JP7485494B2 - モータの状態を監視する方法、デバイス、及びシステム - Google Patents

モータの状態を監視する方法、デバイス、及びシステム Download PDF

Info

Publication number
JP7485494B2
JP7485494B2 JP2023550750A JP2023550750A JP7485494B2 JP 7485494 B2 JP7485494 B2 JP 7485494B2 JP 2023550750 A JP2023550750 A JP 2023550750A JP 2023550750 A JP2023550750 A JP 2023550750A JP 7485494 B2 JP7485494 B2 JP 7485494B2
Authority
JP
Japan
Prior art keywords
motor
fault
envelope
pattern
signal
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
Application number
JP2023550750A
Other languages
English (en)
Other versions
JP2023548437A (ja
Inventor
ボワイエ、ニコラ
ロイコ、アンドレア
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric R&D Centre Europe BV Netherlands
Original Assignee
Mitsubishi Electric R&D Centre Europe BV Netherlands
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Mitsubishi Electric R&D Centre Europe BV Netherlands filed Critical Mitsubishi Electric R&D Centre Europe BV Netherlands
Publication of JP2023548437A publication Critical patent/JP2023548437A/ja
Application granted granted Critical
Publication of JP7485494B2 publication Critical patent/JP7485494B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/175—Indicating the instants of passage of current or voltage through a given value, e.g. passage through zero
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
    • G01R31/3277—Testing of circuit interrupters, switches or circuit-breakers of low voltage devices, e.g. domestic or industrial devices, such as motor protections, relays, rotation switches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Control Of Electric Motors In General (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Description

