＳ２００は、フィールドに置かれている実機１００と同等の模擬運転環境を別途準備し、かかる模擬運転環境において各種試験モードによる模擬運転を行ってニューラル・ネットワークに学習させ、実機１００の電力変換装置１１０の動作状況を把握し診断する上で重要な参照情報となる第２ニューラル・ネットワーク構成データＮＤ２’（以下、単にＮＤ２’と言うこともある。）を得るステップである。
模擬運転学習ステップＳ２００は、フィールドに置かれている実機１００と同等の模擬運転環境を別途準備し、かかる模擬運転環境において各種試験モードによる模擬運転を行ってニューラル・ネットワークに学習させ、実機１００の電力変換装置１１０の動作状況を把握し診断する上で重要な参照情報となる第２ニューラル・ネットワーク構成データＮＤ２’（以下、単にＮＤ２’と言うこともある。）を得るステップである。
模擬運転学習ステップＳ２００は、第２ニューラル・ネットワーク構成データ生成工程Ｓ２１０と、第２学習工程Ｓ２２０とを含む（図１及び図２参照。）。
（ｉ）模擬運転装置２００
模擬運転学習ステップＳ２００は、第１電力変換装置１１０と同じ構成を有する第２電力変換装置２１０の模擬運転を行うことができる環境において実施されるステップであり、例えば、模擬運転装置２００において実施される（図２参照。）。
模擬運転装置２００としては、第１電力変換装置１１０を含む実機１００と同等の装置をそのまま模擬運転装置２００として導入してもよいし、実機そのものでなくても、第２電力変換装置２１０に対して実機１００と同様な運転環境（温度、湿度、振動、電磁波等）、同様な入出力（信号や電力の入出力）等が提供され、その結果、該第２電力変換装置２１０が第１電力変換装置１１０と同様な環境において同様な振る舞いや動作を模すことができるものであれば、そのような治具に類するものを導入してもよい。
模擬運転学習ステップＳ２００は、第１電力変換装置１１０と同じ構成を有する第２電力変換装置２１０の模擬運転を行うことができる環境において実施されるステップであり、例えば、模擬運転装置２００において実施される（図２参照。）。
模擬運転装置２００としては、第１電力変換装置１１０を含む実機１００と同等の装置をそのまま模擬運転装置２００として導入してもよいし、実機そのものでなくても、第２電力変換装置２１０に対して実機１００と同様な運転環境（温度、湿度、振動、電磁波等）、同様な入出力（信号や電力の入出力）等が提供され、その結果、該第２電力変換装置２１０が第１電力変換装置１１０と同様な環境において同様な振る舞いや動作を模すことができるものであれば、そのような治具に類するものを導入してもよい。
（ｉｉ）第２ニューラル・ネットワーク構成データ生成工程Ｓ２１０
まず、第２ニューラル・ネットワーク構成データ生成工程Ｓ２１０において、第１ニューラル・ネットワークＮＮ１を用いて第２ニューラル・ネットワーク構成データＮＤ２の実体を生成する。
「第１ニューラル・ネットワークＮＮ１を用いて第２ニューラル・ネットワーク構成データＮＤ２の実体を生成する」とは、上記と同様に、第２電力変換装置２１０に対応して設けられたコンピューターのソフトウェア上で、第２ニューラル・ネットワーク構成データＮＤ２のテンプレートに基づき実体を生成することをいう。
この工程は、基本的に、実機１００側で実施される第１ニューラル・ネットワーク構成データ生成工程Ｓ１１０と同様であるが、注目すべき点は、第２ニューラル・ネットワーク構成データの実体を生成する上で念頭に置くニューラル・ネットワークが、実機１００側で用いた第１ニューラル・ネットワークＮＮ１と同じもの（同じ基本アーキテクチャを有するもの）を用いることである。後述する評価診断ステップＳ３００において、第１ニューラル・ネットワーク構成データＮＤ１と、第２ニューラル・ネットワーク構成データＮＤ２（診断テンプレートに係るニューラル・ネットワーク構成データ）とをいわば同じ土俵で比較・照合することができるようにするためである。
まず、第２ニューラル・ネットワーク構成データ生成工程Ｓ２１０において、第１ニューラル・ネットワークＮＮ１を用いて第２ニューラル・ネットワーク構成データＮＤ２の実体を生成する。
「第１ニューラル・ネットワークＮＮ１を用いて第２ニューラル・ネットワーク構成データＮＤ２の実体を生成する」とは、上記と同様に、第２電力変換装置２１０に対応して設けられたコンピューターのソフトウェア上で、第２ニューラル・ネットワーク構成データＮＤ２のテンプレートに基づき実体を生成することをいう。
この工程は、基本的に、実機１００側で実施される第１ニューラル・ネットワーク構成データ生成工程Ｓ１１０と同様であるが、注目すべき点は、第２ニューラル・ネットワーク構成データの実体を生成する上で念頭に置くニューラル・ネットワークが、実機１００側で用いた第１ニューラル・ネットワークＮＮ１と同じもの（同じ基本アーキテクチャを有するもの）を用いることである。後述する評価診断ステップＳ３００において、第１ニューラル・ネットワーク構成データＮＤ１と、第２ニューラル・ネットワーク構成データＮＤ２（診断テンプレートに係るニューラル・ネットワーク構成データ）とをいわば同じ土俵で比較・照合することができるようにするためである。
（ｉｉｉ）第２学習工程Ｓ２２０
次の第２学習工程Ｓ２２０では、第１電力変換装置１１０と同じ構成を有する第２電力変換装置２１０の模擬運転を行いつつ、第２電力変換装置２１０に関係する物理量を測定して第２測定値Ｍ２を取得し、該第２測定値Ｍ２に基づいて第２ニューラル・ネットワーク構成データＮＤ２を更新することを複数回繰り返して第２学習を行う。
次の第２学習工程Ｓ２２０では、第１電力変換装置１１０と同じ構成を有する第２電力変換装置２１０の模擬運転を行いつつ、第２電力変換装置２１０に関係する物理量を測定して第２測定値Ｍ２を取得し、該第２測定値Ｍ２に基づいて第２ニューラル・ネットワーク構成データＮＤ２を更新することを複数回繰り返して第２学習を行う。
ここでの「第２電力変換装置２１０に関係する物理量」の内容、第２測定値Ｍ２の取得の仕方、「学習」と呼ばれる作業を行い第２ニューラル・ネットワーク構成データＮＤ２の内容を更新する点、学習の手法等は、実機１００で実施される第１学習工程Ｓ１２０におけるそれらと同様の内容・条件とする。
「模擬運転」としては、診断したい内容に応じて、環境（温度、湿度、ノイズ等）、運転条件（印加する電圧、電流等の大小、タイミング、頻度、入出力点数等）を適宜変えて試験モードを設定し模擬運転を行うことができる。例えば、下記のような試験モードの下での模擬運転を行うことができる。
（ａ）第２電力変換装置２１０に対してストレスを掛ける試験モード
第２電力変換装置２１０において、例えばバッテリーへの充電と放電の切り替えを通常よりも頻繁に行う、負荷における電源投入／電源断を頻繁に行う、負荷から大きな電源ノイズを混入させる等、第２電力変換装置２１０の内部の回路群に対し比較的ストレスが掛かるような試験モードによる模擬運転である。
（ｂ）経年劣化を助長させる試験モード
第２電力変換装置２１０の内部の回路群及びそれに用いられる素子の劣化を助長させる劣化加速の試験モードによる模擬運転である。例えば、第２電力変換装置２１０の動作環境温度を規格一杯の高温に設定し、入出力に対し電圧及び電流を規格の幅一杯に振って入出力させるといった試験モードとすることもできる。
（ｃ）通常の運転条件の試験モード
勿論、電力変換装置に対し比較的ストレスが掛からない環境下で、平均的な環境下で通常の運転を行うこともできる。
（ａ）第２電力変換装置２１０に対してストレスを掛ける試験モード
第２電力変換装置２１０において、例えばバッテリーへの充電と放電の切り替えを通常よりも頻繁に行う、負荷における電源投入／電源断を頻繁に行う、負荷から大きな電源ノイズを混入させる等、第２電力変換装置２１０の内部の回路群に対し比較的ストレスが掛かるような試験モードによる模擬運転である。
（ｂ）経年劣化を助長させる試験モード
第２電力変換装置２１０の内部の回路群及びそれに用いられる素子の劣化を助長させる劣化加速の試験モードによる模擬運転である。例えば、第２電力変換装置２１０の動作環境温度を規格一杯の高温に設定し、入出力に対し電圧及び電流を規格の幅一杯に振って入出力させるといった試験モードとすることもできる。
（ｃ）通常の運転条件の試験モード
勿論、電力変換装置に対し比較的ストレスが掛からない環境下で、平均的な環境下で通常の運転を行うこともできる。
学習回数、学習頻度、学習期間等については、フィールドに設置された実機１００における第１学習工程Ｓ１２０とは異なり、模擬運転装置２００における第２学習工程Ｓ２２０では、試験モードの内容に応じて柔軟に設定することができる。条件が許せば、早期に学習を深めニューラル・ネットワークの形状を収斂させるために加速的な学習をすることも可能である。
学習回数も適宜設定することができる。一般に、診断に耐えうる程度に重み付け係数等が十分収斂させるにはできるだけ多い回数で学習することが好ましい。
学習回数も適宜設定することができる。一般に、診断に耐えうる程度に重み付け係数等が十分収斂させるにはできるだけ多い回数で学習することが好ましい。
（ｉｖ）参考までに、第２学習工程Ｓ２２０を実施した場合のニューラル・ネットワークの変化を、図７に一例として示す。表記の方法は図６と同様である。
図７で示すように、第２学習工程Ｓ２２０を実施することにより、当初、初期状態であったニューラル・ネットワーク（図７（ａ）参照。）が、第２学習が反映され形が変化したニューラル・ネットワークとなる（図７（ｂ）参照。）。
図７で示すように、第２学習工程Ｓ２２０を実施することにより、当初、初期状態であったニューラル・ネットワーク（図７（ａ）参照。）が、第２学習が反映され形が変化したニューラル・ネットワークとなる（図７（ｂ）参照。）。
以上、（ｉｉ）第２ニューラル・ネットワーク構成データ生成工程Ｓ２１０及び（ｉｉｉ）第２学習工程Ｓ２２０を行うことにより、模擬運転学習ステップＳ２００が実施されて、模擬運転環境（模擬運転装置２００）における学習が反映された第２ニューラル・ネットワーク構成データＮＤ２’を確立することができる。
（３）評価診断ステップＳ３００
図１及び図２に示すように、上記実機学習ステップＳ１００による学習結果と、上記模擬運転学習ステップＳ２００による学習結果と、を受けて評価診断ステップＳ３００が実施される。評価診断ステップＳ３００には少なくとも診断工程Ｓ３２０が含まれる。
図１及び図２に示すように、上記実機学習ステップＳ１００による学習結果と、上記模擬運転学習ステップＳ２００による学習結果と、を受けて評価診断ステップＳ３００が実施される。評価診断ステップＳ３００には少なくとも診断工程Ｓ３２０が含まれる。
（ｉ）診断工程Ｓ３２０の概要
診断工程Ｓ３２０では、第２学習が反映された第２ニューラル・ネットワーク構成データＮＤ２’を診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴとして、該診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴ及び第１学習が反映された第１ニューラル・ネットワーク構成データＮＤ１’に基づき第１電力変換装置１１０の動作状況を診断する。
診断工程Ｓ３２０では、第２学習が反映された第２ニューラル・ネットワーク構成データＮＤ２’を診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴとして、該診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴ及び第１学習が反映された第１ニューラル・ネットワーク構成データＮＤ１’に基づき第１電力変換装置１１０の動作状況を診断する。
ここで、「第２学習が反映された第２ニューラル・ネットワーク構成データＮＤ２’を診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴとして」とは、第２学習が反映された第２ニューラル・ネットワーク構成データＮＤ２’を、診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴとして扱うという意味である（以下、診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴを単にＮＤＴと言うこともある。）。ソフトウェア上の実現方法としては、例えば、ＮＤＴの実体に対しＮＤ２’のデータの中身（値）をコピーすることによって実現しても構わないし、単にＮＤＴのポインタ（ｐｔｒ）が、ＮＤ２’の実体を指すように設定することによって実現しても構わない。いずれにしてもＮＤ２’として取り出されるデータの中身と、ＮＤＴとして取り出されるデータの中身は同じものである。
（ｉｉ）ニューラル・ネットワーク構成データ同士の比較・照合、類似度の評価
続いて、ＮＤＴとＮＤ１’とを比較・照合してニューラル・ネットワーク同士の類似度を評価し、第１電力変換装置１１０の動作状況を診断する。
続いて、ＮＤＴとＮＤ１’とを比較・照合してニューラル・ネットワーク同士の類似度を評価し、第１電力変換装置１１０の動作状況を診断する。
比較・照合して類似度を評価する方法は、以下の（ａ）及び（ｂ）による方法を採ることができる。