本発明は、包括的には、モータの状態を監視する方法及びデバイスに関する。
モータの状態監視は、産業界の重要な話題である。従来、モータの状態監視は、外部センサを使用して測定されるモータ電流又は振動のスペクトル解析によって行われている。
文献における主な手法は、高速フーリエ変換（ＦＦＴ）を使用するモータ電流のスペクトル解析である。モータ電流徴候解析（ＭＣＳＡ）法は、所定の周波数ロケーションにおいて周波数スパイクのレベルを検出し、比較によって各故障モードに関連付けられた故障レベルを確立する。スパイク周波数と基本周波数との間の関係は、モータの故障タイプ及びパラメータとともに変化する。スパイクレベルは、故障の深刻度に比例し、モータの動作点によっても変化する。
いくつかのモータは、例えば、処理能力、周波数動作、メモリ及び記憶容量が限られているインバータのような電源によって駆動される。これらの電源については、電源の全体的な性能を高めることなく高速フーリエ変換処理を実施することは可能でない。
電源は、どのような種類のモータにも接続することができる。そのため、詳細なモータ設計の知識がない場合には、スペクトル解析を求めることは困難である。したがって、スペクトル解析は、任意の可能性のあるモータタイプに調整しなければならない。
スパイク高調波は、モータの動作点、モータの駆動に使用される電流波形によって変化する。そのため、任意のタイプのモータの状態監視を可能にする包括的な解析式を確立することは困難である。
本発明は、例えば、高速フーリエ変換を使用するような複雑な周波数信号処理を使用することなく、任意のタイプのモータで動作可能である、モータの状態を監視する方法を提供することを目的とする。
そのために、本発明は、モータの状態を監視する方法であって、モータは、信号をモータに提供する電源によって駆動され、方法は、
モータ信号を検知するステップと、
モータの動作状態を検出するステップと、
モータが所定の状態で動作している場合には、
検知された信号のゼロクロスの時点を検出するステップと、
２つのゼロクロス時点の間の時間を求めるステップと、
推定された包絡線のパターンを取得するために、求められた時間の複数の包絡線を推定するステップであって、各包絡線は、複数の求められた時間にわたって求められる、ステップと、
モータの動作状態及び包絡線のパターンから、モータが故障を有するか否か及び／又は故障のレベルを判断するステップと、
を含むことを特徴とする、方法に関する。
本発明はまた、モータの状態を監視するデバイスであって、モータは、信号をモータに提供する電源によって駆動され、デバイスは、
モータ信号を検知する手段と、
モータの動作状態を検出する手段と、
モータが所定の状態で動作している場合には、
検知された信号のゼロクロスの時点を検出する手段と、
２つのゼロクロス時点の間の時間を求める手段と、
包絡線のパターンを取得するために、求められた時間の複数の包絡線を推定する手段であって、各包絡線は、複数の求められた時間にわたって求められる、推定する手段と、
モータの動作状態及び包絡線のパターンから、モータが故障を有するか否か及び／又は故障のレベルを判断する手段と、
を備えることを特徴とする、デバイスに関する。
本発明はまた、モータの状態を監視するシステムであって、モータは、信号をモータに提供する電力源によって駆動され、システムは、
モータの状態を監視するデバイスに含まれる、モータ信号を検知する手段と、
モータの状態を監視するデバイスに含まれる、モータの動作状態を検出する手段と、
モータが所定の状態で動作している場合には、
モータの状態を監視するデバイスに含まれる、検知された信号のゼロクロスの時点を検出する手段と、
モータの状態を監視するデバイスに含まれる、２つのゼロクロス時点の間の時間間隔を求める手段と、
モータの状態を監視するデバイスに含まれる、包絡線のパターンを取得するために求められた時間間隔の複数の包絡線を推定する手段であって、各包絡線は、複数の求められた時間間隔にわたって求められる、推定する手段と、
モータの状態を監視するデバイスに含まれる、推定された包絡線と、モータの動作状態と、モータを識別する情報とを通信ネットワークを通じてサーバに転送する手段と、
サーバに含まれる、モータが故障を有するか否か及び／又は故障のレベルを判断する手段と、
を備えることを特徴とする、システムに関する。
したがって、パターンは、所定の状態下で求められるので、モータが故障を有するか否か及び／又は故障のレベルは、モータの所定の動作状態及び包絡線のパターンから判断することができる。
パターンは少数の包絡線点からなり、従来の方法において必要とされるデータ記憶リソースと比較して、必要とされる記憶リソースは非常に少なく、パターンをサーバに送信するには、非常に限られた通信帯域幅しか必要としない。
包絡線点の数が少ないにもかかわらず、各包絡線点が多数の時間から構築されているので、パターンは、比較的大きな継続時間のウィンドーをカバーする。各時間は、検知された信号値から求められるので、１つの包絡線点は、通常、２つの連続する信号値の間の時間よりもはるかに長い信号の継続時間をカバーする。包絡線点の検出によって、データの量は効果的に削減され、その結果、ストレージ要件及び通信要件は削減される。
本発明による情報の大幅な削減にもかかわらず、包絡線点のパターンには、引き続き、電源のパルス幅変調動作に起因する基本周波数及び高周波数の電流信号に重畳される少なくとも１つの周波数スパイクの存在に起因する情報が含まれる。
パターンは、アンダーサンプリングに起因するそのような信号の間のクロストークによる影響を受ける。クロストークが存在することによって、包絡線の低周波数振動が生成され、高サンプリングを必要とすることなく包絡線を検出することができる。
ゼロ電流タイミング間隔は、検知された信号の様々な周波数成分の重畳による影響を受ける。
特定の特徴によれば、モータが故障を有するか否か及び／又は故障のレベルを判断するステップは、同じ所定の動作状態を有する包絡線のパターンが記憶されている場合には、推定された包絡線のパターンを、同じ所定の動作状態を有する記憶された包絡線のパターンと比較することによって実行される。
したがって、測定されたパターン及び基準パターンは、同じ動作状態下で収集されるので比較可能である。パターン間の相違は、故障の存在を反映するとともに、故障のレベルも反映する。
特定の特徴によれば、本方法は、同じ所定の動作状態を有する包絡線のパターンが記憶されていない場合には、推定された包絡線のパターンを記憶するステップを更に含む。
したがって、新たなモータのセットアップ時に、本方法は、様々な所定の状態において或る基準パターンを確立することができる。後に、故障が存在する場合には、この基準パターンと測定された新たなパターンとを比較することができ、この比較から、故障及び／又は故障レベルを判断することができる。本発明は、既知の故障状態におけるパターンを取得するために、試験セットアップの複雑な設定を必要としない。本発明は、モータの設計の事前知識なしで、プラグアンドプレイ方式で動作することができる。
特定の特徴によれば、モータが故障を有するか否か及び／又は故障のレベルを判断するステップは、ニューラルネットワークを使用して実行され、ニューラルネットワークによって使用される荷重は、サーバによって受信される。
したがって、測定されたパターンは、１つの基準パターンだけでなく、様々な動作状態における多くのパターンとも比較される。ニューラルネットワークが既知の故障状態（故障タイプ及び故障レベル）下で測定されたパターンを用いてトレーニングされるとき、ニューラルネットワークは、トレーニングに使用されたパターンに関するセットによってカバーされない動作状態で測定されたパターンからも、故障タイプ及び故障の存在を予測することができる。本発明を使用すると、故障信頼できる故障の検出を実施するのに必要となるパターンの数を削減することができる。
ニューラルネットワークは、非常にロバストであり、測定されたパターンの形状から故障タイプ及び故障レベルの特徴付けに関する工学技術を必要としない。ニューラルネットワークは、測定されたパターンと故障タイプ及び故障レベルとの間に明確な解析的関係がなくても、故障の有無および故障のレベルが異なる既知のシーケンスに関して正しい判定を提供するようにトレーニングされる。
所与のモータに関する故障解析判定は、他の同様のモータ及び同様の動作状態において実現されるパターンの解析によって援助される。
ニューラルネットワークは、既知の故障タイプ及び故障レベルの有無を問わず、測定された所定の動作状態において、他の所定の状態において推定された他のパターンと比較することができる。他の所定の動作状態及び既知の故障レベルと組み合わされた他のパターンは、通常、ニューラルネットワークをトレーニングするのに使用される。トレーニングは、遠隔のサーバにおいて実現され、モータの状態を監視するデバイスにおいて実現される必要はない。
ニューラルネットワークのトレーニング後、ニューラルネットワークの荷重は、モータの状態を監視するデバイスによって受信される。モータの状態を監視するデバイスは、推定されたパターン及び所定の動作状態から判定を行うことができる。この判定は、完全に分散化され、ロバストである。本方法は、使用する計算、メモリ使用量、通信帯域幅が非常に限られているときに効果的である。
故障の存在は、所定の動作状態下で測定されたパターンがないときであっても、近傍の所定の動作状態から判断することができる。
さらに、ニューラルネットワークは、機械の設計の詳細が不明であっても、推定されたパターンから故障のレベルを判断することができる。故障スパイク周波数、基本周波数、及びパルス幅変調周波数の間のクロストークによって引き起こされる故障の徴候は、ニューラルネットワークが、他の近傍の所定の動作状態における既知の故障タイプ及び故障レベルを有するパターンを用いて、所定の動作状態における推定されたパターンの距離を最小にするので、故障タイプ及び故障レベルに自動的に関連付けられる。
特定の特徴によれば、本方法は、モータの状態を監視するデバイスによって実行される。
したがって、モータの状態を監視するデバイスは、外部デバイスから支援を受けることなく故障を検出することができる。本発明は、外部処理ユニットとの通信を必要とせず、故障は、モータの位置する場所において局所的に検出及び位置特定することができる。本発明は、それゆえに、分散化され、ロバストである。
特定の特徴によれば、モータ信号を検知するステップと、モータの所定の動作状態を検出するステップと、検知された信号のゼロクロスの時点を検出するステップと、２つのゼロクロス時点の間の時間を求めるステップと、包絡線のパターンを取得するために求められた時間の複数の包絡線を推定するステップとは、モータの状態を監視するデバイスによって実行される。
したがって、パターン情報は、サイズが限られており、必要とされる解析速度は非常に低速である。モータが故障を有するか否かを判断するステップが、外部処理ユニットにおいて実施されるとき、外部処理ユニットに転送されるデータの量は大幅に削減される。
モータの状態を監視するデバイスのＣＰＵコスト及び通信コストは僅かである。本デバイスは、高周波数帯域幅を有する信号を検知する必要はない。本デバイスは、大量の信号を記憶する必要はない。本デバイスは、ＦＦＴ等の複雑な演算を実施する必要はない。本デバイスは、様々な候補となる故障にわたってスペクトル成分を評価する必要はない。本デバイスは、評価すべき周波数成分を決定するために機械設計パラメータについて知る必要はない。本デバイスは、大きな処理能力を有する外部処理ユニットに大きな信号ベクトルを通信する必要はない。
モータの状態を監視するデバイスは、ハードウェア（メモリ、アナログ／デジタル変換器、ＣＰＵ、通信）を変更することなく、汎用のインバータ又は電源等の商用の電源内に容易に統合することができる。
特定の特徴によれば、方法は、推定された包絡線と、モータの動作状態と、モータのタイプを識別する情報とを通信ネットワークを通じてサーバに転送するステップを更に含む。
したがって、故障が存在しない場合には、パターンは、同じタイプ又は異なるタイプの多くのモータを制御するサーバと共有することができる。１つのモータについて収集されたパターンは、同様の動作状態にある同じタイプの他のモータにおいて検出されたパターンを確認する基準としての役割を果たすことができる。モータの状態を監視するデバイスは、多数の所定の動作状態にわたって基準パターンを記憶する必要がない。
特定の特徴によれば、モータの動作状態及び包絡線のパターンから、モータが故障を有するか否か及び／又は故障のレベルを判断するステップは、サーバによって実行される。
したがって、サーバは、求められたパターンを、同様の所定の状態にある同じタイプのモータを制御する他のデバイスによって以前に報告されたパターンと比較することができる。サーバは、既知の故障状態の多数のパターンを用いてトレーニングを受けることもできる。
測定されたパターンに対する故障レベル検出の精度は、既知の故障状態下で測定されたパターンを使用して高められる。故障タイプ（例えば、混合偏心、軸受内部／外部レース等）の識別も改善される。
特定の特徴によれば、モータの動作状態及び包絡線のパターンから、モータが故障を有するか否か及び／又は故障のレベルを判断するステップは、サーバに含まれるニューラルネットワークによって実行される。
したがって、モータの状態を監視するデバイスは、ニューラルネットワークを備える必要がない。サーバにあるニューラルネットワークは、同じタイプの多くのモータの状態を監視することができ、一群のモータにわたる複製を必要とせず、計算リソース及びメモリリソースが節約される。サーバは、一群のモータの故障タイプ及び故障レベルを収集することができ、この情報を使用して、一群のモータ内の故障のあるモータの保守の準備をより十分に行うことができる。
本発明の特徴は、例示の実施形態の以下の説明を読むことによってより明らかになる。この説明は、添付図面に関して作成されたものである。
本発明の第１の実現形態による、モータを駆動するとともにモータの状態を監視するシステムのアーキテクチャを表す図である。 本発明の第２の実現形態による、モータを駆動するとともにモータの状態を監視するシステムのアーキテクチャを表す図である。 モータの状態を監視するデバイスのアーキテクチャを表す図である。 少なくとも１つのモータの状態を監視するサーバのアーキテクチャを表す図である。 本発明の第１の実現形態による、モータの状態を監視するデバイスによって実行される、モータの状態を監視するアルゴリズムの第１の例を表す図である。 本発明の第２の実現形態による、モータの状態を監視するデバイスによって実行される、モータの状態を監視するアルゴリズムの一例を表す図である。 少なくとも１つのモータの状態を監視するサーバによって実行されるアルゴリズムの第１の例を表す図である。 少なくとも１つのモータの状態を監視するサーバによって実行されるアルゴリズムの第２の例を表す図である。 対応する理想的な正弦波形によって重ね合わされたモータの１つの相を通って流れる電流を表すモータ信号の波形の一例を表す図である。 本発明に従って求められるゼロクロス時点の間の時間のクロノグラムである。 モータが故障を有しないときのゼロ点時点の間の時間を表す波形を表す図である。 モータが故障を有しないときの本発明に従って取得される包絡線のパターンを表す図である。 モータが少なくとも１つの故障を有するときのゼロ点時点の間の時間を表す波形を表す図である。 モータが少なくとも１つの故障を有するときの本発明に従って取得される包絡線のパターンを表す図である。 モータの動作状態と推定された包絡線のパターンとから、モータが故障を有するか否か及び／又は故障のレベルを判断するステップのニューラルネットワーク実施態様を表す図である。 本発明の第２の実現形態による、モータの状態を監視するデバイスによって実行される、モータの状態を監視するアルゴリズムの第２の例を表す図である。
図１ａは、本発明の第１の実現形態による、モータを駆動するとともにモータの状態を監視するシステムのアーキテクチャを表している。
モータを駆動するとともにモータの状態を監視するシステムは、電流をモータに提供する電源１１０によって駆動されるモータ１２０を備える。
このシステムは、モータ１２０の１つの相コネクタを通って流れる電流を表すモータ信号を検知し、検知された信号値を処理する、モータの状態を監視するデバイス１００を更に備える。
検知されたモータ信号は、例えば、モータの１つの相を通って流れる電流のレベル、又はモータの２つの相の間若しくはモータの１つの相と電源１１０の接地との間に電源１１０によって印加される制御電圧、又はモータ１２０の近傍で測定される漂遊磁束のレベルである。
検知される信号値は、一例として、電源１１０のスイッチング周波数において検知される。
第１の実現形態によれば、モータの状態を監視するデバイス１００は、
－モータ信号を検知し、
－モータの動作状態を検出し、モータが所定の状態で動作している場合には、
－検知された信号のゼロクロスの時点を検出し、
－２つのゼロクロス時点の間の時間を求め、
－包絡線のパターンを取得するために、求められた時間の複数の包絡線を推定し、なお、各包絡線は、求められた複数の時間にわたって求められ、
－モータの動作状態と包絡線のパターンとから、モータが故障を有するか否か及び／又は故障のレベルを判断する。
本発明の一変形形態によれば、モータ状態監視デバイス１００は、電源１１０に含まれる。
電源１１０は、汎用インバータ又は商用電源とすることができる。
図１ｂは、本発明の第２の実現形態による、モータを駆動するとともにモータの状態を監視するシステムのアーキテクチャを表している。
モータを駆動するとともにモータの状態を監視するシステムは、電流をモータに提供する電源１１０によって駆動されるモータ１２０を備える。
システムは、モータ１２０の１つの相コネクタを通って流れる電流を表す信号を検知し、検知された信号値を処理し、処理された信号値を図１ｂに図示しない通信ネットワークを通じてサーバ１５０に転送する、モータの状態を監視するデバイス１００を更に備える。
検知された信号は、例えば、相電流レベル、又は電源１１０によって印加される相制御電圧、又はモータ１２０の近傍で測定される漂遊磁束のレベルである。
信号値は、一例として、電源１１０のスイッチング周波数において検知される。
通信ネットワークは、例えば、無線ネットワーク若しくは有線ネットワーク、又は無線通信ネットワークと有線通信ネットワークとの組み合わせである。
サーバ１５０は、モータ１２０が故障を有するか否か、及び対応する故障のレベルを、受信された処理済みの信号値から判断することができる。
本発明の一変形形態によれば、モータ状態監視デバイス１００は、電源１１０に含まれる。
電源１１０は、汎用インバータ又は商用電源とすることができる。
第２の実現形態によれば、モータの状態を監視するデバイス１００は、
－モータ信号を検知し、
－モータの動作状態を検出し、モータが所定の状態で動作している場合には、