（ａ）データの値による比較・照合
診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴに格納されているデータの値と、第１学習が反映された第１ニューラル・ネットワーク構成データＮＤ１’に格納されているデータの値とを取り出して互いに比較・照合して類似度を評価することができる。具体的には、例えば以下のイ）、ロ）のような方法がある。
診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴに格納されているデータの値と、第１学習が反映された第１ニューラル・ネットワーク構成データＮＤ１’に格納されているデータの値とを取り出して互いに比較・照合して類似度を評価することができる。具体的には、例えば以下のイ）、ロ）のような方法がある。
イ）閾値を用いた比較・照合
線形和Ｓｋ，ｊ（マップでは円形に相当。）の値に着目してＮＤ１’のデータとＮＤＴのデータを比較・照合する場合を以下に説明する。仮に、第１閾値をＳｔｈ１とし、第１閾値よりも小さい値をもつ第２閾値をＳｔｈ２とする（図８参照。）。
ＮＤ１’に含まれる総てのユニットに係る線形和Ｓｋ，ｊと、第１閾値Ｓｔｈ１と、を比較し、Ｓｋ，ｊ＞Ｓｔｈ１を満たすユニットのみをスクリーニングする。スクリーニングをパスしたユニットの位置情報（層番号ｋ，ユニット番号ｊ）をそれぞれ控える。一方、ＮＤＴについても同様の条件でスクリーニングを行う。そして、ＮＤ１’及びＮＤＴにおいてそれぞれスクリーニングをパスしたユニットの位置が一致している（スクリーニングをパスしたユニットの位置がＮＤ１’とＮＤＴとで一致している）場合には、実機で学習して得たＮＤ１’と模擬運転により学習したＮＤＴとは第１の類似度にあると評価する。
さらに高い精度で類似度を把握したいときは、Ｓｋ，ｊ＞Ｓｔｈ２となる条件でスクリーニングを行い、同様にＮＤ１’及びＮＤＴのそれぞれにおいてスクリーニングをパスしたユニットの位置が一致している場合には、実機で学習して得たＮＤ１’と模擬運転により学習したＮＤＴとは第２の類似度（第１の類似度よりも高い類似度）にあると評価することもできる。
線形和Ｓｋ，ｊ（マップでは円形に相当。）の値に着目してＮＤ１’のデータとＮＤＴのデータを比較・照合する場合を以下に説明する。仮に、第１閾値をＳｔｈ１とし、第１閾値よりも小さい値をもつ第２閾値をＳｔｈ２とする（図８参照。）。
ＮＤ１’に含まれる総てのユニットに係る線形和Ｓｋ，ｊと、第１閾値Ｓｔｈ１と、を比較し、Ｓｋ，ｊ＞Ｓｔｈ１を満たすユニットのみをスクリーニングする。スクリーニングをパスしたユニットの位置情報（層番号ｋ，ユニット番号ｊ）をそれぞれ控える。一方、ＮＤＴについても同様の条件でスクリーニングを行う。そして、ＮＤ１’及びＮＤＴにおいてそれぞれスクリーニングをパスしたユニットの位置が一致している（スクリーニングをパスしたユニットの位置がＮＤ１’とＮＤＴとで一致している）場合には、実機で学習して得たＮＤ１’と模擬運転により学習したＮＤＴとは第１の類似度にあると評価する。
さらに高い精度で類似度を把握したいときは、Ｓｋ，ｊ＞Ｓｔｈ２となる条件でスクリーニングを行い、同様にＮＤ１’及びＮＤＴのそれぞれにおいてスクリーニングをパスしたユニットの位置が一致している場合には、実機で学習して得たＮＤ１’と模擬運転により学習したＮＤＴとは第２の類似度（第１の類似度よりも高い類似度）にあると評価することもできる。
ロ）大小のプロポーションに着目した比較・照合
同様に、線形和Ｓｋ，ｊに着目して比較・照合する場合を以下に説明する。まず、ＮＤ１’において、同一層内で最大のＳｋ，ｊ値をもつユニットを抽出する。一方で、最小のＳｋ，ｊ値をもつユニットを抽出する。抽出されたユニットの位置情報（層番号ｋ，ユニット番号ｊ）をそれぞれ控える。ＮＤＴにおいても同様の処理を行う。
そして、抽出された最大のユニットの位置と、最小のユニットの位置が、ＮＤ１’及びＮＤＴにおいて一致している場合には、実機で学習して得たＮＤ１’と模擬運転により学習したＮＤＴとは第１の類似度にあると評価する。
上記は簡易的な方法であるが、更に精度を上げるべく、ＮＤ１’及びＮＤＴのそれぞれについて、最大となるＳｋ，ｊと最小となるＳｋ，ｊとの比率を算出して、比率の乖離度によって類似度の水準を評価することもできる。
同様に、線形和Ｓｋ，ｊに着目して比較・照合する場合を以下に説明する。まず、ＮＤ１’において、同一層内で最大のＳｋ，ｊ値をもつユニットを抽出する。一方で、最小のＳｋ，ｊ値をもつユニットを抽出する。抽出されたユニットの位置情報（層番号ｋ，ユニット番号ｊ）をそれぞれ控える。ＮＤＴにおいても同様の処理を行う。
そして、抽出された最大のユニットの位置と、最小のユニットの位置が、ＮＤ１’及びＮＤＴにおいて一致している場合には、実機で学習して得たＮＤ１’と模擬運転により学習したＮＤＴとは第１の類似度にあると評価する。
上記は簡易的な方法であるが、更に精度を上げるべく、ＮＤ１’及びＮＤＴのそれぞれについて、最大となるＳｋ，ｊと最小となるＳｋ，ｊとの比率を算出して、比率の乖離度によって類似度の水準を評価することもできる。
上記イ）及びロ）では、線形和Ｓｋ，ｊ（マップでは円形に相当。）について比較・照合を行う例を示したが、重み付け係数Ｗｋ−１，ｋ ｉ，ｊ（マップでは線に相当。）についても同様の方法で比較・照合することができる。
また、比較・照合の方法、類似度の算出方法は上記に限られるものではない。
また、比較・照合の方法、類似度の算出方法は上記に限られるものではない。
（ｂ）マップによる比較・照合
第１学習が反映された第１ニューラル・ネットワーク構成データＮＤ１’に基づき第１マップＭＡＰ１を作成し、診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴに基づき第２マップＭＡＰ２を作成して、マップのパターン同士を比較・照合して類似度を評価することもできる。この方法による比較・照合については、［実施形態２］の項で詳細に述べる。
第１学習が反映された第１ニューラル・ネットワーク構成データＮＤ１’に基づき第１マップＭＡＰ１を作成し、診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴに基づき第２マップＭＡＰ２を作成して、マップのパターン同士を比較・照合して類似度を評価することもできる。この方法による比較・照合については、［実施形態２］の項で詳細に述べる。
（ｉｉｉ）類似度に応じた第１電力変換装置の動作状況の診断
上記のように、ＮＤ１’及びＮＤＴに基づいた両ニューラル・ネットワークの比較・照合及び類似度の評価を終えた後、診断工程Ｓ３２０ではかかる類似度に応じて第１電力変換装置１１０の動作状況を診断する。
上記のように、ＮＤ１’及びＮＤＴに基づいた両ニューラル・ネットワークの比較・照合及び類似度の評価を終えた後、診断工程Ｓ３２０ではかかる類似度に応じて第１電力変換装置１１０の動作状況を診断する。
診断される「動作状況」としては、例えば次のような観点を挙げることができる。過去に、第１電力変換装置１１０はどういった環境で、どのような入力及び出力が行われ、にどのようなストレスが掛かったのか。過去に、第１電力変換装置１１０を構成する回路群のうち主にどの部分について、ストレスが掛かって素子等の経年劣化が進んでいるのか等。
診断工程Ｓ３２０における、類似度に応じた第１電力変換装置の動作状況の診断は、例えば次のように行う。
まず、第１ニューラル・ネットワーク構成データＮＤ１’と、診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴ（ＮＤ２’から取り出されてＮＤＴとして扱われる）との間の類似度を把握する。
そして、類似度がやや高い場合、当該第１電力変換装置１１０は、模擬運転を行った当該試験モードに似た環境・運転条件で動作してきた可能性があるものと推定する。
また、類似度が上記よりも更に高い場合、又は、類似度が極めて高く両ニューラル・ネットワークの形がほぼ同一であると判断できる場合には、当該第１電力変換装置１１０は模擬運転を行った当該試験モードとほぼ同様の環境・運転条件で動作してきたものであると高い確率で推定する。
上記のように、様々な試験モードによる第２ニューラル・ネットワーク構成データＮＤ２’について取り出して、実機１００側の第１ニューラル・ネットワーク構成データＮＤ１’との類似度を上記のように評価していきながら、最も類似度が高い第２ニューラル・ネットワーク構成データＮＤ２’に対応した（模擬運転による）試験モードを特定する。このように特定されたところで、実際の第１電力変換装置１１０においては、該特定した試験モードと同等の環境・運転条件で動作してきたことが、相当程度の精度で推定することができる。
こうして、当該第１電力変換装置１１０の「動作状況」を可視化して把握し、実機毎の実情に即した診断を行うことができる。
まず、第１ニューラル・ネットワーク構成データＮＤ１’と、診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴ（ＮＤ２’から取り出されてＮＤＴとして扱われる）との間の類似度を把握する。
そして、類似度がやや高い場合、当該第１電力変換装置１１０は、模擬運転を行った当該試験モードに似た環境・運転条件で動作してきた可能性があるものと推定する。
また、類似度が上記よりも更に高い場合、又は、類似度が極めて高く両ニューラル・ネットワークの形がほぼ同一であると判断できる場合には、当該第１電力変換装置１１０は模擬運転を行った当該試験モードとほぼ同様の環境・運転条件で動作してきたものであると高い確率で推定する。
上記のように、様々な試験モードによる第２ニューラル・ネットワーク構成データＮＤ２’について取り出して、実機１００側の第１ニューラル・ネットワーク構成データＮＤ１’との類似度を上記のように評価していきながら、最も類似度が高い第２ニューラル・ネットワーク構成データＮＤ２’に対応した（模擬運転による）試験モードを特定する。このように特定されたところで、実際の第１電力変換装置１１０においては、該特定した試験モードと同等の環境・運転条件で動作してきたことが、相当程度の精度で推定することができる。
こうして、当該第１電力変換装置１１０の「動作状況」を可視化して把握し、実機毎の実情に即した診断を行うことができる。
また、例えば、上記した「（ｂ）経年劣化を助長させる試験モード」による第２ニューラル・ネットワーク構成データＮＤ２（後にＮＤＴとして扱われる）を模擬運転学習ステップＳ２００で準備した上で、実機１００側の第１ニューラル・ネットワーク構成データＮＤ１’と当該ＮＤＴを比較したところ、類似度が所定の水準よりも高いと判断された場合には、第１電力変換装置１１０のうち関係する回路、素子等の経年劣化が進んでいる兆候として捉えることもできる。こうした診断結果が出た場合には、次回の実機メンテナンスの際には第１電力変換装置１１０の該当する回路、素子等を中心に点検交換を行う等の予防保全を行うこともできる。
このようにして実施形態１に係る電力変換装置の診断方法によれば、実機毎の第１電力変換装置における過去の動作状況に係る診断結果を提供することにより、電力変換装置の的確なメンテナンスや、電力変換装置の摩耗、経年変化等を予測して保全活動を行うといった予防保全等に資することができる。
このようにして実施形態１に係る電力変換装置の診断方法によれば、実機毎の第１電力変換装置における過去の動作状況に係る診断結果を提供することにより、電力変換装置の的確なメンテナンスや、電力変換装置の摩耗、経年変化等を予測して保全活動を行うといった予防保全等に資することができる。
２．実施形態１に係る電力変換装置の診断方法の効果
（１）実施形態１に係る電力変換装置の診断方法によれば、第１電力変換装置１１０（実機側）に関係する物理量を測定して第１測定値Ｍ１を取得し、該第１測定値Ｍ１に基づいて第１ニューラル・ネットワーク構成データＮＤ１を更新することを複数回繰り返して第１学習を行う第１学習工程Ｓ１２０、並びに、模擬運転による第２学習が反映された第２ニューラル・ネットワーク構成データＮＤ２’を診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴとして、該診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴ及び第１学習が反映された第１ニューラル・ネットワーク構成データＮＤ１’に基づき第１電力変換装置１１０の動作状況を診断する診断工程Ｓ３２０を有する。このような構成によれば、実機の第１電力変換装置における過去の「動作状況」に関する情報を、第１ニューラル・ネットワーク構成データとして入手することができ、これに基づいて「動作状況」を可視化して把握し、実機毎の事情に即した診断を行うことができる。また、実機毎の第１電力変換装置における過去の動作状況に係る診断結果を提供することにより、電力変換装置の的確なメンテナンスや、電力変換装置の摩耗、経年変化等を予測して保全活動を行うといった予防保全等に資することができる。
（１）実施形態１に係る電力変換装置の診断方法によれば、第１電力変換装置１１０（実機側）に関係する物理量を測定して第１測定値Ｍ１を取得し、該第１測定値Ｍ１に基づいて第１ニューラル・ネットワーク構成データＮＤ１を更新することを複数回繰り返して第１学習を行う第１学習工程Ｓ１２０、並びに、模擬運転による第２学習が反映された第２ニューラル・ネットワーク構成データＮＤ２’を診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴとして、該診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴ及び第１学習が反映された第１ニューラル・ネットワーク構成データＮＤ１’に基づき第１電力変換装置１１０の動作状況を診断する診断工程Ｓ３２０を有する。このような構成によれば、実機の第１電力変換装置における過去の「動作状況」に関する情報を、第１ニューラル・ネットワーク構成データとして入手することができ、これに基づいて「動作状況」を可視化して把握し、実機毎の事情に即した診断を行うことができる。また、実機毎の第１電力変換装置における過去の動作状況に係る診断結果を提供することにより、電力変換装置の的確なメンテナンスや、電力変換装置の摩耗、経年変化等を予測して保全活動を行うといった予防保全等に資することができる。
（２）また、実施形態１に係る電力変換装置の診断方法においては、ニューラル・ネットワークとして、入力層、１つ以上の中間層及び出力層を有する階層構造型のニューラル・ネットワークを用い、第１学習工程及び第２学習工程においては、誤差逆伝搬法によって第１学習及び第２学習を行う。
このように階層構造型のニューラル・ネットワークを用い、かつ誤差逆伝搬法による学習を行うことから、相互結合型などの他の型のニューラル・ネットワークを前提とした電力変換装置の診断方法よりも、ニューラル・ネットワーク構成データのサイズを比較的小さくすることができ、かつ、演算も比較的軽くすることができ、結果、多大なＣＰＵ資源を必要とせず、学習も短時間で行うことができるため、商業上／実用上有利な電力変換装置の診断方法を提供することができる。
このように階層構造型のニューラル・ネットワークを用い、かつ誤差逆伝搬法による学習を行うことから、相互結合型などの他の型のニューラル・ネットワークを前提とした電力変換装置の診断方法よりも、ニューラル・ネットワーク構成データのサイズを比較的小さくすることができ、かつ、演算も比較的軽くすることができ、結果、多大なＣＰＵ資源を必要とせず、学習も短時間で行うことができるため、商業上／実用上有利な電力変換装置の診断方法を提供することができる。
［実施形態２］
１．実施形態２に係る電力変換装置の診断方法
実施形態２に係る電力変換装置の診断方法は、基本的に実施形態１に係る電力変換装置の診断方法 と同様の構成を有するが、診断工程Ｓ３２０において、ニューラル・ネットワーク構成データをマップ化して診断を行う点において実施形態１に係る電力変換装置の診断方法とは異なる。
すなわち、実施形態１に係る電力変換装置の診断方法は、図９に示すように、診断工程Ｓ３２０にあっては、第１学習が反映された第１ニューラル・ネットワーク構成データＮＤ１’に基づき第１マップＭＡＰ１を作成し、診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴに基づき第２マップＭＡＰ２を作成し、第１マップＭＡＰ１のパターンと第２マップＭＡＰ２のパターンとを比較又は照合してパターンの類似度を評価し、該類似度に応じて第１電力変換装置１１０の動作状況を診断する構成となっている。
１．実施形態２に係る電力変換装置の診断方法
実施形態２に係る電力変換装置の診断方法は、基本的に実施形態１に係る電力変換装置の診断方法 と同様の構成を有するが、診断工程Ｓ３２０において、ニューラル・ネットワーク構成データをマップ化して診断を行う点において実施形態１に係る電力変換装置の診断方法とは異なる。
すなわち、実施形態１に係る電力変換装置の診断方法は、図９に示すように、診断工程Ｓ３２０にあっては、第１学習が反映された第１ニューラル・ネットワーク構成データＮＤ１’に基づき第１マップＭＡＰ１を作成し、診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴに基づき第２マップＭＡＰ２を作成し、第１マップＭＡＰ１のパターンと第２マップＭＡＰ２のパターンとを比較又は照合してパターンの類似度を評価し、該類似度に応じて第１電力変換装置１１０の動作状況を診断する構成となっている。
（１）マップの表現方法
「マップ」は、ニューラル・ネットワークの状態を何等かの形で写像的にイメージとして可視化したものであり、平面的な表現であっても立体的な表現であっても構わない。以下、平面的に展開して表現されたマップを前提に説明を続ける。
例えば、上記で触れた図６及び図７はマップである。円形はユニットＵＴｋ ｊを、円形を結ぶ線はユニット間を結ぶネットワークを、円形の大きさは当該ユニットに入力された線形和Ｓｋ，ｊを、線の太さは重み付け係数Ｗｋ−１，ｋ ｉ，ｊを、それぞれ表現している。なお、大きさ／太さを異ならせるのみならず、色を異ならせる、線の種類を異ならせる（点線、破線、実線、二重線等）といった表現方法を、単独で用いる又はこれらを併用することによってもマップを表現することができる。
「マップ」は、ニューラル・ネットワークの状態を何等かの形で写像的にイメージとして可視化したものであり、平面的な表現であっても立体的な表現であっても構わない。以下、平面的に展開して表現されたマップを前提に説明を続ける。
例えば、上記で触れた図６及び図７はマップである。円形はユニットＵＴｋ ｊを、円形を結ぶ線はユニット間を結ぶネットワークを、円形の大きさは当該ユニットに入力された線形和Ｓｋ，ｊを、線の太さは重み付け係数Ｗｋ−１，ｋ ｉ，ｊを、それぞれ表現している。なお、大きさ／太さを異ならせるのみならず、色を異ならせる、線の種類を異ならせる（点線、破線、実線、二重線等）といった表現方法を、単独で用いる又はこれらを併用することによってもマップを表現することができる。
（２）マップを用いた診断
（ｉ）第１マップＭＡＰ１の作成
まず、第１学習が反映された第１ニューラル・ネットワーク構成データＮＤ１’に基づき第１マップＭＡＰ１を作成する。ユニットＵＴｋ ｊを配置する場合を例にとると、ＮＤ１’のデータ（Ｓｋ，ｊ）の値の大きさに応じて円形の大きさを決め、当該円形を予め定められた当該ユニットの位置（ここでは第ｋ層、第ｊの位置）に配置する。
同様に、ネットワークに対応する線を配置する場合には、ＮＤ１’のデータ（重み付け係数Ｗｋ−１，ｋ ｉ，ｊ）の値の大きさに応じて図形としての線の太さを決め、当該線を予め定められた当該ネットワークの位置に配置する。
総てのユニット及びネットワークに対応して円形及び線を配置すると第１マップＭＡＰ１が完成する。
（ｉ）第１マップＭＡＰ１の作成
まず、第１学習が反映された第１ニューラル・ネットワーク構成データＮＤ１’に基づき第１マップＭＡＰ１を作成する。ユニットＵＴｋ ｊを配置する場合を例にとると、ＮＤ１’のデータ（Ｓｋ，ｊ）の値の大きさに応じて円形の大きさを決め、当該円形を予め定められた当該ユニットの位置（ここでは第ｋ層、第ｊの位置）に配置する。
同様に、ネットワークに対応する線を配置する場合には、ＮＤ１’のデータ（重み付け係数Ｗｋ−１，ｋ ｉ，ｊ）の値の大きさに応じて図形としての線の太さを決め、当該線を予め定められた当該ネットワークの位置に配置する。
総てのユニット及びネットワークに対応して円形及び線を配置すると第１マップＭＡＰ１が完成する。
（ｉｉ）第２マップＭＡＰ２の作成
上記した第１マップの作成要領と同様に、診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴに基づき第２マップＭＡＰ２を作成する。
上記した第１マップの作成要領と同様に、診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴに基づき第２マップＭＡＰ２を作成する。
（ｉｉｉ）第１マップＭＡＰ１と第２マップＭＡＰ２との比較・照合
ＮＤ１’及びＮＤＴが可視化されて第１マップＭＡＰ１及び第２マップＭＡＰ２が作成されたところで、双方のマップを比較・照合し、双方のマップの形において類似した傾向がみられるかどうか検討し類似度を評価する。
ＮＤ１’及びＮＤＴが可視化されて第１マップＭＡＰ１及び第２マップＭＡＰ２が作成されたところで、双方のマップを比較・照合し、双方のマップの形において類似した傾向がみられるかどうか検討し類似度を評価する。
比較・照合の方法は、次の（ａ）〜（ｃ）をはじめ様々な方法を採ることができる。
（ａ）画像処理技術（一般に製造ライン等で用いられているパターンマッチングや、顔認証等で用いられている認識技術）を用いて、第１マップＭＡＰ１と第２マップＭＡＰ２との比較・照合を行うことができる。
例えば図１０で示すように、まず、カメラで第２マップＭＡＰ２（診断テンプレートに係るニューラル・ネットワーク構成データ）の画像を取り込み、取り込んだ画像データに対して二値化処理を施す（例えば図１０（ａ）のような二値化処理を施す。）。一方、第１マップＭＡＰ１についても同様の二値化処理を施す（図１０（ｂ）参照。）。これら二値化処理を施した双方の画像を照合することによってパターンマッチング処理を行う。
双方の画像が一致している場合には、双方のマップは「極めて高い類似度」である（ほぼ同一）と評価する。双方の画像が完全に一致していなくても、照合の厳粛度を下げることでほぼ一致と判断できる場合がある。この場合は「比較的高い類似度」であると評価する。上記では二値化した画像のパターンマッチング処理による類似度の評価を行う例を説明したが、これに限らない。例えば、図１０に×で示したような特徴点を抽出しておき、特徴点の情報を基に双方のマップの類似度を評価することもできる。
（ａ）画像処理技術（一般に製造ライン等で用いられているパターンマッチングや、顔認証等で用いられている認識技術）を用いて、第１マップＭＡＰ１と第２マップＭＡＰ２との比較・照合を行うことができる。
例えば図１０で示すように、まず、カメラで第２マップＭＡＰ２（診断テンプレートに係るニューラル・ネットワーク構成データ）の画像を取り込み、取り込んだ画像データに対して二値化処理を施す（例えば図１０（ａ）のような二値化処理を施す。）。一方、第１マップＭＡＰ１についても同様の二値化処理を施す（図１０（ｂ）参照。）。これら二値化処理を施した双方の画像を照合することによってパターンマッチング処理を行う。
双方の画像が一致している場合には、双方のマップは「極めて高い類似度」である（ほぼ同一）と評価する。双方の画像が完全に一致していなくても、照合の厳粛度を下げることでほぼ一致と判断できる場合がある。この場合は「比較的高い類似度」であると評価する。上記では二値化した画像のパターンマッチング処理による類似度の評価を行う例を説明したが、これに限らない。例えば、図１０に×で示したような特徴点を抽出しておき、特徴点の情報を基に双方のマップの類似度を評価することもできる。
（ｂ）円形の大きさについて、閾値、大小のプロポーション等に着目して双方のマップを比較・照合することができる。
カメラから円形の面積を把握し、当該面積の値に基づき［実施形態１の１．（３）（ｉｉ）（ａ）データの値による比較・照合］の項で説明した方法と同様に、閾値を用いた方法（上記方法と同様に当該円形の面積が所定の閾値を上回っているかどうかを判定。図８参照。）、大小のプロポーション等に着目した方法（面積が最大の円形と最小の円形を抽出することによる判定。）によって、類似度を評価することができる（詳細は上記項を参照。）。
カメラから円形の面積を把握し、当該面積の値に基づき［実施形態１の１．（３）（ｉｉ）（ａ）データの値による比較・照合］の項で説明した方法と同様に、閾値を用いた方法（上記方法と同様に当該円形の面積が所定の閾値を上回っているかどうかを判定。図８参照。）、大小のプロポーション等に着目した方法（面積が最大の円形と最小の円形を抽出することによる判定。）によって、類似度を評価することができる（詳細は上記項を参照。）。
（ｃ）人間の目視によって第１マップＭＡＰ１と第２マップＭＡＰ２との比較・照合を行うことができる。一例であるが、まず双方のマップを俯瞰し、円に着目して円の大小の分布上の特徴を把握する。最大の円の位置、最小の円の位置等、大小の特徴の現れるユニットの位置に共通点があるかどうかを把握し、共通点が多い場合には双方のマップの類似度が高いと評価することができる。さらに、上記方法でも触れたように大きい円のユニットと小さい円のユニットとの大小の比率が、双方のマップにおいて近い比率となっているかどうか（比率の乖離度）によっても類似度を評価することができる。
なお、上記では、図１０を示しながら、ユニットの大きさ（線形和の値の大きさを表す円形の大きさ）に着目して説明をしたが、ネットワークの太さ（重み付け係数の値の大きさを表す線の太さ）についても同様の方法で比較・照合を行うことができる。また、線形和の値の大きさの方はマップを用いて比較・照合し、重み付け係数の値の大きさの方はデータの値を直接用いて比較・照合するといった、方法の使い分けをしてもよい。
（ｉｖ）ＭＡＰ１単体による評価、診断