－検知された信号のゼロクロスの時点を検出し、
－２つのゼロクロス時点の間の時間を求め、
－包絡線のパターンを取得するために、求められた時間の複数の包絡線を推定し、なお、各包絡線は、求められた複数の時間にわたって求められ、
－モータの動作状態と包絡線のパターンをサーバに転送する。
サーバは、
－モータの状態を監視する少なくとも１つのデバイス１００から包絡線のパターンを受信し、
－モータが故障を有するか否か及び／又は故障のレベルを、モータの動作状態と包絡線のパターンとから判断する。
図２は、モータの状態を監視するデバイスのアーキテクチャを表している。
モータの状態を監視するデバイス１００は、例えば、バス２０１によって互いに接続される構成要素と、図４、図５、又は図１３に開示されているようなプログラムによって制御されるプロセッサ２００とに基づくアーキテクチャを有する。
バス２０１は、プロセッサ２００をリードオンリーメモリＲＯＭ２０２、ランダムアクセスメモリＲＡＭ２０３、入出力インターフェースＩ／Ｏ ＩＦ２０５にリンクし、本発明の第２の実現形態によればネットワークインターフェース２０６にもリンクする。
入出力インターフェースＩ／Ｏ ＩＦ２０５は、モータの状態を監視するデバイス１００が、モータ１２０の１つの相コネクタを通って流れる電流を表す信号を検知することを可能にする。
ネットワークインターフェース２０６は、モータの状態を監視するデバイス１００が処理された信号値をサーバ１５０に転送することを可能にする。
メモリ２０３は、変数と、図４、図５、又は図１３に開示されているようなアルゴリズムに関係したプログラムの命令とを収容することを目的としたレジスタを含む。
リードオンリーメモリ、又は場合によってフラッシュメモリ２０２は、図４、図５、又は図１３に開示されているようなアルゴリズムに関係したプログラムの命令を含む。このプログラムは、モータの状態を監視するデバイス１００に電源が投入されると、ランダムアクセスメモリ２０３にロードされる。或いは、このプログラムは、ＲＯＭメモリ２０２から直接実行することもできる。
モータの状態を監視するデバイス１００によって行われる計算は、ＰＣ（パーソナルコンピュータ）、ＤＳＰ（デジタル信号プロセッサ）又はマイクロコントローラ等のプログラマブルコンピューティングマシンによる命令又はプログラムのセットの実行によってソフトウェアにおいて実装することもできるし、マシン、又は、ＦＰＧＡ（フィールドプログラマブルゲートアレイ）若しくはＡＳＩＣ（特定用途向け集積回路）等の専用構成要素によってハードウェアにおいて実装することもできる。
換言すれば、モータの状態を監視するデバイス１００は、図４、図５、又は図１３に開示されているようなアルゴリズムに関係したプログラムを、モータの状態を監視するデバイス１００に実行させる回路類、又は回路類を含むデバイスを含む。
図３は、少なくとも１つのモータの状態を監視するサーバのアーキテクチャを表している。
モータの状態を監視するデバイス１００のサーバ１５０は、例えば、バス３０１によって互いに接続される構成要素と、図６又は図７に開示されているようなプログラムによって制御されるプロセッサ３００とに基づくアーキテクチャを有する。
バス３０１は、プロセッサ３００をリードオンリーメモリＲＯＭ３０２、ランダムアクセスメモリＲＡＭ３０３、及びネットワークインターフェース３０６にリンクする。
ネットワークインターフェース３０６は、サーバ１５０が、少なくとも１つのモータの状態を監視するデバイス１００から処理された信号値を受信することを可能にする。
メモリ３０３は、変数と、図６又は図７に開示されているようなアルゴリズムに関係したプログラムの命令とを収容することを目的としたレジスタを含む。
リードオンリーメモリ、又は場合によってフラッシュメモリ３０２は、図６又は図７に開示されているようなアルゴリズムに関係したプログラムの命令を含む。このプログラムは、サーバ１５０に電源が投入されると、ランダムアクセスメモリ３０３にロードされる。或いは、このプログラムは、ＲＯＭメモリ３０２から直接実行することもできる。
サーバ１５０によって行われる計算は、ＰＣ（パーソナルコンピュータ）、ＤＳＰ（デジタル信号プロセッサ）又はマイクロコントローラ等のプログラマブルコンピューティングマシンによる命令又はプログラムのセットの実行によってソフトウェアにおいて実装することもできるし、マシン、又は、ＦＰＧＡ（フィールドプログラマブルゲートアレイ）若しくはＡＳＩＣ（特定用途向け集積回路）等の専用構成要素によってハードウェアにおいて実装することもできる。
換言すれば、サーバ１５０は、図６又は図７に開示されているようなアルゴリズムに関係したプログラムを、サーバ１５０に実行させる回路類、又は回路類を含むデバイスを含む。
図４は、本発明の第１の実現形態による、モータの状態を監視するデバイスによって実行される、モータの状態を監視するアルゴリズムの第１の例を表している。
本アルゴリズムは、このアルゴリズムがモータの状態を監視するデバイス１００のプロセッサ２００によって実行される一例において開示される。ステップＳ４００において、プロセッサ２００は、変数ｋ及びｐをヌル（null）値に設定する。
次のステップＳ４０１において、プロセッサ２００は、モータが所定の状態で動作しているか否かを確認する。例えば、所定の動作状態とは、定速及び定トルクの状態である。プロセッサ２００は、検知された信号の平均周波数及び平均振幅の変化から速度及びトルクの変化を検出する。モータは、検知された信号の周波数及び振幅が安定しているときに所定の動作状態にある。
一例としては、動作状態は、平均値までの距離が平均値の５％未満であるときに安定しているとする。
一変形形態では、所定の動作状態は、定トルクランプ及び定速度ランプである。更に別の変形形態では、所定の動作状態とは、周期的な速度及びトルクの状態である。
モータが所定の動作状態にある場合には、プロセッサ２００はステップＳ４０２に進む。そうでない場合には、プロセッサ２００はステップＳ４００に戻る。
ステップＳ４０２において、プロセッサ２００は、時刻ｔｎにおいてＩ／Ｏインターフェース２０５から、モータ１２０の１つの相コネクタを通って流れる電流を表すＸｎで示される信号値を取得し、ｔｎ及びＸｎを記憶する。ここで、ｎは、信号値が検知されるごとにインクリメントされるインデックスである。
ここで、ステップＳ４０２は、ステップＳ４０１の前に実行することができ、その場合の信号値は、モータが所定の状態で動作しているか否かを判断するのに使用されることに留意しなければならない。
次のステップＳ４０３において、電流値Ｘｎの正負符号と、以前の反復において取得された電流値Ｘｎ－１の正負符号とが異なるか否かが確認される。
電流値Ｘｎの正負符号と電流値Ｘｎ－１の正負符号とが異なる場合には、信号Ｘｎのゼロクロスが検出され、プロセッサ２００はステップＳ４０４に進む。そうでない場合には、プロセッサ２００は、次の電流値Ｘｎ＋１を測定するためにステップＳ４０２に戻る。
ステップＳ４０４において、プロセッサ２００は、ゼロクロス時点
、及び、このゼロクロス時点と以前に計算されたゼロクロス時点との間の時間
をそれぞれ以下に示すように計算する。
次のステップＳ４０５において、プロセッサ２００は、時間差
を記憶する。
次のステップＳ４０６において、プロセッサ２００は、変数ｋを１だけインクリメントする。
次のステップＳ４０７において、プロセッサ２００は、変数ｋが第１の所定の値Ｎに等しいか否かを確認する。例えば、Ｎは５０である。
一変形形態では、所定の値は、Ｎ個の連続したゼロクロスが一定継続時間に対応するように、ステップＳ４０１において推定された所定の状態の速度から計算される。一例として、一定継続時間は１秒である。
変数ｋがＮに等しい場合には、プロセッサ２００はステップＳ４０８に進む。そうでない場合には、プロセッサ２００はステップＳ４０１に戻る。
ステップＳ４０８において、プロセッサ２００は、変数ｋをヌル値に設定する。
ステップＳ４０９において、プロセッサ２００は、Ｎ個の時間
の包絡線ＥＮＶ（ｐ）を求める。一例として、包絡線は以下の標準偏差である。
別の例として、包絡線は、Ｎ個の間隔
の中の最大値である。
ステップＳ４１０において、プロセッサ２００は、変数ｐを１だけインクリメントする。
次のステップＳ４１１において、プロセッサ２００は、変数ｐが第２の所定の値Ｐに等しいか否かを確認する。Ｐは、例えば２０である。
ｐがＰに等しい場合には、プロセッサ２００はステップＳ４１３に進む。そうでない場合には、プロセッサ２００はステップＳ４０１に戻る。
ステップＳ４１３において、Ｐ個の記憶された包絡線値のパターンが取得される。プロセッサ２００は、取得されたＰ個の記憶された包絡線値の取得中に存在するモータ状態と同じ所定のモータ状態とともに既に記憶されたパターンＥＮＶｒｅｆが存在するか否かを確認する。
取得されたＰ個の記憶された包絡線値の取得中に存在するモータ状態と同じ所定の動作状態とともに既に記憶されたパターンが存在しない場合には、プロセッサ２００はステップＳ４１４に進む。そうでない場合には、プロセッサ２００はステップＳ４１５に進む。
ステップＳ４１４において、プロセッサ２００は、取得されたＰ個の記憶された包絡線値をモータ状態とともに記憶し、ステップＳ４００に戻る。
ステップＳ４１５において、プロセッサ２００は、例えば、以下に示す故障値を計算することによって、モータの故障が存在するか否かを判断する。
ここで、Ｆｒｅｆは、一例として機械の偏心公差に対応する所定の故障レベルである。
別の変形形態では、故障値は、以下の式によって表される。
一例として、Ｆｒｅｆ＝５％である。Ｆは、検出された故障のレベルを表す。故障のレベルは、所定のレベル（例えば、１０％、２０％等）を超えているときに表示される。
一変形形態では、プロセッサ２００は、検出されたパターン及び所定の状態をニューラルネットワークに供給する。ニューラルネットワークは、故障が存在すること及び故障のレベルを出力する。
故障が存在する場合には、音響信号又は視覚信号のような故障信号が生成される。
図５は、本発明の第２の実現形態による、モータの状態を監視するデバイスによって実行される、モータの状態を監視するアルゴリズムの一例を表している。
本アルゴリズムは、このアルゴリズムがモータの状態を監視するデバイス１００のプロセッサ２００によって実行される一例において開示される。
ステップＳ５００において、プロセッサ２００は、変数ｋ及びｐをヌル値に設定する。
次のステップＳ５０１において、プロセッサ２００は、モータが所定の状態で動作しているか否かを確認する。例えば、安定動作状態は、定速及び定トルクである。プロセッサ２００は、検知された信号の平均周波数及び平均振幅の変化から速度及びトルクの変化を検出する。モータは、検知された信号の平均周波数及び平均振幅が安定しているときに所定の動作状態にある。
一変形形態では、所定の動作状態は、定トルクランプ及び定速度ランプである。更に別の変形形態では、所定の動作状態は、周期的な速度及びトルクの状態である。
モータが所定の動作状態にある場合には、プロセッサ２００はステップＳ５０２に進む。そうでない場合には、プロセッサ２００はステップＳ５００に戻る。
ステップＳ５０２において、プロセッサ２００は、時刻ｔｎにおいてＩ／Ｏインターフェース２０５から、モータ１２０の１つの相コネクタを通って流れる電流を表すＸｎで示される信号値を取得し、ｔｎ及びＸｎを記憶する。ここで、ｎは、信号値が検知されるごとにインクリメントされるインデックスである。
ここで、ステップＳ５０２は、ステップＳ５０１の前に実行することができ、その場合の信号値は、モータが所定の状態で動作しているか否かを判断するのに使用されることに留意しなければならない。
次のステップＳ５０３において、電流値Ｘｎの正負符号と、以前の反復において取得された電流値Ｘｎ－１の正負符号とが異なるか否かが確認される。
電流値Ｘｎの正負符号と電流値Ｘｎ－１の正負符号とが異なる場合には、ゼロクロス電圧が検出され、プロセッサ２００はステップＳ５０４に進む。そうでない場合には、プロセッサ２００は、次の電流値Ｘｎ＋１を読み取るためにステップＳ５０２に戻る。
ステップＳ５０４において、プロセッサ２００は、ゼロクロス時点
、及び、このゼロクロス時点と以前に計算されたゼロクロス時点との間の時間
をそれぞれ以下に示すように計算する。
次のステップＳ５０５において、プロセッサ２００は、時間差
を記憶する。
次のステップＳ５０６において、プロセッサ２００は、変数ｋを１だけインクリメントする。
次のステップＳ５０７において、プロセッサ２００は、変数ｋが第１の所定の値Ｎに等しいか否かを確認する。例えば、Ｎは５０である。
一変形形態では、所定の値は、Ｎ個の連続したゼロクロスが一定継続時間に対応するように、ステップＳ５０１において推定された所定の状態の速度から計算される。一例として、一定継続時間は１秒である。
変数ｋがＮに等しい場合には、プロセッサ２００はステップＳ５０８に進む。そうでない場合には、プロセッサ２００はステップＳ５０１に戻る。
ステップＳ５０８において、プロセッサ２００は、変数ｋをヌル値に設定する。
ステップＳ５０９において、プロセッサ２００は、Ｎ個の時間
の包絡線ＥＮＶ（ｐ）を求める。一例として、包絡線は以下の標準偏差である。
別の例として、包絡線は、Ｎ個の間隔
の中の最大値である。
ステップＳ５１０において、プロセッサ２００は、変数ｐを１だけインクリメントする。
次のステップＳ５１１において、プロセッサ２００は、変数ｐが第２の所定の値Ｐに等しいか否かを確認する。Ｐは、例えば、２０である。
ｐがＰに等しい場合には、プロセッサ２００はステップＳ５１２に進む。そうでない場合には、プロセッサ２００はステップＳ５０１に戻る。
ステップＳ５１２において、Ｐ個の記憶された包絡線値のパターンが取得される。プロセッサ２００は、モータを識別する情報と、Ｐ個の記憶された包絡線値のパターンが取得されたモータ状態とともに、Ｐ個の記憶された包絡線値のパターンを含むメッセージをネットワークインターフェース２０６を通じてサーバ１５０に転送することを命令する。
図６は、少なくとも１つのモータの状態を監視するサーバによって実行されるアルゴリズムの第１の例を表している。
本アルゴリズムは、このアルゴリズムがサーバ１５０のプロセッサ３００によって実行される一例において開示される。
ステップＳ６００において、プロセッサ３００は、モータタイプとモータ自体とを識別する情報、及びＰ個の記憶された包絡線値のパターンが取得されたモータ状態とともに、Ｐ個の記憶された包絡線値のパターンを含むメッセージがネットワークインターフェース３０６を通じて受信されたことを確認する。
ステップＳ６０１において、プロセッサ３００は、モータタイプを識別する情報と、Ｐ個の記憶された包絡線値のパターンが取得されたモータ状態とを伴うＰ個の記憶された包絡線値のパターンがＲＡＭメモリ３０３に記憶されているか否かを確認する。
モータタイプを識別する情報と、Ｐ個の記憶された包絡線値のパターンが取得されたモータ状態とを伴うＰ個の記憶された包絡線値のパターンＥＮＶｒｅｆがＲＡＭメモリ３０３に記憶されている場合には、プロセッサ３００はステップＳ６０３に進む。そうでない場合には、プロセッサ３００はステップＳ６０２に進む。
ステップＳ６０２において、プロセッサ３００は、受信されたＰ個の包絡線値をモータ状態とともに記憶し、ステップＳ６００に戻る。
ステップＳ６０３において、プロセッサ３００は、例えば、以下に示す故障値を計算することによって、モータの故障が存在するか否かを判断する。
ここで、Ｆｒｅｆは、機械の公差に対応する所定の故障レベルである。
別の変形形態では、故障値は、以下の式によって表される。
一例として、Ｆｒｅｆ＝５％である。Ｆは、検出された故障のレベルを表す。故障のレベルは、所定のレベル（例えば、１０％、２０％等）を超えているときに表示される。
故障が存在する場合には、メッセージが、ステップＳ６００において受信されたパターンを転送したデバイスに転送される。
図７は、少なくとも１つのモータの状態を監視するサーバによって実行されるアルゴリズムの第２の例を表している。
本アルゴリズムは、このアルゴリズムがサーバ１５０のプロセッサ３００によって実行される一例において開示される。
ステップＳ７００において、プロセッサ３００は、モータタイプとモータ自体とを識別する情報、及びＰ個の記憶された包絡線値のパターンが取得されたモータ状態とともに、Ｐ個の記憶された包絡線値のパターンを含むメッセージをネットワークインターフェース３０６を通じて受信する。
ステップＳ７０１において、プロセッサ３００は、受信されたＰ個の記憶された包絡線値をモータ状態とともに、サーバ１５０に含まれるニューラルネットワークに転送する。
ステップＳ７０３において、プロセッサ３００は、モータの故障が存在するか否かを示す情報をニューラルネットワークから受信する。
故障が存在する場合には、メッセージが、ステップＳ７００において受信されたパターンを転送したデバイスに転送される。
図８は、対応する理想的な正弦波形によって重ね合わされたモータの１つの相を通って流れる電流を表すモータ信号の波形の一例を表している。
図８において、８０で示す曲線は、モータ１２０の１つの相を通って流れる理論的な電流を表し、８２で示す曲線は、電源１１０のパルス幅変調が存在する場合において、モータ１２０に故障が発生したときに生成されるスパイク高調波を表している。故障は、限定ではなく例示として、静的又は動的な偏心、回転子バーの破損、内部軸受レースの破損及び外部軸受レースの破損に起因している。
各故障は、特定の周波数の徴候を有し、これは、その故障に起因する周波数スパイクが、故障タイプと、モータ１２０の設計パラメータ及び動作モードとに依存する比を基本周波数に乗算したものに比例することを意味する。モータ１２０が生存している間に、故障レベルは増加し、周波数の振幅が増加するが、スパイク周波数は一定のままである。振幅が増加するにつれて、モータ信号のゼロクロス時点の間隔は変化する。
本発明によれば、ゼロクロスの間の時間の変化が、故障がモータ１２０に現れているか否かを判断するための入力として使用される。
、
及び
は、２つのゼロクロスの間の時間の測定値を示す。
図８では、時間は、２つの連続するゼロクロスの間で測定されるが、本発明は、時間が、３つ以上の連続するゼロクロスの間で測定されるときにも等しく適用される。
図９は、本発明に従って求められるゼロクロス時点の間の時間のクロノグラムである。
例えば、毎秒の回転数は１００であり、モータに提供される信号のサンプリング周波数は５ｋＨｚである。ゼロ点クロスのＮ個の検出を図９に示す。これらのＮ個の検出は、図４のステップＳ４０９及び図５のステップＳ５０９に開示されているような１つの包絡線の点を求めるのに使用される。例えば、Ｎ＝５０であり、Ｐは５０である。
ここで、パターン継続時間及びパターンサイズを一定に保つために、Ｎをモータ１２０の回転速度とともに適応させることができることに留意しなければならない。