上記では、双方のマップ（ＭＡＰ１及びＭＡＰ２）による評価の例を説明したが、ＮＤ１’に基づくマップＭＡＰ１単体のみを用いて実機１００の動作状況を評価することもできる。
例えば、図６（ｃ）では、第１層（入力層）の第２ユニットＵＴ１ ２の円形が大きくなっており、この第２ユニットＵＴ１ ２には比較的大きな値による入力が頻繁にあったことが把握でき、この入力に対応した物理量は比較的大きな値である場合が多かったものと推定することができる。また、ＵＴ１ ２〜ＵＴ２ ３の間、ＵＴ１ １〜ＵＴ２ ２の間では線が太くなっており、この間においては、比較的多く頻繁に信号が伝達したことが把握することができ、ＵＴ１ ２〜ＵＴ２ ３の間、ＵＴ１ １〜ＵＴ２ ２の間には、関連性が高いものと推定することができる。
上記では、双方のマップ（ＭＡＰ１及びＭＡＰ２）による評価の例を説明したが、ＮＤ１’に基づくマップＭＡＰ１単体のみを用いて実機１００の動作状況を評価することもできる。
例えば、図６（ｃ）では、第１層（入力層）の第２ユニットＵＴ１ ２の円形が大きくなっており、この第２ユニットＵＴ１ ２には比較的大きな値による入力が頻繁にあったことが把握でき、この入力に対応した物理量は比較的大きな値である場合が多かったものと推定することができる。また、ＵＴ１ ２〜ＵＴ２ ３の間、ＵＴ１ １〜ＵＴ２ ２の間では線が太くなっており、この間においては、比較的多く頻繁に信号が伝達したことが把握することができ、ＵＴ１ ２〜ＵＴ２ ３の間、ＵＴ１ １〜ＵＴ２ ２の間には、関連性が高いものと推定することができる。
２．実施形態２に係る電力変換装置の診断方法の効果
（１）実施形態２に係る電力変換装置の診断方法においては、第１学習が反映された第１ニューラル・ネットワーク構成データＮＤ１’に基づき第１マップＭＡＰ１を作成し、診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴに基づき第２マップＭＡＰ２を作成する。このように、実際の実機１００の上で学習を積み重ねた上で得られるニューラル・ネットワークの状態を、当該第１電力変換装置１１０の過去の「動作状況（どのように振る舞い、動作してきたのか）」の情報として写像し、「マップ」として可視化している。よって、この第１マップＭＡＰ１を見ることにより、かかる「動作状況」をイメージとして把握することができる。
（１）実施形態２に係る電力変換装置の診断方法においては、第１学習が反映された第１ニューラル・ネットワーク構成データＮＤ１’に基づき第１マップＭＡＰ１を作成し、診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴに基づき第２マップＭＡＰ２を作成する。このように、実際の実機１００の上で学習を積み重ねた上で得られるニューラル・ネットワークの状態を、当該第１電力変換装置１１０の過去の「動作状況（どのように振る舞い、動作してきたのか）」の情報として写像し、「マップ」として可視化している。よって、この第１マップＭＡＰ１を見ることにより、かかる「動作状況」をイメージとして把握することができる。
（２）また、実施形態２に係る電力変換装置の診断方法においては、第１マップのパターンと第２マップのパターンとを比較又は照合してパターンの類似度を評価し、該類似度に応じて第１電力変換装置の動作状況を診断する。
このように可視化された双方のマップのパターンを互いに比較・照合することから、マップの一致／不一致といった２値的な評価による診断だけではなく、パターンの「類似度」という２値の中間的な領域（双方のマップのパターンが同一である、及び、全く類似していない、の中間に位置する類似関係にあるもの）の評価を行うことができる。よって、２値的な断定的な診断ではなく、実機１００においては当該試験モードと同様の環境・運転条件で動作してきた「可能性がある」、といった「傾向又は可能性の高さ」を含む情報に基づいて診断を行うことができる。
このように可視化された双方のマップのパターンを互いに比較・照合することから、マップの一致／不一致といった２値的な評価による診断だけではなく、パターンの「類似度」という２値の中間的な領域（双方のマップのパターンが同一である、及び、全く類似していない、の中間に位置する類似関係にあるもの）の評価を行うことができる。よって、２値的な断定的な診断ではなく、実機１００においては当該試験モードと同様の環境・運転条件で動作してきた「可能性がある」、といった「傾向又は可能性の高さ」を含む情報に基づいて診断を行うことができる。
（３）また、実施形態２に係る電力変換装置の診断方法によれば、上記したように「マップ」として可視化することから、診断工程Ｓ３２０をパターンマッチング等の画像処理技術によって自動化することができる。また、診断工程Ｓ３２０の一部を人間が目視で行うことも比較的容易となる（あたかも医師が複数のＭＲＴ画像を目視で把握して疾病の「傾向又は可能性の強さ」を診断するが如く。）。
なお、実施形態２に係る電力変換装置の診断方法は、上記した構成以外は実施形態１に係る電力変換装置の診断方法と同様の構成を有するため、実施形態１に係る電力変換装置の診断方法が有する効果のうち該当する効果をそのまま有する。
［実施形態３］
１．実施形態３に係る電力変換装置の診断方法
実施形態３に係る電力変換装置の診断方法は、基本的には実施形態１に係る電力変換装置の診断方法と同様の構成を有するが、基準データベース構築ステップＳ４００を有し、基準データベースに格納されているｍ個の第２ニューラル・ネットワーク構成データの中から、診断を行おうとする第２ニューラル・ネットワーク構成データを選出して診断に付すという点において実施形態１に係る電力変換装置の診断方法とは異なる。
すなわち、実施形態３に係る電力変換装置の診断方法は、図１１及び図１２に示すように、基準データベース構築ステップＳ４００においては、（ａ）第１ニューラル・ネットワークＮＮ１を用いて第ｉ試験モード（ｉは自然数）に係る第２ニューラル・ネットワーク構成データＮＤ２の実体を生成する第２ニューラル・ネットワーク構成データ生成工程Ｓ４１０と、（ｂ）第１電力変換装置１１０と同じ構成を有する第２電力変換装置２１０を用いて第ｉ試験モードによる模擬運転を行いつつ、第２電力変換装置２１０に関係する物理量を測定して第２測定値Ｍ２を取得し、該第２測定値Ｍ２に基づいて第ｉ試験モードに係る第２ニューラル・ネットワーク構成データを更新することを複数回繰り返して第２学習を行う第２学習工程Ｓ４２０と、及び、（ｃ）第２学習が反映された当該第ｉ試験モードに係る第２ニューラル・ネットワーク構成データＮＤ２’を基準データベースに格納する基準データベース格納工程とを１つの工程ブロックとしている。そしてこれら１つの工程ブロックについて、ｉが１からｍ（ｍは２以上の整数）まで、ｉの数を増やしながらｍ回実行して、ｍ個の第２ニューラル・ネットワーク構成データからなる基準データベース（図１２において基準ＤＢと表記。）を構築する構成となっている。
また同じく図１１及び図１２に示すように、評価診断ステップＳ３００においては、基準データベース（図１２においては基準ＤＢと表記。）に格納されているｍ個の第２ニューラル・ネットワーク構成データＮＤ２’の中から、評価診断を行う試験モードに対応するニューラル・ネットワーク構成データを診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴとして少なくともいずれか１つを選出する診断テンプレート選出工程Ｓ３１０を実施し、その後は、実施形態１に係る電力変換装置の診断方法と同様に、該診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴ及び第１学習が反映された第１ニューラル・ネットワーク構成データＮＤ１’に基づき第１電力変換装置１１０の動作状況を診断する診断工程Ｓ３２０を実施するものとなっている。
１．実施形態３に係る電力変換装置の診断方法
実施形態３に係る電力変換装置の診断方法は、基本的には実施形態１に係る電力変換装置の診断方法と同様の構成を有するが、基準データベース構築ステップＳ４００を有し、基準データベースに格納されているｍ個の第２ニューラル・ネットワーク構成データの中から、診断を行おうとする第２ニューラル・ネットワーク構成データを選出して診断に付すという点において実施形態１に係る電力変換装置の診断方法とは異なる。
すなわち、実施形態３に係る電力変換装置の診断方法は、図１１及び図１２に示すように、基準データベース構築ステップＳ４００においては、（ａ）第１ニューラル・ネットワークＮＮ１を用いて第ｉ試験モード（ｉは自然数）に係る第２ニューラル・ネットワーク構成データＮＤ２の実体を生成する第２ニューラル・ネットワーク構成データ生成工程Ｓ４１０と、（ｂ）第１電力変換装置１１０と同じ構成を有する第２電力変換装置２１０を用いて第ｉ試験モードによる模擬運転を行いつつ、第２電力変換装置２１０に関係する物理量を測定して第２測定値Ｍ２を取得し、該第２測定値Ｍ２に基づいて第ｉ試験モードに係る第２ニューラル・ネットワーク構成データを更新することを複数回繰り返して第２学習を行う第２学習工程Ｓ４２０と、及び、（ｃ）第２学習が反映された当該第ｉ試験モードに係る第２ニューラル・ネットワーク構成データＮＤ２’を基準データベースに格納する基準データベース格納工程とを１つの工程ブロックとしている。そしてこれら１つの工程ブロックについて、ｉが１からｍ（ｍは２以上の整数）まで、ｉの数を増やしながらｍ回実行して、ｍ個の第２ニューラル・ネットワーク構成データからなる基準データベース（図１２において基準ＤＢと表記。）を構築する構成となっている。
また同じく図１１及び図１２に示すように、評価診断ステップＳ３００においては、基準データベース（図１２においては基準ＤＢと表記。）に格納されているｍ個の第２ニューラル・ネットワーク構成データＮＤ２’の中から、評価診断を行う試験モードに対応するニューラル・ネットワーク構成データを診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴとして少なくともいずれか１つを選出する診断テンプレート選出工程Ｓ３１０を実施し、その後は、実施形態１に係る電力変換装置の診断方法と同様に、該診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴ及び第１学習が反映された第１ニューラル・ネットワーク構成データＮＤ１’に基づき第１電力変換装置１１０の動作状況を診断する診断工程Ｓ３２０を実施するものとなっている。
実施形態３に係る電力変換装置の診断方法においては、様々なバリエーションによる条件《第ｉ試験モード（ｉは１からｍまでの２以上の整数）》の下で模擬運転を行うことにより、ｍ個の第２ニューラル・ネットワーク構成データＮＤ２’を取り揃える。
試験モードのバリエーションとしては、診断したい内容や意図に応じて、［実施形態１の１．（２）（ｉｉｉ）第２学習工程Ｓ２２０］の項で触れたように、（ａ）第２電力変換装置２１０に対してストレスを掛ける試験モード、（ｂ）経年劣化を助長させる試験モード、（ｃ）通常の運転条件の試験モード等を適宜設定することができる。
試験モードのバリエーションとしては、診断したい内容や意図に応じて、［実施形態１の１．（２）（ｉｉｉ）第２学習工程Ｓ２２０］の項で触れたように、（ａ）第２電力変換装置２１０に対してストレスを掛ける試験モード、（ｂ）経年劣化を助長させる試験モード、（ｃ）通常の運転条件の試験モード等を適宜設定することができる。
基準データベース（基準ＤＢ）は、ｍ種類の第２ニューラル・ネットワーク構成データＮＤ２’を格納し、それらを適宜選出（選択）して個別にデータを取り出すことができればいかなる構成であってもよい。例えば、第２ニューラル・ネットワーク構成データＮＤ２’ｉを個々にレコードとして格納することができ、それらのレコードをポインタ（ｐｔｒ）によってリスト管理するようなデータ構造を採ることもできる（図１３参照。）。
２．実施形態３に係る電力変換装置の診断方法の効果
実施形態３に係る電力変換装置の診断方法は、基本的に実施形態１に係る電力変換装置の診断方法と同様の構成を有するため、実施形態１に係る電力変換装置の診断方法が有する効果と同様の効果を有する。
これに加え、実施形態３に係る電力変換装置の診断方法によれば、「第１電力変換装置・・に関係する物理量を測定して・・第１ニューラル・ネットワーク構成データを更新する・・実機学習ステップ、第ｉ試験モードによる模擬運転を行いつつ・・第２学習を行う第２学習工程、・・をｉの数を増やしながらｍ回実行して、・・基準データベースを構築する基準データベース構築ステップ、基準データベースに格納されているｍ個の第２ニューラル・ネットワーク構成データの中から、評価診断を行う試験モードに対応するニューラル・ネットワーク構成データを診断テンプレートに係るニューラル・ネットワーク構成データとして少なくともいずれか１つを選出する診断テンプレート選出工程と、該診断テンプレートに係るニューラル・ネットワーク構成データ及び第１学習が反映された第１ニューラル・ネットワーク構成データに基づき前記第１電力変換装置の動作状況を診断する診断工程と、を含む評価診断ステップ」を有するため、様々な試験モードの模擬運転の下で、診断テンプレートに係るニューラル・ネットワーク構成データの候補となる多くの第２ニューラル・ネットワーク構成データをデータベースとして取り揃えることができる。そして、データベースに格納された多くの可能性のある選択肢（ｍ個の第２ニューラル・ネットワーク構成データ）の中から、診断対象となる実機の電力変換装置の動作状況により類似した（合致した）第１ニューラル・ネットワーク構成データを探し当てることができる。こうすることで、より的確なより精度の高い診断を行うことができる。