図１０ａは、モータが故障を有しないときのゼロ点時点の間の時間を表す波形を表している。
本発明によれば、２つのゼロクロス時点の間の時間差
は、Ｐ個の包絡線を求めるのに使用される。
故障が存在しない場合には、時間差
は、２つの値の間で一様に変化する。この振動は、電源のＰＷＭスイッチングに起因したＨＦ電流リップルの存在に由来する。同じ動作状態の場合に、結果のパターンは、故障が存在しない場合に繰り返すことができ、包絡線信号はかなり一定している。
図１０ｂは、モータが故障を有しないときの本発明に従って取得される包絡線のパターンを表している。この方法は、故障が存在しないことを表すかなり一定した包絡線信号を効果的に検出する。
図１１ａは、モータが少なくとも１つの故障を有するときのゼロ点時点の間の時間を表す波形を表している。
本発明によれば、２つのゼロクロス時点の間の時間差
は、Ｐ個の包絡線を求めるのに使用される。
故障が存在する場合には、時間差
は、２つの値の間で局所的に変化する。この振動は、電源のＰＷＭスイッチングに起因したＨＦ電流リップルの存在と、故障の存在に由来するＨＦ電流スパイクの存在とが組み合わさったことに由来する。ＨＦ ＰＷＭ電流とＨＦ故障電流との間の干渉は、これらの２つの値の低周波数変動を引き起こす。
図１１ｂは、モータが少なくとも１つの故障を有するときの本発明に従って取得される包絡線のパターンを表している。
図１０ｂの曲線と図１１ｂの曲線とを比較すると、Ｐ個の包絡線の変化は異なっている。
包絡線の低周波数変動は、故障タイプ及び／又は故障レベルを表す。故障のレベルは、包絡線変動の周波数及び高さから求めることができる。
本発明の第１の実施態様では、故障レベルは、所定の初期故障レベルを乗算した包絡線ピーク間の比として求められる。推定された故障レベルが１０％未満である場合には、故障は検出されないとみなされる。
本発明の第２の実施態様では、故障レベルは、所定の故障レベルを乗算した最大包絡線レベルと最小包絡線レベルとの間の比として求められる。
本発明の第３の実施態様では、パターンの周期及び形状が、故障タイプ及び故障レベルの識別に寄与する。
図１２は、推定された包絡線のパターンを記憶された包絡線のパターンと比較する手段のニューラルネットワークの実施態様を表している。
本発明によれば、サーバ１５０は、測定されたパターンに含まれるＰ個の包絡線レベルと、報告された動作状態及びモータタイプとを含むｎ個の入力Ｉ１～Ｉｎをニューラルネットワークに供給する。図１２において、ニューラルネットワークの入力Ｉ１又はＩ２又はＩＰ＋２は、動作状態の２つのパラメータ、すなわち、モータの速度及びトルクも含む。一変形形態では、動作状態は、スイッチング周波数、変調タイプ、モータタイプ等の付加的なパラメータを含むことができる。
ニューラルネットワークの隠れ層のＭ個のニューロンＮＪ１、ＮＪ２、．．．、ＮＪＭが、ニューラルネットワーク入力情報を処理し、各ニューロンは、出力隠れ層信号ＯＪ１、ＯＪ２、．．．、ＯＪＭを生成する。一例として、Ｍ＝１０００である。
一例として、各ニューロンＮＪｋは、以下のニューロン式を使用して、入力から出力信号ＯＪｋを生成する。なお、ｋ＝１～Ｍである。
ここで、ｇＪは、活性化関数であり、｛ｗＪｉｋ｝は、ニューロンＮＪｋの所定のシナプス荷重である。
一例として、ｇＪ（ｘ）は、以下の式のシグモイド活性化関数である。
次に、２つの出力ニューロンＮＬ１、ＮＬ２が、ニューラルネットワークの出力ＯＬ１、ＯＬ２を生成するために、Ｍ個の出力隠れ層信号ＯＪ１、ＯＪ２、．．．、ＯＪＭを処理する。
第１の出力ＯＬ１は、入力パターンから判断される故障の存在の検出状態を表す。この第１の出力ＯＬ１は、以下の式に従って処理される。
ここで、ｇＬ１は、ステップ活性化関数であり、｛ｗＬｊ１｝は、ニューロンＮＬ１の所定のシナプス荷重である。
一例として、
である。
第２の出力ＯＬ２は、入力パターンから求められる故障レベルを表す。この第２の出力は、以下の式に従って処理される。
ここで、ｇＬ２は、活性化関数であり、｛ｗＬｊ２｝は、ニューロンＮＬ２の所定のシナプス荷重である。
一例として、ｇＬ２（ｘ）は、以下の式のシグモイド活性化関数である。
ニューラルネットワークの荷重｛ｗＪｉｋ｝、｛ｗＬｊ１｝、｛ｗＬｊ２｝は、既知の動作状態、故障タイプ及び／又は故障レベルを有するパターンのトレーニング母集団からあらかじめ求められる。一例として、荷重は、バックプロパゲーショントレーニングアルゴリズムを使用して求められる。
ニューラルネットワークを用いた故障の検出及び故障レベルの識別は、ソフトウェアによって実施することもできるし、ハードウェアにおいて実施することもできる。
図１３は、本発明の第２の実現形態による、モータの状態を監視するデバイスによって実行される、モータの状態を監視するアルゴリズムの第２の例を表している。
本アルゴリズムは、このアルゴリズムがモータの状態を監視するデバイス１００のプロセッサ２００によって実行される一例において開示される。
ステップＳ１３００において、プロセッサ２００は、ニューラルネットワークの荷重をサーバ１５０から受信する。荷重｛ｗＪｉｋ｝、｛ｗＬｊ１｝、｛ｗＬｊ２｝は、バックプロパゲーショントレーニングアルゴリズムを使用して、既知の動作状態、故障タイプ及び／又は故障レベルを有するパターンのトレーニング母集団から、サーバによってあらかじめ求められる。
ステップＳ１３０１において、プロセッサ２００は、変数ｋ及びｐをヌル値に設定する。
次のステップＳ１３０２において、プロセッサ２００は、モータが所定の状態で動作しているか否かを確認する。例えば、所定の動作状態とは、定速及び定トルクの状態である。プロセッサ２００は、検知された信号の平均周波数及び平均振幅の変化から速度及びトルクの変化を検出する。モータは、検知された信号の平均周波数及び平均振幅が安定しているときに所定の動作状態にある。
一変形形態では、所定の動作状態は、定トルクランプ及び定速度ランプである。更に別の変形形態では、所定の動作状態は、周期的な速度及びトルクの状態である。
モータが所定の動作状態にある場合には、プロセッサ２００はステップＳ１３０３に進む。そうでない場合には、プロセッサ２００はステップＳ１３０１に戻る。
ステップＳ１３０３において、プロセッサ２００は、時刻ｔｎにおいてＩ／Ｏインターフェース２０５から、モータ１２０の１つの相コネクタを通って流れる電流を表すＸｎで示される信号値を取得し、ｔｎ及びＸｎを記憶する。ここで、ｎは、信号値が検知されるごとにインクリメントされるインデックスである。
ここで、ステップＳ１３０３は、ステップＳ１３０２の前に実行することができ、信号値は、モータが所定の状態で動作しているか否かを判断するのに使用されることに留意しなければならない。
次のステップＳ１３０４において、電流値Ｘｎの正負符号と、以前の反復において取得された電流値Ｘｎ－１の正負符号とが異なるか否かが確認される。
電流値Ｘｎの正負符号と電流値Ｘｎ－１の正負符号とが異なる場合には、ゼロクロス電圧が検出され、プロセッサ２００はステップＳ１３０５に進む。そうでない場合には、プロセッサ２００は、次の電流値Ｘｎ＋１を測定するためにステップＳ１３０３に戻る。
ステップＳ１３０５において、プロセッサ２００は、ゼロクロス時点
、及び、このゼロクロス時点と以前に計算されたゼロクロス時点との間の時間
をそれぞれ以下に示すように計算する。
次のステップＳ１３０６において、プロセッサ２００は、時間差
を記憶する。
次のステップＳ１３０７において、プロセッサ２００は、変数ｋを１だけインクリメントする。
次のステップＳ１３０８において、プロセッサ２００は、変数ｋが第１の所定の値Ｎに等しいか否かを確認する。例えば、Ｎは５０である。
一変形形態では、所定の値は、Ｎ個のゼロクロスが一定継続時間に対応するように、ステップＳ１３０２において推定された所定の状態の速度から計算される。一例として、一定継続時間は１秒である。
変数ｋがＮに等しい場合には、プロセッサ２００はステップＳ１３０９に進む。そうでない場合には、プロセッサ２００はステップＳ１３０２に戻る。
ステップＳ１３０９において、プロセッサ２００は、変数ｋをヌル値に設定する。
次のステップＳ１３１０において、プロセッサ２００は、Ｎ個の時間
の包絡線ＥＮＶ（ｐ）を求める。一例として、包絡線は以下の標準偏差である。
別の例として、包絡線は、Ｎ個の間隔
の中の最大値である。次のステップＳ１３１１において、プロセッサ２００は、変数ｐを１だけインクリメントする。
次のステップＳ１３１２において、プロセッサ２００は、変数ｐが第２の所定の値Ｐに等しいか否かを確認する。Ｐは、例えば２０である。
ｐがＰに等しい場合には、プロセッサ２００はステップＳ１３１３に進む。そうでない場合には、プロセッサ２００はステップＳ１３０２に戻る。
ステップＳ１３１３において、Ｐ個の記憶された包絡線値のパターンが取得され、プロセッサ２００は、受信されたＰ個の記憶された包絡線値をモータ状態とともに、モータの状態を監視するデバイスに含まれるニューラルネットワークに転送する。ニューラルネットワークの係数は、ステップ１３００において受信済みである。ニューラルネットワークは、図１２に開示されたものと同様のものである。
ステップＳ１３１４において、プロセッサ２００は、モータの故障が存在するか否かを示す情報をニューラルネットワークから受信する。
故障が存在する場合には、音響信号又は視覚信号のような故障信号が生成される。当然のことながら、本発明の範囲から逸脱することなく、上記で説明した本発明の実施形態に対して多くの変更を行うことができる。

Claims (11)

  1. モータの状態を監視する方法であって、前記モータは、信号を前記モータに提供する電源によって駆動され、前記方法は、
    モータ信号を検知するステップと、
    前記モータの動作状態を検出するステップと、
    前記モータが所定の動作状態で動作している場合には、
    検知された前記モータ信号のゼロクロス時点を検出するステップと、
    ２つの前記ゼロクロス時点の間の時間を求めるステップと、
    推定された包絡線のパターンを取得するために、求められた前記時間の複数の包絡線を推定するステップであって、前記複数の包絡線のそれぞれは、複数の求められた前記時間にわたって求められる、ステップと、
    前記モータの動作状態及び前記包絡線のパターンから、前記モータが故障を有するか否か及び／又は前記故障のレベルを判断するステップと、
    を含むことを特徴とする、方法。
  2. 前記モータが故障を有するか否か及び／又は前記故障のレベルを判断するステップは、同じ所定の動作状態を有する包絡線のパターンが記憶されている場合には、前記推定された包絡線のパターンを、前記同じ所定の動作状態を有する記憶された包絡線のパターンと比較することによって実行されることを特徴とする、請求項１に記載の方法。
  3. 前記方法は、同じ所定の動作状態を有する包絡線のパターンが記憶されていない場合には、前記推定された包絡線のパターンを記憶するステップを更に含むことを特徴とする、請求項１に記載の方法。
  4. 前記モータが故障を有するか否か及び／又は前記故障のレベルを判断する前記ステップは、ニューラルネットワークを使用して実行され、前記ニューラルネットワークによって使用される荷重は、サーバによって受信されることを特徴とする、請求項１に記載の方法。
  5. 前記方法は、モータの状態を監視するデバイスによって実行されることを特徴とする、請求項１～４のいずれか１項に記載の方法。
  6. 前記モータ信号を検知するステップと、前記モータの所定の動作状態を検出するステップと、検知された前記モータ信号のゼロクロス時点を検出するステップと、２つの前記ゼロクロス時点の間の時間を求めるステップと、包絡線のパターンを取得するために求められた前記時間の複数の包絡線を推定するステップとは、モータの状態を監視するデバイスによって実行されることを特徴とする、請求項３に記載の方法。
  7. 前記方法は、前記推定された包絡線と、前記モータの動作状態と、前記モータを識別する情報とを通信ネットワークを通じてサーバに転送するステップを更に含むことを特徴とする、請求項６に記載の方法。
  8. 前記モータの動作状態及び前記包絡線のパターンから、前記モータが故障を有するか否か及び／又は前記故障のレベルを判断するステップは、前記サーバによって実行されることを特徴とする、請求項７に記載の方法。
  9. 前記モータの前記動作状態及び前記包絡線のパターンから、前記モータが故障を有するか否か及び／又は前記故障のレベルを判断するステップは、前記サーバに含まれるニューラルネットワークによって実行されることを特徴とする、請求項８に記載の方法。
  10. モータの状態を監視するデバイスであって、前記モータは、信号を前記モータに提供する電源によって駆動され、前記デバイスは、
    モータ信号を検知する手段と、
    前記モータの所定の動作状態を検出する手段と、
    前記モータが所定の動作状態で動作している場合には、
    検知された前記モータ信号のゼロクロス時点を検出する手段と、
    ２つの前記ゼロクロス時点の間の時間を求める手段と、
    包絡線のパターンを取得するために、求められた前記時間の複数の包絡線を推定する手段であって、前記複数の包絡線のそれぞれは、複数の求められた前記時間にわたって求められる、推定する手段と、
    前記モータの動作状態及び前記包絡線のパターンから、前記モータが故障を有するか否か及び／又は前記故障のレベルを判断する手段と、
    を備えることを特徴とする、デバイス。
  11. モータの状態を監視するシステムであって、前記モータは、信号を前記モータに提供する電源によって駆動され、前記システムは、
    モータの状態を監視するデバイスに含まれる、モータ信号を検知する手段と、
    前記モータの状態を監視するデバイスに含まれる、前記モータの所定の動作状態を検出する手段と、
    前記モータが前記所定の動作状態で動作している場合には、
    前記モータの状態を監視するデバイスに含まれる、検知された前記モータ信号のゼロクロス時点を検出する手段と、
    前記モータの状態を監視するデバイスに含まれる、２つの前記ゼロクロス時点の間の時間を求める手段と、
    前記モータの状態を監視するデバイスに含まれる、包絡線のパターンを取得するために求められた前記時間の複数の包絡線を推定する手段であって、前記複数の包絡線のそれぞれは、複数の求められた前記時間にわたって求められる、推定する手段と、
    前記モータの状態を監視するデバイスに含まれる、推定された前記包絡線と、前記モータの動作状態と、前記モータを識別する情報とを通信ネットワークを通じてサーバに転送する手段と、
    前記サーバに含まれる、前記モータの動作状態及び前記包絡線のパターンから、前記モータが故障を有するか否か及び／又は前記故障のレベルを判断する手段と、
    を備えることを特徴とする、システム。
JP2023550750A 2021-02-25 2021-07-09 モータの状態を監視する方法、デバイス、及びシステム Active JP7485494B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP21305220.2A EP4050354A1 (en) 2021-02-25 2021-02-25 A method and a device for monitoring the condition of a motor
EP21305220.2 2021-02-25
PCT/JP2021/026713 WO2022180884A1 (en) 2021-02-25 2021-07-09 Method, device, and system for monitoring condition of motor

Publications (2)

Publication Number Publication Date
JP2023548437A JP2023548437A (ja) 2023-11-16
JP7485494B2 true JP7485494B2 (ja) 2024-05-16

Family

ID=74856806

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023550750A Active JP7485494B2 (ja) 2021-02-25 2021-07-09 モータの状態を監視する方法、デバイス、及びシステム

Country Status (6)

Country Link
US (1) US20240061044A1 (ja)
EP (1) EP4050354A1 (ja)
JP (1) JP7485494B2 (ja)
KR (1) KR20230129513A (ja)
CN (1) CN116888487A (ja)
WO (1) WO2022180884A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024111987A1 (ko) * 2022-11-24 2024-05-30 주식회사 엘엑스세미콘 모터 구동 장치, 그 제어 방법, 및 모터에 의하여 구동되는 전자 기기

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004212225A (ja) 2002-12-27 2004-07-29 Nsk Ltd 異常診断装置
JP2017187494A (ja) 2016-04-05 2017-10-12 シーメンス エナジー インコーポレイテッド 波形の診断解析を用いたアクティブな軸接地システム
JP7174616B2 (ja) 2018-12-21 2022-11-17 日揮触媒化成株式会社 金属捕捉剤および金属捕捉剤の製造方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9325263B1 (en) * 2014-11-05 2016-04-26 Stmicroelectronics S.R.L. Sensorless rotor angle detection circuit and method for a permanent magnet synchronous machine
CN106680700A (zh) * 2016-11-25 2017-05-17 云南电网有限责任公司电力科学研究院 一种隔离开关智能诊断系统与方法
US10326390B2 (en) * 2017-07-24 2019-06-18 GM Global Technology Operations LLC Systems and methods for operating motors with a single motor position signal
JP7006532B2 (ja) * 2018-08-06 2022-01-24 トヨタ自動車株式会社 トルク制御装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004212225A (ja) 2002-12-27 2004-07-29 Nsk Ltd 異常診断装置
JP2017187494A (ja) 2016-04-05 2017-10-12 シーメンス エナジー インコーポレイテッド 波形の診断解析を用いたアクティブな軸接地システム
JP7174616B2 (ja) 2018-12-21 2022-11-17 日揮触媒化成株式会社 金属捕捉剤および金属捕捉剤の製造方法

Also Published As

Publication number Publication date
CN116888487A (zh) 2023-10-13
EP4050354A1 (en) 2022-08-31
WO2022180884A1 (en) 2022-09-01
US20240061044A1 (en) 2024-02-22
KR20230129513A (ko) 2023-09-08
JP2023548437A (ja) 2023-11-16

Similar Documents

Publication Publication Date Title
Sapena-Bano et al. The harmonic order tracking analysis method for the fault diagnosis in induction motors under time-varying conditions
Su et al. Induction machine condition monitoring using neural network modeling
Sadeghian et al. Online detection of broken rotor bars in induction motors by wavelet packet decomposition and artificial neural networks
Saidi et al. Diagnosis of broken-bars fault in induction machines using higher order spectral analysis
JP6223461B2 (ja) インピーダンス解析に基づく電気機械システムの診断方法
Rivera-Guillen et al. Enhanced FFT-based method for incipient broken rotor bar detection in induction motors during the startup transient
JP5933844B2 (ja) 位置検出器の角度誤差補正装置および角度誤差補正方法
Nyanteh et al. Application of artificial intelligence to stator winding fault diagnosis in Permanent Magnet Synchronous Machines
Cabal-Yepez et al. FPGA-based entropy neural processor for online detection of multiple combined faults on induction motors
JP7485494B2 (ja) モータの状態を監視する方法、デバイス、及びシステム
CA2849549C (en) A method of determining stationary signals for the diagnostics of an electromechanical system
Sun et al. BLDC motor speed control system fault diagnosis based on LRGF neural network and adaptive lifting scheme
GB2458780A (en) Non-invasive monitoring and diagnosis of electric machines by measuring external flux density
Tshiloz et al. Scalar controlled induction motor drive speed estimation by adaptive sliding window search of the power signal
CN110907864B (zh) 电机定子绕组的故障检测方法、装置、设备及存储介质
CN117980755A (zh) 使用基于图的马达电流特征分析的用于逆变器馈电感应马达中的转子断条检测的系统
US20160266182A1 (en) Operation apparatus
CN103155400B (zh) Pm电动机的电动机常数计算方法以及电动机常数计算装置
EP2728738B1 (en) System and method of detecting a wiring configuration for a controlled field alternator
Coelho et al. Detection of short circuit faults in 3-phase converter-fed induction motors using kernel SOMs
Graciola et al. Neural speed estimator for line-connected induction motor embedded in a digital processor
CN109029696A (zh) 共振检测方法、装置及存储介质
Ondel et al. FDI based on pattern recognition using Kalman prediction: Application to an induction machine
RU2763849C1 (ru) Устройство для диагностики состояния асинхронного электродвигателя
Wang et al. Motor Eccentricity Fault Detection: Physics-Based and Data-Driven Approaches

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230509

TRDD Decision of grant or rejection written
A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240327

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240402

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240430

R150 Certificate of patent or registration of utility model

Ref document number: 7485494

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150