実施形態３に係る電力変換装置の診断方法は、基本的に実施形態１に係る電力変換装置の診断方法と同様の構成を有するため、実施形態１に係る電力変換装置の診断方法が有する効果と同様の効果を有する。
これに加え、実施形態３に係る電力変換装置の診断方法によれば、「第１電力変換装置・・に関係する物理量を測定して・・第１ニューラル・ネットワーク構成データを更新する・・実機学習ステップ、第ｉ試験モードによる模擬運転を行いつつ・・第２学習を行う第２学習工程、・・をｉの数を増やしながらｍ回実行して、・・基準データベースを構築する基準データベース構築ステップ、基準データベースに格納されているｍ個の第２ニューラル・ネットワーク構成データの中から、評価診断を行う試験モードに対応するニューラル・ネットワーク構成データを診断テンプレートに係るニューラル・ネットワーク構成データとして少なくともいずれか１つを選出する診断テンプレート選出工程と、該診断テンプレートに係るニューラル・ネットワーク構成データ及び第１学習が反映された第１ニューラル・ネットワーク構成データに基づき前記第１電力変換装置の動作状況を診断する診断工程と、を含む評価診断ステップ」を有するため、様々な試験モードの模擬運転の下で、診断テンプレートに係るニューラル・ネットワーク構成データの候補となる多くの第２ニューラル・ネットワーク構成データをデータベースとして取り揃えることができる。そして、データベースに格納された多くの可能性のある選択肢（ｍ個の第２ニューラル・ネットワーク構成データ）の中から、診断対象となる実機の電力変換装置の動作状況により類似した（合致した）第１ニューラル・ネットワーク構成データを探し当てることができる。こうすることで、より的確なより精度の高い診断を行うことができる。
なお、図１４に示すように、ｍ個の第２ニューラル・ネットワーク構成データＮＤ２ｉをそれぞれ診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴｉとし、それぞれの診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴｉと第１ニューラル・ネットワーク構成データＮＤ１’とに基づいて、それぞれの診断プレートに係るニューラル・ネットワーク構成データＮＤＴｉと第１ニューラル・ネットワーク構成データＮＤ１’とに基づくニューラル・ネットワークの類似度をそれぞれ評価し、該評価したｍ個の類似度を参照して総合的に評価診断を行うこととしてもよい。
また、図１２及び図１４においてはマップを用いて診断を行う様子は記載されていないが、実施形態３においても、第１学習が反映された前記第１ニューラル・ネットワーク構成データＮＤ１’に基づく第１マップＭＡＰ１及び、診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴに基づく第２マップＭＡＰ２を用いた診断を同様に適用することができる。この場合、実施形態２に係る電力変換装置の診断方法が有する効果と同様の効果を有する。
［実施形態４］
実施形態４に係る電力変換装置の診断方法は、基本的には実施形態３に係る電力変換装置の診断方法と同様の構成を有するが、基準データベースに格納されているｍ個の第２ニューラル・ネットワーク構成データの中から、当該診断により適切な第２ニューラル・ネットワーク構成データを更にｎ個に絞り込む点において実施形態３に係る電力変換装置の診断方法とは異なる。
すなわち、実施形態４に係る電力変換装置の診断方法は、図１５に示すように、評価診断ステップＳ３００にあっては、実施形態３に記載の診断テンプレート選出工程Ｓ３１０に替えて、基準データベースに格納されているｍ個の第２ニューラル・ネットワーク構成データＮＤ２’のうち当該診断にふさわしい第２ニューラル・ネットワーク構成データをｎ個選出し（ｎは２以上の整数、かつ、ｎ≦ｍ）、該ｎ個の第２ニューラル・ネットワーク構成データの中から、評価診断を行う試験モードに対応するニューラル・ネットワーク構成データを診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴとして少なくともいずれか１つを選出する第２の診断テンプレート選出工程Ｓ３１５（図示せず。）を含む構成となっている。
実施形態４に係る電力変換装置の診断方法は、基本的には実施形態３に係る電力変換装置の診断方法と同様の構成を有するが、基準データベースに格納されているｍ個の第２ニューラル・ネットワーク構成データの中から、当該診断により適切な第２ニューラル・ネットワーク構成データを更にｎ個に絞り込む点において実施形態３に係る電力変換装置の診断方法とは異なる。
すなわち、実施形態４に係る電力変換装置の診断方法は、図１５に示すように、評価診断ステップＳ３００にあっては、実施形態３に記載の診断テンプレート選出工程Ｓ３１０に替えて、基準データベースに格納されているｍ個の第２ニューラル・ネットワーク構成データＮＤ２’のうち当該診断にふさわしい第２ニューラル・ネットワーク構成データをｎ個選出し（ｎは２以上の整数、かつ、ｎ≦ｍ）、該ｎ個の第２ニューラル・ネットワーク構成データの中から、評価診断を行う試験モードに対応するニューラル・ネットワーク構成データを診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴとして少なくともいずれか１つを選出する第２の診断テンプレート選出工程Ｓ３１５（図示せず。）を含む構成となっている。
例えば、第１電力変換装置１１０が主に特定の季節に使用される傾向があることが分っている場合には、基準データベースに格納されているｍ個の第２ニューラル・ネットワーク構成データＮＤ２’のうち、診断する季節に適したニューラル・ネットワーク構成データ群をｎ個選出したうえで、診断工程Ｓ３２０に付すことができる。
事前に、基準データベース構築ステップＳ４００において、夏用、冬用及び春秋用の第２ニューラル・ネットワーク構成データ群をそれぞれ準備しておき、第２の診断テンプレート選出工程Ｓ３１５においては、診断する「季節」に合致した第２ニューラル・ネットワーク構成データ群のみをｎ個選出する。こうすることで、総ての季節のデータを含むｍ個の総てのパターンについて比較・照合して診断を行うよりも、より効率的な診断を行うことができる。また、診断に係る季節にふさわしい第２ニューラル・ネットワーク構成データを選出して絞り込むため、より的確な診断を行うことができる。
事前に、基準データベース構築ステップＳ４００において、夏用、冬用及び春秋用の第２ニューラル・ネットワーク構成データ群をそれぞれ準備しておき、第２の診断テンプレート選出工程Ｓ３１５においては、診断する「季節」に合致した第２ニューラル・ネットワーク構成データ群のみをｎ個選出する。こうすることで、総ての季節のデータを含むｍ個の総てのパターンについて比較・照合して診断を行うよりも、より効率的な診断を行うことができる。また、診断に係る季節にふさわしい第２ニューラル・ネットワーク構成データを選出して絞り込むため、より的確な診断を行うことができる。
さらに、同様に、第１電力変換装置１１０に接続される負荷が特定の電気設備、電気製品（例えば、暖房器具といったように）であることが分っている場合には、負荷の種類（上記例では暖房器具）に応じたｎ個の第２ニューラル・ネットワーク構成データ群を選出して診断することもできる。
こうすることで、上記例では総ての種類の負荷についてｍ個の総てのパターンについて当たって診断を行うよりも、より効率的な診断を行うことができる。上記例で述べると、接続される負荷の種類によって第１電力変換装置１１０の事情（動作状況）は異なってくることから、実施形態４に係る電力変換装置の診断方法によれば、診断に係る装置にふさわしい第２ニューラル・ネットワーク構成データを選出して絞り込むことにより、より的確な診断を行うことができる。
こうすることで、上記例では総ての種類の負荷についてｍ個の総てのパターンについて当たって診断を行うよりも、より効率的な診断を行うことができる。上記例で述べると、接続される負荷の種類によって第１電力変換装置１１０の事情（動作状況）は異なってくることから、実施形態４に係る電力変換装置の診断方法によれば、診断に係る装置にふさわしい第２ニューラル・ネットワーク構成データを選出して絞り込むことにより、より的確な診断を行うことができる。
なお、上記では診断を行う「季節」が何時かとの観点で第２ニューラル・ネットワーク構成データ群を選出する例を説明したが、実機１００側においても、各季節毎にそれぞれ第１ニューラル・ネットワーク構成データＮＤ１を生成して保持しておき、診断を行う季節に応じた第１ニューラル・ネットワーク構成データと、季節に応じたｎ個の第２ニューラル・ネットワーク構成データ群とに基づいて診断を行うようにしてもよい。
また、上記例の負荷の種類に応じた診断では、一の基準データベース内に、異なる負荷の種類に対応する第２ニューラル・ネットワーク構成データ群がそれぞれ含まれている場合を想定して説明したが、異なる負荷の種類毎に別々に基準データベースを構築してもよい。
また、上記例の負荷の種類に応じた診断では、一の基準データベース内に、異なる負荷の種類に対応する第２ニューラル・ネットワーク構成データ群がそれぞれ含まれている場合を想定して説明したが、異なる負荷の種類毎に別々に基準データベースを構築してもよい。
実施形態４に係る電力変換装置の診断方法によれば、ｍ個の第２ニューラル・ネットワーク構成データを診断テンプレートに係るニューラル・ネットワーク構成データとしてｎ個選出して、診断テンプレートの数を絞り込むことから、ｍ個の総てのパターンについて当たる診断を行うよりも、より効率的な診断を行うことができる。また、診断にふさわしい第２ニューラル・ネットワーク構成データを選出して絞り込むため、より的確な診断を行うことができる。
なお、実施形態４に電力変換装置の診断方法によれば、上記した構成以外は実施形態３に係る電力変換装置の診断方法と同様の構成を有するため、実施形態３に係る電力変換装置の診断方法が有する効果のうち該当する効果をそのまま有する。
［実施形態５］
実施形態５に係る電力変換装置の診断方法は、基本的には実施形態１に係る電力変換装置の診断方法と同様の構成を有するが、同一の実機１００における異なる時点での第１ニューラル・ネットワーク構成データ（ＮＤ１１’及びＮＤ１２’）をそれぞれ取得して診断を行う点において実施形態１に係る電力変換装置の診断方法とは異なる。
すなわち、実施形態５に係る電力変換装置の診断方法は、図１６に示すように、実機学習ステップＳ１００にあっては、実機１００における第１学習が進んだ第１時刻ｔ１における第１ニューラル・ネットワーク構成データＮＤ１１’を取得して時間情報に関連付けながら保持し、実機１００における第１学習が更に進んだ、第１時刻ｔ１よりも後の第２時刻ｔ２における第１ニューラル・ネットワーク構成データＮＤ１２’を取得して時間情報に関連付けながら保持し、評価診断ステップＳ３００にあっては、診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴ、第１時刻における第１ニューラル・ネットワーク構成データＮＤ１１’、及び、第２時刻における第１ニューラル・ネットワーク構成データＮＤ１２’に基づき第１電力変換装置１１０の動作状況を診断する構成となっている。
実施形態５に係る電力変換装置の診断方法は、基本的には実施形態１に係る電力変換装置の診断方法と同様の構成を有するが、同一の実機１００における異なる時点での第１ニューラル・ネットワーク構成データ（ＮＤ１１’及びＮＤ１２’）をそれぞれ取得して診断を行う点において実施形態１に係る電力変換装置の診断方法とは異なる。
すなわち、実施形態５に係る電力変換装置の診断方法は、図１６に示すように、実機学習ステップＳ１００にあっては、実機１００における第１学習が進んだ第１時刻ｔ１における第１ニューラル・ネットワーク構成データＮＤ１１’を取得して時間情報に関連付けながら保持し、実機１００における第１学習が更に進んだ、第１時刻ｔ１よりも後の第２時刻ｔ２における第１ニューラル・ネットワーク構成データＮＤ１２’を取得して時間情報に関連付けながら保持し、評価診断ステップＳ３００にあっては、診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴ、第１時刻における第１ニューラル・ネットワーク構成データＮＤ１１’、及び、第２時刻における第１ニューラル・ネットワーク構成データＮＤ１２’に基づき第１電力変換装置１１０の動作状況を診断する構成となっている。
実施形態５に係る電力変換装置の診断方法は、実機１００の定期メンテナンス等など定期的に第１電力変換装置１１０を診断する場合に特に有用である。
例えば、第１時刻ｔ１における第１ニューラル・ネットワーク構成データＮＤ１１’と、第２時刻ｔ２における第１ニューラル・ネットワーク構成データＮＤ１２’とのそれぞれの状態（形）を比較し、ＮＤ１１’に対してＮＤ１２’が大きく変化したことが検出された場合には、何かしらの変動があったものとの推測の下、ニューラル・ネットワークの変化した形、変化した箇所（ユニット、ネットワーク）、変化の度合いに応じて、心当たりのある観点で更なる詳細なメンテナンスを行うことができる。
例えば、第１時刻ｔ１における第１ニューラル・ネットワーク構成データＮＤ１１’と、第２時刻ｔ２における第１ニューラル・ネットワーク構成データＮＤ１２’とのそれぞれの状態（形）を比較し、ＮＤ１１’に対してＮＤ１２’が大きく変化したことが検出された場合には、何かしらの変動があったものとの推測の下、ニューラル・ネットワークの変化した形、変化した箇所（ユニット、ネットワーク）、変化の度合いに応じて、心当たりのある観点で更なる詳細なメンテナンスを行うことができる。
また、第２時刻ｔ２における第１ニューラル・ネットワーク構成データＮＤ１２’の状態（形）が、何れかの第２ニューラル・ネットワーク構成データＮＤ２’の状態（形）と相似していると認識できる場合には、ＮＤ１１’、ＮＤ１２’及び当該ＮＤ２’の３つのニューラル・ネットワーク構成データを互いに比較することで、経年変化に向かう進行度合いを推測することができ、またそれらの予兆を捉えることができる。
すなわち、ＮＤ１１’とＮＤ１２’との間の類似度をＳ１、ＮＤ１２’とＮＤ２’との類似度をＳ２としたとき、Ｓ２＞Ｓ１のときには、ＮＤ２’を取得する際に模擬運転した試験モードに対応した経年変化が進んでおり、次回の定期メンテナンスまでに予防保全が必要であると診断することもできる。また、Ｓ１及びＳ２の相対的な大小関係を評価することにより、当該経年変化の進行度合い（あまり進行していない、急激に進行した等。）を診断することもできる。
すなわち、ＮＤ１１’とＮＤ１２’との間の類似度をＳ１、ＮＤ１２’とＮＤ２’との類似度をＳ２としたとき、Ｓ２＞Ｓ１のときには、ＮＤ２’を取得する際に模擬運転した試験モードに対応した経年変化が進んでおり、次回の定期メンテナンスまでに予防保全が必要であると診断することもできる。また、Ｓ１及びＳ２の相対的な大小関係を評価することにより、当該経年変化の進行度合い（あまり進行していない、急激に進行した等。）を診断することもできる。
実施形態５に係る電力変換装置の診断方法によれば、診断テンプレートに係るニューラル・ネットワーク構成データＮＤＴ、第１時刻ｔ１における第１ニューラル・ネットワーク構成データＮＤ１１’、及び、第２時刻ｔ２における第１ニューラル・ネットワーク構成データＮＤ１２’に基づき第１電力変換装置１１０の動作状況を診断すること、換言すると、同一実機における異なる時期のニューラル・ネットワークを時系列の変化を捉えて比較・照合して診断することにより、第１電力変換装置１１０を構成する部分の経年変化の進行度合いを推測することができ予防保全に資することができる。
なお、実施形態５に電力変換装置の診断方法は、上記した構成以外は実施形態１に係る電力変換装置の診断方法と同様の構成を有するため、実施形態１に係る電力変換装置の診断方法が有する効果のうち該当する効果をそのまま有する。
なお、図１６においてはマップを用いて診断を行う様子、及び基準データベースを用いて診断を行う様子は記載されていない。しかし、実施形態５においても、マップを用いた診断、並びに、実施形態３及び実施形態４における基準データベースを用いた診断を同様に適用することができ、実施形態２〜４に係る電力変換装置の診断方法が有する効果と同様の効果を有する。
［実施形態６］
本発明に係る電力変換装置の診断方法を実施するシステムの一例を、以下、実施形態６として説明する。
本発明に係る電力変換装置の診断方法を実施するシステムの一例を、以下、実施形態６として説明する。
本発明に係る電力変換装置の診断方法を実施するための電力変換装置の診断システムは、図１７に示すように、実機１００に含まれる第１電力変換装置１１０の動作状況について、ニューラル・ネットワークを用いて診断を行う電力変換装置診断システムであって、（ｉ）第１電力変換装置１１０、（ｉｉ）第１ニューラル・ネットワークを用いて第１ニューラル・ネットワーク構成データの実体を生成する第１ニューラル・ネットワーク構成データ生成部と、第１電力変換装置に関係する物理量を測定して第１測定値を取得し、該第１測定値に基づいて第１ニューラル・ネットワーク構成データを更新することを複数回繰り返して第１学習を行う第１学習部とを含む第１学習装置１２０、及び（ｉｉｉ）外部と少なくとも第１ニューラル・ネットワーク構成データについて通信する通信装置１８０、をそれぞれ有する実機１００と、（ｉｖ）第１電力変換装置１１０と同じ構成を有する第２電力変換装置２１０、並びに、（ｖ）（ａ）第１ニューラル・ネットワークを用いて第ｉ試験モード（ｉは自然数）に係る第２ニューラル・ネットワーク構成データの実体を生成する第２ニューラル・ネットワーク構成データ生成部と、（ｂ）第２電力変換装置を用いて第ｉ試験モードによる模擬運転を行いつつ、第２電力変換装置２１０に関係する物理量を測定して第２測定値を取得し、該第２測定値に基づいて第ｉ試験モードに係る第２ニューラル・ネットワーク構成データを更新することを複数回繰り返して第２学習を行う第２学習部（図１７においては第２学習装置２２０で示す。）と、及び、（ｃ）第２学習が反映された当該第ｉ試験モードに係る第２ニューラル・ネットワーク構成データを基準データベース（基準ＤＢ）に格納する基準データベース格納部（図示せず。）とを、ｉが１からｍ（ｍは２以上の整数）まで、ｉの数を増やしながらｍ回実行して、ｍ個の第２ニューラル・ネットワーク構成データからなる基準データベース（基準ＤＢ）を構築する基準データベース構築部（図示せず。）と、をそれぞれ有する模擬運転装置２００と、（ｖｉ）基準データベースに格納されているｍ個の第２ニューラル・ネットワーク構成データの中から、評価診断を行う試験モードに対応するニューラル・ネットワーク構成データを診断テンプレートに係るニューラル・ネットワーク構成データとして少なくともいずれか１つを選出する基準データベースアクセス部３２０、（ｖｉｉ）外部と少なくとも第１ニューラル・ネットワーク構成データについて通信する通信部３１０、及び、（ｖｉｉｉ）該診断テンプレートに係るニューラル・ネットワーク構成データ及び第１学習が反映された前記第１ニューラル・ネットワーク構成データに基づき第１電力変換装置の動作状況を診断する診断部３３０、をそれぞれ有する評価診断装置３００と、を備えた電力変換装置診断システムである。
評価診断装置３００は、例えばＰＣによって実現してもよい。また、模擬運転装置の一部となっている基準データベース（基準ＤＢ）は、ＰＣの上に構築してもよい。
また、実機１００と評価診断装置３００との間の第１ニューラル・ネットワーク構成データ等の情報のやり取りは、双方の間の直接通信によるものでもよいし、図１７に示すように、中継機器４００を介する通信によってもよい。また、専用回線による通信であってもよいし、図１７においてＣＭＭで示すようにクラウドによるものであってもよい。また、無線によるものであっても有線によるものであってもよい。また、ＣＤ−ＲＯＭ等のメディアを介するやり取りであってもよい。
さらにまた、模擬運転装置２００、評価診断装置３００及び基準データベースは、電力変換装置メーカー側に設けられてもよい。電力変換装置メーカー側で模擬運転及び評価診断を行うことにより、メンテナンスや予防保全に必要な詳細な情報を入手することができ、柔軟性に富んだサービスを顧客に提供することができる。
［実施例］
図１８に示すように、電力変換装置１１０としてバッテリーバックアップ電源装置を用い、当該電力変換装置１１０に対し所定の商用電源、バッテリー及ＢＡＴび負荷Ｌを接続し、これら全体を実機１００として本発明を実施した。
実施例に用いる電力変換装置１１０は、コンセントＣＮＴ１、コンセントＣＮＴ２、端子Ｔ１、端子Ｔ２及び端子Ｔ３を備える。また、当該第１電力変換装置１１０は、交流電源と直流電源との間で相互に電力の変換を行う双方向変換部１１６、当該双方変換部１１６の制御を始めとして第１電力変換装置１１０全体の制御を行いつつ、第１ニューラル・ネットワーク構成データＮＤ１、実機学習ステップを実行するためのプログラム等を保持し、当該プログラムを実行するマイコン部１１２、測定される物理量として外部から入力されたアナログ信号をデジタル信号に変換するＡ／Ｄ部１１４、外部との間で通信等を行う外部インターフェース部（外部Ｉ／Ｆ部１１５）、並びに、商用電源と負荷Ｌと双方向変換部１１６との間の接続／非接続を制御するスイッチＳ１及びスイッチＳ２を備える。
双方向変換部１１６は、交流電源を直流電源に変換しバッテリーＢＡＴを充電する電力を供給するコンバーター回路１１３ａ、及び、直流電源を交流電源に変換しバッテリーＬから放電された電力を負荷Ｌに供給するインバーター回路１１３ｂを有する。
実施例では、ＣＮＴ１に商用電源（ＡＣ１００Ｖ、単相）を、ＣＮＴ２に所定の負荷（電気製品）を、Ｔ１には所定のバッテリーＢＡＴを、Ｔ２には該バッテリーＢＡＴの近傍にセンサー部を配置した温度検出器ＴＨを、それぞれ接続した。
図１８に示すように、電力変換装置１１０としてバッテリーバックアップ電源装置を用い、当該電力変換装置１１０に対し所定の商用電源、バッテリー及ＢＡＴび負荷Ｌを接続し、これら全体を実機１００として本発明を実施した。
実施例に用いる電力変換装置１１０は、コンセントＣＮＴ１、コンセントＣＮＴ２、端子Ｔ１、端子Ｔ２及び端子Ｔ３を備える。また、当該第１電力変換装置１１０は、交流電源と直流電源との間で相互に電力の変換を行う双方向変換部１１６、当該双方変換部１１６の制御を始めとして第１電力変換装置１１０全体の制御を行いつつ、第１ニューラル・ネットワーク構成データＮＤ１、実機学習ステップを実行するためのプログラム等を保持し、当該プログラムを実行するマイコン部１１２、測定される物理量として外部から入力されたアナログ信号をデジタル信号に変換するＡ／Ｄ部１１４、外部との間で通信等を行う外部インターフェース部（外部Ｉ／Ｆ部１１５）、並びに、商用電源と負荷Ｌと双方向変換部１１６との間の接続／非接続を制御するスイッチＳ１及びスイッチＳ２を備える。
双方向変換部１１６は、交流電源を直流電源に変換しバッテリーＢＡＴを充電する電力を供給するコンバーター回路１１３ａ、及び、直流電源を交流電源に変換しバッテリーＬから放電された電力を負荷Ｌに供給するインバーター回路１１３ｂを有する。
実施例では、ＣＮＴ１に商用電源（ＡＣ１００Ｖ、単相）を、ＣＮＴ２に所定の負荷（電気製品）を、Ｔ１には所定のバッテリーＢＡＴを、Ｔ２には該バッテリーＢＡＴの近傍にセンサー部を配置した温度検出器ＴＨを、それぞれ接続した。
第１ニューラル・ネットワークＮＮ１は、図１９に示すような、入力層（５個のユニット）、２個の中間層（それぞれ４個のユニット）、及び出力層（２個のユニット）からなる階層構造型のニューラル・ネットワークを基本アーキテクチャとし、バッテリーＢＡＴの電圧及び電流、負荷Ｌの電圧及び電流、並びに、バッテリーＢＡＴの温度を入力因子とするユニットによって入力層を構成し、かつ、バッテリーＢＡＴの放電時間及び充電時間を出力因子とするユニットによって出力層を構成した。伝達関数はシグモイド関数を用いた。
第１電力変換装置１１０に関係する物理量としては、上記入力因子及び出力因子に対応して、バッテリーＢＡＴの電圧及び電流、負荷Ｌの電圧及び電流、バッテリーＢＡＴの温度、並びに、バッテリーＢＡＴの放電時間及び充電時間を採用した。このうち、バッテリーＢＡＴの電圧及び電流、負荷Ｌの電圧及び電流、並びにバッテリーＢＡＴの温度の物理量は実際に測定して得た値を「第１測定値」とし、また、バッテリーＢＡＴの放電時間及び充電時間はマイコンのプログラムが把握している放電時間及び充電時間を「第１測定値」とみなし、これらの「第１測定値」を正規化した上で第１ニューラル・ネットワークＮＮ１に適用した。
第１ニューラル・ネットワーク構成データＮＤ１は、上記基本アーキテクチャに対応したデータ構造として定義して、マイコン部１１２の上のソフトウェアとして実装した（図示せず。）。同様に、実機学習ステップＳ１００を実施するためのアルゴリズムを含むプログラムをマイコン部１１２の上のソフトウェアとして実装した（図示せず。）。学習は、バッテリーＢＡＴの充電時間及び放電時間を教師信号とした誤差逆伝搬法を用いて行った。
実機１００において、夏季の酷暑の環境下において負荷（電気製品）の連続運転をさせつつ、所定の期間（少なくとも１週間以上の間）バッテリーに電力が充電されるタイミング及び逆にバッテリーから電力が放電されるタイミングで第１学習を行い、第１ニューラル・ネットワーク構成データＮＤ１’を得た。
一方、模擬運転装置側には、第１電力変換装置１１０と同じ構成を有する第２電力変換装置２１０を用いた（図示しない。）。実機１００側と同様に、第１ニューラル・ネットワークＮＮ１の基本アーキテクチャに基づいた第２ニューラル・ネットワーク構成データＮＤ２と、基準データベース構築ステップＳ４００を実施するためのアルゴリズムを含むプログラムを第２電力変換装置２１０に搭載されたマイコン部の上のソフトウェアとして実装した。学習は第１学習と同様の手法で行った。
また、第２電力変換装置２１０に対して実際の実機１００と同様な運転環境、入出力等を提供することができる模擬環境提供治具（図示しない。）を用いた。模擬環境提供治具は、バッテリーＢＡＴ及び負荷Ｌに対し、充電及び放電を繰り返しできるような回路で構成し、また、バッテリーＢＡＴの条件は直流電源（図示しない。）などを使用して変動できるようにした。
また、第２電力変換装置２１０に対して実際の実機１００と同様な運転環境、入出力等を提供することができる模擬環境提供治具（図示しない。）を用いた。模擬環境提供治具は、バッテリーＢＡＴ及び負荷Ｌに対し、充電及び放電を繰り返しできるような回路で構成し、また、バッテリーＢＡＴの条件は直流電源（図示しない。）などを使用して変動できるようにした。
次の各試験モードの下で模擬運転を行ってそれぞれ第２学習を行い、第２学習が反映された複数の第２ニューラル・ネットワーク構成データＮＤ２’を得て基準データベースを構築した。
（第１試験モード）ややストレスを掛ける試験モード
バッテリーへの充電と放電の切り替えを通常よりも頻繁に行った。
（第２試験モード）経年劣化を助長させる試験モード
環境温度を規格一杯の高温に設定し、入出力に対し電圧及び電流を規格の幅一杯に振って入出力させた。
（第３試験モード）通常の運転条件による運転を行う試験モード
（第１試験モード）ややストレスを掛ける試験モード
バッテリーへの充電と放電の切り替えを通常よりも頻繁に行った。
（第２試験モード）経年劣化を助長させる試験モード
環境温度を規格一杯の高温に設定し、入出力に対し電圧及び電流を規格の幅一杯に振って入出力させた。
（第３試験モード）通常の運転条件による運転を行う試験モード
次に、マップによる比較・照合を説明する。
なお、実際の学習は図１９に示したニューラル・ネットワーク（入力層に５個のユニット、出力層に２個のユニット）で行ったが、評価診断ステップＳ３００においては、比較・照合を簡便化し説明を容易するため、仮に、図２０で示した基本アーキテクチャ（入力層に３個のユニット、出力層に１個のユニット）に丸め込んだコンパクトな形のマップで評価診断の説明を行う。
なお、実際の学習は図１９に示したニューラル・ネットワーク（入力層に５個のユニット、出力層に２個のユニット）で行ったが、評価診断ステップＳ３００においては、比較・照合を簡便化し説明を容易するため、仮に、図２０で示した基本アーキテクチャ（入力層に３個のユニット、出力層に１個のユニット）に丸め込んだコンパクトな形のマップで評価診断の説明を行う。
実機１００における実機学習ステップＳ１００によって形成された第１ニューラル・ネットワークのマップの形は、図２１（ａ）に示すようなＭＡＰ１となった。
一方、模擬運転装置２００における模擬運転学習ステップＳ２００によって形成された第１試験モード、第２試験モード及び第３試験モードに対応した第２ニューラル・ネットワークのマップの形は、それぞれ、図２１（ｂ）、図２１（ｃ）及び図２３（ｄ）に示すようなＭＡＰ２１、ＭＡＰ２２及びＭＡＰ２３となった。
一方、模擬運転装置２００における模擬運転学習ステップＳ２００によって形成された第１試験モード、第２試験モード及び第３試験モードに対応した第２ニューラル・ネットワークのマップの形は、それぞれ、図２１（ｂ）、図２１（ｃ）及び図２３（ｄ）に示すようなＭＡＰ２１、ＭＡＰ２２及びＭＡＰ２３となった。
実機１００側の第１マップＭＡＰ１《図２１（ａ）》では入力層の上から１番目のユニットが相対的に大きく、他のユニットは相対的に小さく他のユニットはほぼ同様の小ささであると把握することができる。また、第２中間層の上から３番目及び４番目のユニットが比較的大きくなっている。これらの特徴に最も近い特徴を有している（最も近い形をしている）模擬運転装置２００側の第２マップは、ＭＡＰ２２《図２１（ｃ）》である。すなわち、基準データベースに格納されている３個の第２ニューラル・ネットワーク構成データに基づく第２マップのうち、第１マップＭＡＰ１の形と、最も類似度が最も高いマップは、ＭＡＰ２２である。したがって、当該第１電力変換装置１１０は、第２試験モード（経年劣化を助長させる試験モード）と類似した動作状況であったものと推定することができる。
以上の実施例からも分るように、本発明の電力変換装置の診断方法によれば、実機１００の第１電力変換装置１１０における過去の「動作状況」に関する情報を、第１ニューラル・ネットワーク構成データＮＤ１’として入手することができ、これに基づいて当該実機１００に搭載された第１電力変換装置１１０の「動作状況」を可視化して把握することができ、実機毎の事情に即した診断を行うことができることを確認した。
以上、本発明を上記の各実施形態に基づいて説明したが、本発明は上記の各実施形態に限定されるものではない。その趣旨を逸脱しない範囲において種々の態様において実施することが可能であり、例えば、次のような変形も可能である。
（１）実施形態１〜６において記載した適用対象、構成要素の実現の仕方、学習又は診断が実施される場所、学習回数等の数、等は例示であり、本発明の効果を損なわない範囲において変更することが可能である。
（２）実施形態１〜６においては、第１ニューラル・ネットワークの入力因子又は出力因子として、バッテリー及び負荷に関係する諸物理量を念頭に置いて説明をしてきたが、これに限られるものではない。これらとは異なる物理量を入力因子又は出力因子として適用することもできる。また、各実施形態で説明した第１ニューラル・ネットワークとは異なる基本アーキテクチャを用いることもできる。
（３）実施形態１〜６において、実機学習ステップが実行されるソフトウェアは、第１電力変換装置１１０の内部に搭載されたマイコンのＣＰＵ上に実装されている構成を念頭に置いて説明してきたが、これに限られるものではない。実機１００又は第１電力変換装置１１０の運転に合わせて適宜第１学習が行われるものであれば、当該ソフトウェアは、第１電力変換装置１１０の内部ではなく、その外部のコンピューター上に実装されてもよい。例えば、実機１００に設けられた別のコンピューター上に実装されているものでもよいし、実機１００の外部に設けられたコンピューター上に実装されているものでもよい。このように外部に設けられたコンピューターが実機学習ステップの実行を行うことにより電力変換装置１１０に搭載されたマイコンの処理負担を軽減することができる。
（４）実施形態１〜６において、第１学習工程Ｓ１２０を行うタイミングとして、バッテリーに電力が充電されるタイミング、逆にバッテリーから電力が放電されるタイミングを例に挙げて説明してきたが、これに限られるものではない。接続した負荷（電気設備、電気製品等）への電源投入、電源断のタイミングなどに特に集中的に学習を行うこともできる。これらのタイミングは、電力変換装置を構成する各種回路にストレスが掛かるタイミングであることから、メンテナンス又は予防保全に資する効果的な学習をすることが期待できる。
（５）実施形態１〜６においては、一の第１電力変換装置に対し、一のニューラル・ネットワークＮＮ１を構成して第１学習を行う構成を説明してきたが、これに限られるものではない。
例えば、工場向けの電源バックアップシステム、発電所の電力管理システム等比較的大規模なシステムを想定した場合には、一の大規模な第１電力変換装置１１０に対し、比較的小規模のアーキテクチャをもつニューラル・ネットワークを複数個導入しそれぞれについて第１学習させ、評価診断ステップＳ３００においては、これらの複数のニューラル・ネットワークに対応付けられたそれぞれの第１ニューラル・ネットワーク構成データを吸い上げて、それらを総合的に把握して評価診断を行うこととしてもよい。このような比較的小規模のニューラル・ネットワークであれば、第１学習の収束が早くなることが期待できる。また、第１電力変換装置１１０における学習（演算）の負荷が小さくなり、第１電力変換装置１１０に搭載されたコンピューターのＣＰＵ資源を多大に確保する必要がない。
逆に、複数の第１電力変換装置１１０によって一の大規模な実機１００を構成する場合も考えられるが、この場合には、それぞれの第１電力変換装置１１０について実施形態１〜６に係る電力変換装置の診断方法を適用して学習、評価及び診断を行い、これらの複数の診断結果を総合的に評価診断することもできる。
例えば、工場向けの電源バックアップシステム、発電所の電力管理システム等比較的大規模なシステムを想定した場合には、一の大規模な第１電力変換装置１１０に対し、比較的小規模のアーキテクチャをもつニューラル・ネットワークを複数個導入しそれぞれについて第１学習させ、評価診断ステップＳ３００においては、これらの複数のニューラル・ネットワークに対応付けられたそれぞれの第１ニューラル・ネットワーク構成データを吸い上げて、それらを総合的に把握して評価診断を行うこととしてもよい。このような比較的小規模のニューラル・ネットワークであれば、第１学習の収束が早くなることが期待できる。また、第１電力変換装置１１０における学習（演算）の負荷が小さくなり、第１電力変換装置１１０に搭載されたコンピューターのＣＰＵ資源を多大に確保する必要がない。
逆に、複数の第１電力変換装置１１０によって一の大規模な実機１００を構成する場合も考えられるが、この場合には、それぞれの第１電力変換装置１１０について実施形態１〜６に係る電力変換装置の診断方法を適用して学習、評価及び診断を行い、これらの複数の診断結果を総合的に評価診断することもできる。
（６）実施形態１〜６において電力変換装置１１０は、家庭用蓄電池システム、非常用電源、パワーコンディショナー等を念頭に置いて説明をしたが、これらに限られるものではない。実施形態１〜６に係る電力変換装置の診断方法は、産業用、家庭用、運輸用等の電力変換装置の全般に適用することができる。
１００…実機、１１０…第１電力変換装置、１１２…マイコン部、１１３ａ…コンバーター回路、１１３ｂ…インバーター回路、１１４…Ａ／Ｄ部、１１５…外部インターフェース部（外部Ｉ／Ｆ部）、１１６…双方向変換部、１２０…第１学習装置、１８０…通信装置、２００…模擬運転装置、２１０…第２電力変換装置、３００…評価診断装置、３１０…通信部、３２０…基準データベースアクセス部、３３０…診断部、４００…中継機器、９１０…二次電池特性評価装置、９３０…二次電池搭載装置、ＢＡＴ…バッテリー、Ｌ…負荷、ＴＨ…温度検出器
Claims (9)
- 第１電力変換装置の動作状況について、ニューラル・ネットワークを用いて診断を行う電力変換装置の診断方法であって、
第１ニューラル・ネットワークを用いて第１ニューラル・ネットワーク構成データの実体を生成する第１ニューラル・ネットワーク構成データ生成工程と、前記第１電力変換装置に関係する物理量を測定して第１測定値を取得し、該第１測定値に基づいて前記第１ニューラル・ネットワーク構成データを更新することを複数回繰り返して第１学習を行う第１学習工程と、を含む実機学習ステップと、
前記第１ニューラル・ネットワークを用いて第２ニューラル・ネットワーク構成データの実体を生成する第２ニューラル・ネットワーク構成データ生成工程と、前記第１電力変換装置と同じ構成を有する第２電力変換装置の模擬運転を行いつつ、前記第２電力変換装置に関係する物理量を測定して第２測定値を取得し、該第２測定値に基づいて前記第２ニューラル・ネットワーク構成データを更新することを複数回繰り返して第２学習を行う第２学習工程と、を含む模擬運転学習ステップと、
前記第２学習が反映された前記第２ニューラル・ネットワーク構成データを診断テンプレートに係るニューラル・ネットワーク構成データとして、該診断テンプレートに係るニューラル・ネットワーク構成データ及び前記第１学習が反映された前記第１ニューラル・ネットワーク構成データに基づき前記第１電力変換装置の動作状況を診断する診断工程を含む評価診断ステップと、を有することを特徴とする電力変換装置の診断方法。 - 第１電力変換装置の動作状況について、ニューラル・ネットワークを用いて診断を行う電力変換装置の診断方法であって、
第１ニューラル・ネットワークを用いて第１ニューラル・ネットワーク構成データの実体を生成する第１ニューラル・ネットワーク構成データ生成工程と、前記第１電力変換装置に関係する物理量を測定して第１測定値を取得し、該第１測定値に基づいて前記第１ニューラル・ネットワーク構成データを更新することを複数回繰り返して第１学習を行う第１学習工程と、を含む実機学習ステップと、
（ａ）前記第１ニューラル・ネットワークを用いて第ｉ試験モード（ｉは自然数）に係る第２ニューラル・ネットワーク構成データの実体を生成する第２ニューラル・ネットワーク構成データ生成工程と、（ｂ）前記第１電力変換装置と同じ構成を有する第２電力変換装置を用いて前記第ｉ試験モードによる模擬運転を行いつつ、前記第２電力変換装置に関係する物理量を測定して第２測定値を取得し、該第２測定値に基づいて前記第ｉ試験モードに係る第２ニューラル・ネットワーク構成データを更新することを複数回繰り返して第２学習を行う第２学習工程と、及び、（ｃ）前記第２学習が反映された当該第ｉ試験モードに係る第２ニューラル・ネットワーク構成データを基準データベースに格納する基準データベース格納工程とを、ｉが１からｍ（ｍは２以上の整数）まで、ｉの数を増やしながらｍ回実行して、ｍ個の前記第２ニューラル・ネットワーク構成データからなる前記基準データベースを構築する基準データベース構築ステップと、
前記基準データベースに格納されているｍ個の前記第２ニューラル・ネットワーク構成データの中から、評価診断を行う試験モードに対応するニューラル・ネットワーク構成データを診断テンプレートに係るニューラル・ネットワーク構成データとして少なくともいずれか１つを選出する診断テンプレート選出工程と、該診断テンプレートに係るニューラル・ネットワーク構成データ及び前記第１学習が反映された前記第１ニューラル・ネットワーク構成データに基づき前記第１電力変換装置の動作状況を診断する診断工程と、を含む評価診断ステップと、を有することを特徴とする電力変換装置の診断方法。 - 請求項２に記載の電力変換装置の診断方法において、
前記評価診断ステップにあっては、請求項２に記載の前記診断テンプレート選出工程に替えて、前記基準データベースに格納されているｍ個の前記第２ニューラル・ネットワーク構成データのうち当該診断にふさわしい前記第２ニューラル・ネットワーク構成データをｎ個選出し（ｎは２以上の整数、かつ、ｎ≦ｍ）、該ｎ個の前記第２ニューラル・ネットワーク構成データの中から、評価診断を行う試験モードに対応するニューラル・ネットワーク構成データを診断テンプレートに係るニューラル・ネットワーク構成データとして少なくともいずれか１つを選出する第２の診断テンプレート選出工程を含むことを特徴とする電力変換装置の診断方法。 - 請求項１〜３いずれかに記載の電力変換装置の診断方法において、
前記ニューラル・ネットワークとして、入力層、１つ以上の中間層及び出力層を有する階層構造型のニューラル・ネットワークを用い、
前記第１学習工程及び前記第２学習工程においては、誤差逆伝搬法によって前記第１学習及び前記第２学習を行うことを特徴とする電力変換装置の診断方法。 - 請求項１〜４のいずれかに記載の電力変換装置の診断方法において、
前記診断工程にあっては、
前記第１学習が反映された前記第１ニューラル・ネットワーク構成データに基づき第１マップを作成し、前記診断テンプレートに係るニューラル・ネットワーク構成データに基づき第２マップを作成し、前記第１マップのパターンと前記第２マップのパターンとを比較又は照合してパターンの類似度を評価し、該類似度に応じて前記第１電力変換装置の動作状況を診断することを特徴とする電力変換装置の診断方法。 - 請求項１〜５のいずれかに記載の電力変換装置の診断方法において、
前記第１電力変換装置には、少なくともインバーター回路が含まれ、少なくともバッテリー及び負荷が接続されることを特徴とする電力変換装置の診断方法。 - 請求項６に記載の電力変換装置の診断方法において、
前記第１ニューラル・ネットワークにおいては、前記バッテリーの電圧及び電流、前記負荷の電圧及び電流、並びに、前記バッテリーの温度又は前記第１電力変換装置の温度を入力因子とするユニットによって入力層を構成し、かつ、前記バッテリーの放電時間及び充電時間を出力因子とするユニットによって出力層を構成することを特徴とする電力変換装置の診断方法。 - 請求項１〜７のいずれかに記載の電力変換装置の診断方法において、
前記第２電力変換装置の前記模擬運転には、前記第２電力変換装置に対してストレスを掛ける試験モードの下での運転が含まれることを特徴とする電力変換装置の診断方法。 - 請求項１〜８のいずれかに記載の電力変換装置の診断方法において、
前記実機学習ステップにあっては、
前記第１電力変換装置における前記第１学習が進んだ第１時刻における前記第１ニューラル・ネットワーク構成データを取得して時間情報に関連付けながら保持し、更に前記第１学習が進んだ、前記第１時刻よりも後の第２時刻における前記第１ニューラル・ネットワーク構成データを取得して時間情報に関連付けながら保持し、
前記評価診断ステップにあっては、
前記診断テンプレートに係るニューラル・ネットワーク構成データ、前記第１時刻における前記第１ニューラル・ネットワーク構成データ、及び、前記第２時刻における前記第１ニューラル・ネットワーク構成データに基づき前記第１電力変換装置の動作状況を診断することを特徴とする電力変換装置の診断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2016082547A JP6569985B2 (ja) | 2016-04-17 | 2016-04-17 | 電力変換装置の診断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2016082547A JP6569985B2 (ja) | 2016-04-17 | 2016-04-17 | 電力変換装置の診断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2017192277A JP2017192277A (ja) | 2017-10-19 |
| JP6569985B2 true JP6569985B2 (ja) | 2019-09-04 |
Family
ID=60085143
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2016082547A Active JP6569985B2 (ja) | 2016-04-17 | 2016-04-17 | 電力変換装置の診断方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6569985B2 (ja) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102097442B1 (ko) * | 2018-03-27 | 2020-04-06 | 주식회사 제니스텍 | 전력 계통 운용을 위한 상호작용형 실시간 제어 및 진단 시스템 업데이트 방법 및 장치 |
| KR102141677B1 (ko) * | 2018-06-28 | 2020-08-05 | 한국남동발전 주식회사 | 발전소 고장 예측 및 진단시스템의 학습모델을 위한 학습데이터 생성장치 및 방법 |
| JP7074166B2 (ja) * | 2020-08-07 | 2022-05-24 | トヨタ自動車株式会社 | サーバ、車両の制御装置、および車両の機械学習システム |
| CN113092899B (zh) * | 2021-03-25 | 2022-06-10 | 国网湖南省电力有限公司 | 变压器电气故障识别方法、系统、终端以及可读存储介质 |
| KR102633335B1 (ko) * | 2021-06-03 | 2024-02-05 | 주식회사 네오윌 | 리튬이온 배터리팩의 비정상 셀 검출 및 soh 예측 방법 |
| US12073668B1 (en) | 2023-06-08 | 2024-08-27 | Mercedes-Benz Group AG | Machine-learned models for electric vehicle component health monitoring |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2997571B2 (ja) * | 1991-07-10 | 2000-01-11 | 三菱電機株式会社 | 監視診断装置 |
| JPH05272994A (ja) * | 1992-03-26 | 1993-10-22 | Mitsubishi Heavy Ind Ltd | 状態検出装置 |
-
2016
- 2016-04-17 JP JP2016082547A patent/JP6569985B2/ja active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2017192277A (ja) | 2017-10-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6569985B2 (ja) | 電力変換装置の診断方法 | |
| Zheng et al. | A novel equivalent model of active distribution networks based on LSTM | |
| Golmohammadi | Neural network application for fuzzy multi-criteria decision making problems | |
| Flores et al. | Evolutive design of ARMA and ANN models for time series forecasting | |
| Zhang et al. | Intelligent state of charge estimation of battery pack based on particle swarm optimization algorithm improved radical basis function neural network | |
| Yang et al. | A comparison between extreme learning machine and artificial neural network for remaining useful life prediction | |
| JP7271216B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
| TWI540533B (zh) | 智慧型短期電力發電量預測方法 | |
| CN104238546B (zh) | 基于混杂神经网络的直流主设备故障诊断方法 | |
| CN106295877B (zh) | 一种智能电网电能使用量预测方法 | |
| CN111537884A (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
| CN115409317A (zh) | 基于特征选择和机器学习的台区线损检测方法及装置 | |
| Yan et al. | Scheduling post-disaster power system repair with incomplete failure information: A learning-to-rank approach | |
| JP6569986B2 (ja) | 電力変換装置の制御方法 | |
| CN117934037A (zh) | 基于esn深度学习的出清电价的预测方法、装置及存储介质 | |
| CN117892611A (zh) | 基于时空图神经网络的中压配电网伪量测生成方法及装置 | |
| Jamshidi et al. | Using artificial neural networks and system identification methods for electricity price modeling | |
| Lin et al. | Hpt-rl: Calibrating power system models based on hierarchical parameter tuning and reinforcement learning | |
| JP7212292B2 (ja) | 学習装置、学習方法および学習プログラム | |
| CN115754875B (zh) | 一种电压互感器误差评估方法及装置 | |
| CN115511016A (zh) | 一种基于增量主动学习的电费异常检测方法及其装置 | |
| Tee et al. | Short-term load forecasting using artificial neural networks | |
| Xu et al. | Application of GMDH to short-term load forecasting | |
| CN115841580A (zh) | 一种基于标记分布的轴承剩余使用寿命预测方法 | |
| CN115856641A (zh) | 一种电池剩余充电时间预测方法、装置及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180903 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190626 |
|
| 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: 20190709 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190726 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6569985 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |