JPH05333079A - 監視診断装置 - Google Patents
監視診断装置Info
- Publication number
- JPH05333079A JPH05333079A JP4141564A JP14156492A JPH05333079A JP H05333079 A JPH05333079 A JP H05333079A JP 4141564 A JP4141564 A JP 4141564A JP 14156492 A JP14156492 A JP 14156492A JP H05333079 A JPH05333079 A JP H05333079A
- Authority
- JP
- Japan
- Prior art keywords
- output
- neural
- abnormality
- input
- cause
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H1/00—Details of emergency protective circuit arrangements
- H02H1/0092—Details of emergency protective circuit arrangements concerning the data processing means, e.g. expert systems, neural networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H1/00—Details of emergency protective circuit arrangements
- H02H1/0007—Details of emergency protective circuit arrangements concerning the detecting means
- H02H1/0015—Using arc detectors
- H02H1/0023—Using arc detectors sensing non electrical parameters, e.g. by optical, pneumatic, thermal or sonic sensors
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
- H02H7/22—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions for distribution gear, e.g. bus-bar systems; for switching devices
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Relating To Insulation (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Feedback Control In General (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
(57)【要約】
【目的】 異常か正常かという情報に加えてどのような
異常原因かを同定し、かつ、センサの種類がいくつでも
適用でき、経年変化などに柔軟に対応できる監視診断装
置を得る。 【構成】 電気機器の振動を加速度の変化として加速度
センサ7で検出し、演算器8でFFTによりスペクトル
に変換し、演算器9でその時間平均をとり、演算器10
でその大きさを正規化するなどして、それを神経回路網
装置11に入力して、この神経回路網装置11の出力か
ら電気機器の異常状態を同定する。 【効果】 電気機器の異常か正常かという情報に加え
て、どのような異常原因かを同定でき、予め学習させた
異常原因だけでなく、電気機器の種類や設置場所、経年
変化などによる新たな異常原因にも柔軟に対応すること
ができる。
異常原因かを同定し、かつ、センサの種類がいくつでも
適用でき、経年変化などに柔軟に対応できる監視診断装
置を得る。 【構成】 電気機器の振動を加速度の変化として加速度
センサ7で検出し、演算器8でFFTによりスペクトル
に変換し、演算器9でその時間平均をとり、演算器10
でその大きさを正規化するなどして、それを神経回路網
装置11に入力して、この神経回路網装置11の出力か
ら電気機器の異常状態を同定する。 【効果】 電気機器の異常か正常かという情報に加え
て、どのような異常原因かを同定でき、予め学習させた
異常原因だけでなく、電気機器の種類や設置場所、経年
変化などによる新たな異常原因にも柔軟に対応すること
ができる。
Description
【0001】
【産業上の利用分野】この発明は、例えば、遮断器,開
閉器,断路器,変圧器,変流器,変成器,母線,絶縁計
器,発電機,回転機などの電気機器,油絶縁電気機器,
空気絶縁電気機器,真空絶縁電気機器,固体絶縁電気機
器等の電気機器の異常を監視、あるいは異常原因を同
定、予測するものに適する監視診断装置に関するもので
ある。
閉器,断路器,変圧器,変流器,変成器,母線,絶縁計
器,発電機,回転機などの電気機器,油絶縁電気機器,
空気絶縁電気機器,真空絶縁電気機器,固体絶縁電気機
器等の電気機器の異常を監視、あるいは異常原因を同
定、予測するものに適する監視診断装置に関するもので
ある。
【0002】
【従来の技術】図17は雑誌(DEVELOPMENT OF PREVENT
IVE MAINTENACE SYSTEM FOR HIGHLY RELIABLE GAS INSU
LATED SWITCHGEAR,Power Engineering Society,1990
年,IEEEWinter Meeting, 第4頁,第6図)に示されて
いる方法による監視診断装置を示す構成図である。
IVE MAINTENACE SYSTEM FOR HIGHLY RELIABLE GAS INSU
LATED SWITCHGEAR,Power Engineering Society,1990
年,IEEEWinter Meeting, 第4頁,第6図)に示されて
いる方法による監視診断装置を示す構成図である。
【0003】この図17において、1は電気機器、例え
ば遮断器のスペーサ、2は遮断器1のタンク、3は遮断
器1の中心導体、4は遮断器1への送電線、5は中心導
体3に付着した異物の例、6は異物5により引き起こさ
れた部分放電の例、7は遮断器1に付加された加速度セ
ンサ、74は超音波センサ、75は加速度センサ7の出
力Aと超音波センサ74の出力Bを割算した値Cを得る
演算器、76は値Cがあるいき値Thより大きいかどう
かを判定する判定器で、これらをまとめて制御器77が
監視診断のアルゴリズムを実行する。Dは監視診断結果
である。
ば遮断器のスペーサ、2は遮断器1のタンク、3は遮断
器1の中心導体、4は遮断器1への送電線、5は中心導
体3に付着した異物の例、6は異物5により引き起こさ
れた部分放電の例、7は遮断器1に付加された加速度セ
ンサ、74は超音波センサ、75は加速度センサ7の出
力Aと超音波センサ74の出力Bを割算した値Cを得る
演算器、76は値Cがあるいき値Thより大きいかどう
かを判定する判定器で、これらをまとめて制御器77が
監視診断のアルゴリズムを実行する。Dは監視診断結果
である。
【0004】次に、動作について説明する。演算器75
で加速度センサ7と超音波センサ74の出力の比の値C
(=A/B)を得て、この比の値Cを判定器76に入力
し、いき値Thよりも大きければ遮断器1の内部に異常
があると判定し、いき値Thよりも小さければ、それは
ノイズであると見なして異常はないと判定する。なお、
いき値Thは実験又は経験により予めある値に設定して
おく。
で加速度センサ7と超音波センサ74の出力の比の値C
(=A/B)を得て、この比の値Cを判定器76に入力
し、いき値Thよりも大きければ遮断器1の内部に異常
があると判定し、いき値Thよりも小さければ、それは
ノイズであると見なして異常はないと判定する。なお、
いき値Thは実験又は経験により予めある値に設定して
おく。
【0005】
【発明が解決しようとする課題】上記のような従来の監
視診断装置では、以上のように、2種のセンサの出力の
比の値Cと、予め設定されたいき値Thを比較して、い
き値Thよりも大きければ異常があるというアルゴリズ
ムである。従って、いき値Thを予め実験あるいは経験
により定める必要があり、また、遮断器の機種が変更に
なった時や、設置場所によって背景雑音が違った時、あ
るいは経年変化などに適応的に対応できない。
視診断装置では、以上のように、2種のセンサの出力の
比の値Cと、予め設定されたいき値Thを比較して、い
き値Thよりも大きければ異常があるというアルゴリズ
ムである。従って、いき値Thを予め実験あるいは経験
により定める必要があり、また、遮断器の機種が変更に
なった時や、設置場所によって背景雑音が違った時、あ
るいは経年変化などに適応的に対応できない。
【0006】さらに、センサがちょうど2種必要であ
り、1種類しか設置できなかったり、あるいはさらに3
種類以上のセンサが利用されているものでは、追加のセ
ンサ情報を利用することができないなど、適用範囲の狭
いものであった。加えて、従来のアルゴリズムで知り得
るのは、異常か正常かという情報のみであり、異常の原
因を同定することはできないという問題点があった。
り、1種類しか設置できなかったり、あるいはさらに3
種類以上のセンサが利用されているものでは、追加のセ
ンサ情報を利用することができないなど、適用範囲の狭
いものであった。加えて、従来のアルゴリズムで知り得
るのは、異常か正常かという情報のみであり、異常の原
因を同定することはできないという問題点があった。
【0007】この発明は上記のような問題点を解消する
ためになされたもので、異常か正常かという情報に付け
加えてどのような異常原因かを同定し、かつ、センサの
種類がいくつでも適用でき、さらに電気機器の種類や設
置場所、経年変化などに柔軟に対応できる監視診断装置
を得ることを目的とするものである。
ためになされたもので、異常か正常かという情報に付け
加えてどのような異常原因かを同定し、かつ、センサの
種類がいくつでも適用でき、さらに電気機器の種類や設
置場所、経年変化などに柔軟に対応できる監視診断装置
を得ることを目的とするものである。
【0008】
【課題を解決するための手段】請求項1の発明に係る監
視診断装置は、入力層及び出力層で構成されて、出力層
が1次元線状、または、2次元格子状に配置された生体
の神経細胞を模擬する複数の神経素子と、この神経素子
の層間を結合する結合重みとを有し、電気機器の動作中
に得られた複数の異常原因と上記電気機器に付加されて
その状態の変化を検知するセンサ出力の対を学習データ
として、上記センサ出力を入力した時に上記異常原因に
対応する上記神経素子が大きい出力を出すように上記結
合重みを競合学習アルゴリズムにより設定し、未知のセ
ンサ出力を入力した時、その異常原因を同定する神経回
路網装置とを設けたものである。
視診断装置は、入力層及び出力層で構成されて、出力層
が1次元線状、または、2次元格子状に配置された生体
の神経細胞を模擬する複数の神経素子と、この神経素子
の層間を結合する結合重みとを有し、電気機器の動作中
に得られた複数の異常原因と上記電気機器に付加されて
その状態の変化を検知するセンサ出力の対を学習データ
として、上記センサ出力を入力した時に上記異常原因に
対応する上記神経素子が大きい出力を出すように上記結
合重みを競合学習アルゴリズムにより設定し、未知のセ
ンサ出力を入力した時、その異常原因を同定する神経回
路網装置とを設けたものである。
【0009】また、請求項2の発明に係る監視診断装置
は、入力層,中間層,出力層で構成されて、中間層が生
体の神経細胞を模擬する複数の神経素子と、この神経素
子の層間を結合する結合重みとを有し、電気機器の動作
中に得られた複数の異常原因と上記電気機器に付加され
てその状態の変化を検知するセンサ出力の対を学習デー
タとして、上記センサ出力を入力した時に上記異常原因
に対応する出力層の神経素子が大きい出力を出すように
上記結合重みを学習アルゴリズムにより設定し、未知の
センサ出力を入力した時、その異常原因を同定する神経
回路網装置とを設けたものである。
は、入力層,中間層,出力層で構成されて、中間層が生
体の神経細胞を模擬する複数の神経素子と、この神経素
子の層間を結合する結合重みとを有し、電気機器の動作
中に得られた複数の異常原因と上記電気機器に付加され
てその状態の変化を検知するセンサ出力の対を学習デー
タとして、上記センサ出力を入力した時に上記異常原因
に対応する出力層の神経素子が大きい出力を出すように
上記結合重みを学習アルゴリズムにより設定し、未知の
センサ出力を入力した時、その異常原因を同定する神経
回路網装置とを設けたものである。
【0010】さらに、請求項3の発明に係る監視診断装
置は、入力層及び出力層で構成されて、これらの各層が
生体の神経細胞を模擬する複数の神経素子と、この神経
素子の層間を結合する結合重みとを有し、電気機器の動
作中に得られた複数の異常原因と上記電気機器に付加さ
れてその状態の変化を検知するセンサ出力の対を学習デ
ータとして、上記センサ出力を入力した時に上記異常原
因に対応する上記神経素子が大きい出力を出すように上
記結合重みを学習アルゴリズムにより設定し、未知のセ
ンサ出力を入力した時その異常原因を同定するように
し、さらに未知のセンサ出力を入力した時その異常原因
が学習データに存在しない原因の時出力層の神経素子が
新たな異常原因に対し大きい出力を出す神経回路網装置
とを設けたものである。
置は、入力層及び出力層で構成されて、これらの各層が
生体の神経細胞を模擬する複数の神経素子と、この神経
素子の層間を結合する結合重みとを有し、電気機器の動
作中に得られた複数の異常原因と上記電気機器に付加さ
れてその状態の変化を検知するセンサ出力の対を学習デ
ータとして、上記センサ出力を入力した時に上記異常原
因に対応する上記神経素子が大きい出力を出すように上
記結合重みを学習アルゴリズムにより設定し、未知のセ
ンサ出力を入力した時その異常原因を同定するように
し、さらに未知のセンサ出力を入力した時その異常原因
が学習データに存在しない原因の時出力層の神経素子が
新たな異常原因に対し大きい出力を出す神経回路網装置
とを設けたものである。
【0011】
【作用】請求項1の発明においては、神経回路網装置の
各結合重みに、学習データとして覚え込ませた電気機器
の複数の異常原因とセンサ出力の対応関係が記憶されて
いるので、神経回路網装置に電気機器の未知のセンサ出
力をデータとして入力した時に、その記憶に基づいて異
常原因に対応した神経素子が大きな出力を出す。その結
果、電気機器が正常か異常かを同定できるだけでなく、
その神経素子に対応した異常状態が電気機器に発生した
と同定される。また、運用と同時に学習データを収集
し、神経回路網装置を学習させることにより、電気機器
の設置場所や経年変化に適応することができる。
各結合重みに、学習データとして覚え込ませた電気機器
の複数の異常原因とセンサ出力の対応関係が記憶されて
いるので、神経回路網装置に電気機器の未知のセンサ出
力をデータとして入力した時に、その記憶に基づいて異
常原因に対応した神経素子が大きな出力を出す。その結
果、電気機器が正常か異常かを同定できるだけでなく、
その神経素子に対応した異常状態が電気機器に発生した
と同定される。また、運用と同時に学習データを収集
し、神経回路網装置を学習させることにより、電気機器
の設置場所や経年変化に適応することができる。
【0012】また、請求項2の発明においては、神経回
路網装置の各結合重みに学習データとして覚え込ませた
電気機器の複数の異常原因とセンサ出力の対応関係が記
憶されているので、神経回路網装置に未知のセンサ出力
をデータとして入力したときに、その記憶に基づいて異
常原因に対応した出力層の神経素子が大きな出力を出
し、その結果、電気機器が正常か異常かを同定できるだ
けでなく、その神経素子に対応した異常状態が電気機器
に発生したと同定される。また、運用と同時に学習デー
タを収集し、神経回路網装置を学習させることにより、
電気機器の設置場所や経年変化に対応することができ
る。
路網装置の各結合重みに学習データとして覚え込ませた
電気機器の複数の異常原因とセンサ出力の対応関係が記
憶されているので、神経回路網装置に未知のセンサ出力
をデータとして入力したときに、その記憶に基づいて異
常原因に対応した出力層の神経素子が大きな出力を出
し、その結果、電気機器が正常か異常かを同定できるだ
けでなく、その神経素子に対応した異常状態が電気機器
に発生したと同定される。また、運用と同時に学習デー
タを収集し、神経回路網装置を学習させることにより、
電気機器の設置場所や経年変化に対応することができ
る。
【0013】さらに、請求項3の発明においては、神経
回路網装置の各結合重みに学習データとして覚え込ませ
た電気機器の複数の異常原因とセンサ出力の対応関係が
記憶されているので、神経回路網装置に未知のセンサ出
力データとして入力した時に、その記憶に基づいて異常
原因に対応した神経素子が大きな出力を出す。その結
果、電気機器が正常か異常かを同定できるだけでなく、
その神経素子に対応した異常状態が電気機器に発生した
と同定される。また、運用と同時に学習データを収集
し、神経回路網装置を学習させることにより、電気機器
の設置場所や経年変化に対応することができる。さら
に、神経回路網装置は運用時に学習データに存在しなか
った電気機器に異常が発生したとしても、その異常が過
去の学習したデータに含まれていないことを認識し、神
経素子を自己増殖し、自己増殖した神経素子に新たな異
常原因を登録することにより、設置場所や経年変化に適
応することができる。
回路網装置の各結合重みに学習データとして覚え込ませ
た電気機器の複数の異常原因とセンサ出力の対応関係が
記憶されているので、神経回路網装置に未知のセンサ出
力データとして入力した時に、その記憶に基づいて異常
原因に対応した神経素子が大きな出力を出す。その結
果、電気機器が正常か異常かを同定できるだけでなく、
その神経素子に対応した異常状態が電気機器に発生した
と同定される。また、運用と同時に学習データを収集
し、神経回路網装置を学習させることにより、電気機器
の設置場所や経年変化に対応することができる。さら
に、神経回路網装置は運用時に学習データに存在しなか
った電気機器に異常が発生したとしても、その異常が過
去の学習したデータに含まれていないことを認識し、神
経素子を自己増殖し、自己増殖した神経素子に新たな異
常原因を登録することにより、設置場所や経年変化に適
応することができる。
【0014】
実施例1.図1はこの発明の一実施例による監視診断装
置を一部ブロック図で示す構成図である。この図1にお
いて、1〜4は従来と同様の電気機器の一例として遮断
器の構成部分を示している。図1においては、5は混入
した異物、6は発生した部分放電を示している。部分放
電6が発生すると、内部の絶縁ガスが振動し、その振動
がタンク2に伝播する。
置を一部ブロック図で示す構成図である。この図1にお
いて、1〜4は従来と同様の電気機器の一例として遮断
器の構成部分を示している。図1においては、5は混入
した異物、6は発生した部分放電を示している。部分放
電6が発生すると、内部の絶縁ガスが振動し、その振動
がタンク2に伝播する。
【0015】この結果、タンク2が機械的に振動するの
で、その振動が加速度の変化として、加速度センサ7の
出力で得られる。この出力は時間波形なので、演算器8
でFFTによりスペクトルに変換し、演算器9でその時
間平均をとる。さらに、演算器10でその大きさを正規
化するなどして、それを神経回路網装置11に入力す
る。この神経回路網装置11の出力から遮断器の異常状
態を同定する。
で、その振動が加速度の変化として、加速度センサ7の
出力で得られる。この出力は時間波形なので、演算器8
でFFTによりスペクトルに変換し、演算器9でその時
間平均をとる。さらに、演算器10でその大きさを正規
化するなどして、それを神経回路網装置11に入力す
る。この神経回路網装置11の出力から遮断器の異常状
態を同定する。
【0016】なお、ここでは、演算器8から演算器11
を別個の装置のように表現したが、例えば、汎用の可搬
型計算機を用いて、ソフトウェアとして実現することも
できる。
を別個の装置のように表現したが、例えば、汎用の可搬
型計算機を用いて、ソフトウェアとして実現することも
できる。
【0017】図2は演算器8,9,10の動作の詳細を
示す説明図である。図2において、波形12は加速度セ
ンサ7の出力の一例であり、時間を横軸とした時間波形
を示している。ここで、電力系統の周波数を60Hzとし
ているので、1/60秒で1サイクルとなる。電源に同
期して、1サイクル分、即ち、1/60秒おきに波形を
切り出して、各々に対し演算器8でFFT演算を行な
い、そのスペクトルとして波形13,14,15を求め
る。このスペクトルを示す波形13,14,15は横軸
に周波数、縦軸に強度を表わしている。例えば、1秒間
には、60個のスペクトルが得られる。さらに、これら
をいくつか集めて演算器9で平均化したのが波形16で
ある。図2では、1秒分の波形即ち60個の平均を取っ
ている。
示す説明図である。図2において、波形12は加速度セ
ンサ7の出力の一例であり、時間を横軸とした時間波形
を示している。ここで、電力系統の周波数を60Hzとし
ているので、1/60秒で1サイクルとなる。電源に同
期して、1サイクル分、即ち、1/60秒おきに波形を
切り出して、各々に対し演算器8でFFT演算を行な
い、そのスペクトルとして波形13,14,15を求め
る。このスペクトルを示す波形13,14,15は横軸
に周波数、縦軸に強度を表わしている。例えば、1秒間
には、60個のスペクトルが得られる。さらに、これら
をいくつか集めて演算器9で平均化したのが波形16で
ある。図2では、1秒分の波形即ち60個の平均を取っ
ている。
【0018】次に、例えば、周波数軸の解像度を落し周
波数軸を64に区分し、これを64次元のベクトルと考
えてノルム、すなわち、ベクトルの長さを1に正規化し
たものがグラフ17である。
波数軸を64に区分し、これを64次元のベクトルと考
えてノルム、すなわち、ベクトルの長さを1に正規化し
たものがグラフ17である。
【0019】次に、正規化されたスペクトルを区分され
た周波数ごとに神経回路網装置11の入力層に対応する
神経素子に入力する。なお、図では1/60秒ごとに連
続して波形を切り出してスペクトルに変換したが、必ず
しも連続して波形を切り出す必要はなく、適当な時間間
隔をおいて波形を切り出してもよい。また、波形の切り
だしは1サイクルに限る必要はなく、任意の時間間隔で
あってもよく、かならずしも、電源に同期して波形を切
り出す必要もない。
た周波数ごとに神経回路網装置11の入力層に対応する
神経素子に入力する。なお、図では1/60秒ごとに連
続して波形を切り出してスペクトルに変換したが、必ず
しも連続して波形を切り出す必要はなく、適当な時間間
隔をおいて波形を切り出してもよい。また、波形の切り
だしは1サイクルに限る必要はなく、任意の時間間隔で
あってもよく、かならずしも、電源に同期して波形を切
り出す必要もない。
【0020】図3は神経回路網装置11の詳細を示す構
成図である。図3において、18は生体の神経細胞を模
擬する神経素子、19は神経素子18の層間を結合する
結合重みである。神経素子18は2層で構成されてお
り、左列から順に入力層18a,出力層18bである。
正規化された加速度センサ7のスペクトルは例えば64
個の入力層18aから入力され、右方向に計算が進み、
最終的に最右端の出力層18bの神経素子で出力が得ら
れる。
成図である。図3において、18は生体の神経細胞を模
擬する神経素子、19は神経素子18の層間を結合する
結合重みである。神経素子18は2層で構成されてお
り、左列から順に入力層18a,出力層18bである。
正規化された加速度センサ7のスペクトルは例えば64
個の入力層18aから入力され、右方向に計算が進み、
最終的に最右端の出力層18bの神経素子で出力が得ら
れる。
【0021】1次元線状に出力層18bの神経素子が配
置されている様子を図4に、2次元格子状に出力層の神
経素子が配置されている様子を図5に示す。図4では7
個、図5では5×5=25個の神経素子が配置される例
を示している。
置されている様子を図4に、2次元格子状に出力層の神
経素子が配置されている様子を図5に示す。図4では7
個、図5では5×5=25個の神経素子が配置される例
を示している。
【0022】各神経素子には学習を行った結果として異
常原因がラベルとして貼られている。例えば、図4と図
5では、1正常状態、2異物が中心導体に付着、3異物
がタンク内壁に付着、4異物が浮遊している、5中心導
体の中央部接点で接触不良、6中心導体の両端電極で接
触不良などの、異常原因1から異常原因6を示してい
る。なお、図3において、図が煩雑になるので結合重み
は一部しか示していないが、入力層の全ての神経素子の
入力層18aと出力層18bの全ての神経素子の出力層
18bは各々結合重み19を介して結合されている。
常原因がラベルとして貼られている。例えば、図4と図
5では、1正常状態、2異物が中心導体に付着、3異物
がタンク内壁に付着、4異物が浮遊している、5中心導
体の中央部接点で接触不良、6中心導体の両端電極で接
触不良などの、異常原因1から異常原因6を示してい
る。なお、図3において、図が煩雑になるので結合重み
は一部しか示していないが、入力層の全ての神経素子の
入力層18aと出力層18bの全ての神経素子の出力層
18bは各々結合重み19を介して結合されている。
【0023】図6は出力層18bの神経素子の構成を詳
細に示す説明図である。図6において、注目する神経素
子の出力層18bをjとする。神経素子jは入力層の神
経素子1からi、さらにNまでと、図6にあるような結
合重みWj1,Wji,WjNを介して結合しているとする。
この時、数1に示すように、入力層の出力と結合重みの
内積をとり、その値を神経素子jの出力Vj とする。
細に示す説明図である。図6において、注目する神経素
子の出力層18bをjとする。神経素子jは入力層の神
経素子1からi、さらにNまでと、図6にあるような結
合重みWj1,Wji,WjNを介して結合しているとする。
この時、数1に示すように、入力層の出力と結合重みの
内積をとり、その値を神経素子jの出力Vj とする。
【0024】次に、出力層の神経素子の中で最大の出力
を出す神経素子を選択し、この神経素子に貼られたラベ
ルが上記の異常原因を示すことになる。例えば、図5に
おいて、左上隅の神経素子が最大の出力を出すならば、
この神経素子のラベルは「1」なので異常原因は1とな
る。なお、入力層の神経素子はバッファの役目を果たす
だけなので、入力された値がそのまま出力される。
を出す神経素子を選択し、この神経素子に貼られたラベ
ルが上記の異常原因を示すことになる。例えば、図5に
おいて、左上隅の神経素子が最大の出力を出すならば、
この神経素子のラベルは「1」なので異常原因は1とな
る。なお、入力層の神経素子はバッファの役目を果たす
だけなので、入力された値がそのまま出力される。
【0025】
【数1】
【0026】なお、以上説明した動作は未知のスペクト
ルが入力された場合である。以降未知のスペクトルを未
知データということがある。学習を行う際には次のよう
にする。予め、実験などにより異常状態が既知のスペク
トルを求めておく。以降既知のスペクトルを学習データ
ということがある。
ルが入力された場合である。以降未知のスペクトルを未
知データということがある。学習を行う際には次のよう
にする。予め、実験などにより異常状態が既知のスペク
トルを求めておく。以降既知のスペクトルを学習データ
ということがある。
【0027】次に、このスペクトルを上記と同様に神経
回路網装置11に入力し、競合学習などにより結合重み
の値を求める。次に、学習データを再度神経回路網装置
11に入力し、最大の出力を出す出力層の神経素子を求
める。この神経素子に学習データの異常原因、すなわ
ち、既知のスペクトルの異常原因をラベルとして貼る。
回路網装置11に入力し、競合学習などにより結合重み
の値を求める。次に、学習データを再度神経回路網装置
11に入力し、最大の出力を出す出力層の神経素子を求
める。この神経素子に学習データの異常原因、すなわ
ち、既知のスペクトルの異常原因をラベルとして貼る。
【0028】競合学習のアルゴリズムとしては、例え
ば、Kohonen の自己組織化学習アルゴリズムやLVQが
ある。自己組織化学習アルゴリズムは次のように行う。
学習の繰り返し回数tにおける、神経素子jの結合重み
をベクトル記号で表現しWj(t)とする。また、学習
データ、すなわち、既知スペクトル、つまり、入力層の
神経素子の出力をXとする。cを学習データを入力した
ときに最大の出力値を出す出力層の神経素子の番号、N
c(t)を神経素子cの近傍にある神経素子の番号の場
合、α(t)を適当な係数としたとき、学習は数2に示
すような式に従って行われる。
ば、Kohonen の自己組織化学習アルゴリズムやLVQが
ある。自己組織化学習アルゴリズムは次のように行う。
学習の繰り返し回数tにおける、神経素子jの結合重み
をベクトル記号で表現しWj(t)とする。また、学習
データ、すなわち、既知スペクトル、つまり、入力層の
神経素子の出力をXとする。cを学習データを入力した
ときに最大の出力値を出す出力層の神経素子の番号、N
c(t)を神経素子cの近傍にある神経素子の番号の場
合、α(t)を適当な係数としたとき、学習は数2に示
すような式に従って行われる。
【0029】ここで、cの近傍にある神経素子とは次を
意味する。例えば、神経素子が図5の2次元格子状に配
置された場合、18cで示される神経素子がcであると
する。ここで、近傍が仮に市街値距離1であるとする
と、18eで示される神経素子とc自身がNc(t)に
含まれることになる。すなわち、最大の出力を示す神経
素子の近くにある神経素子の結合重みを数2にしたがっ
て修正する。なお、近傍の大きさや、係数α(t)は学
習が進むにしたがって漸次小さな値とすればよい。
意味する。例えば、神経素子が図5の2次元格子状に配
置された場合、18cで示される神経素子がcであると
する。ここで、近傍が仮に市街値距離1であるとする
と、18eで示される神経素子とc自身がNc(t)に
含まれることになる。すなわち、最大の出力を示す神経
素子の近くにある神経素子の結合重みを数2にしたがっ
て修正する。なお、近傍の大きさや、係数α(t)は学
習が進むにしたがって漸次小さな値とすればよい。
【0030】
【数2】
【0031】この実施例では、神経回路網装置11の各
結合重み19として、学習データとして覚え込ませた異
常原因とスペクトルの対応関係が記憶されているので、
未知の加速度センサのスペクトルを入力した時、その記
憶に基づいて異常原因に対応した神経素子が大きな出力
を出す。その結果、正常か異常かを同定できるだけでな
く、その神経素子の出力層18bに対応したラベルに相
当する異常状態がガス絶縁遮断器などの電気機器に発生
したと同定される。
結合重み19として、学習データとして覚え込ませた異
常原因とスペクトルの対応関係が記憶されているので、
未知の加速度センサのスペクトルを入力した時、その記
憶に基づいて異常原因に対応した神経素子が大きな出力
を出す。その結果、正常か異常かを同定できるだけでな
く、その神経素子の出力層18bに対応したラベルに相
当する異常状態がガス絶縁遮断器などの電気機器に発生
したと同定される。
【0032】また、運用と同時に学習データを収集して
神経回路網装置を学習させることにより、電気機器の設
置場所や経年変化などに適応することができる。さら
に、ガス絶縁遮断器などの電気機器の種類が異なって
も、神経回路網装置11自体は全く同じ構造で十分で、
その機種に適した学習データを実験で得て学習させれば
よい。
神経回路網装置を学習させることにより、電気機器の設
置場所や経年変化などに適応することができる。さら
に、ガス絶縁遮断器などの電気機器の種類が異なって
も、神経回路網装置11自体は全く同じ構造で十分で、
その機種に適した学習データを実験で得て学習させれば
よい。
【0033】実施例2.図7はこの発明の他の実施例に
よる監視診断装置を一部ブロックで示す構成図である。
図1に示した加速度センサ7の出力に付加して、部分放
電センサ20の出力を利用する。部分放電センサ20は
遮断器の異常時にタンクの電位が上昇することを検知す
るものである。この部分放電センサ20からの出力は演
算器21で前処理されて、演算器22で時間平均をと
り、演算器23でノルムを「1」にするなどの正規化を
して、加速度センサ7からの出力と共に、神経回路網装
置11の入力層に入力される。
よる監視診断装置を一部ブロックで示す構成図である。
図1に示した加速度センサ7の出力に付加して、部分放
電センサ20の出力を利用する。部分放電センサ20は
遮断器の異常時にタンクの電位が上昇することを検知す
るものである。この部分放電センサ20からの出力は演
算器21で前処理されて、演算器22で時間平均をと
り、演算器23でノルムを「1」にするなどの正規化を
して、加速度センサ7からの出力と共に、神経回路網装
置11の入力層に入力される。
【0034】図8は演算器21,22,23の動作の詳
細を示す説明図である。図8において、24は部分放電
センサ20の出力波形で、時間を横軸とした時間波形を
示している。ここで、電力系統の周波数は60Hzとして
いる。部分放電センサ20の出力波形は、1サイクル
分、すなわち、1/60秒ごとに切り出され、演算器2
1で前処理される。これが波形25,26,27であ
る。例えば、1秒間には60個の波形が得られる。これ
らが、演算器22で例えば60個加算平均されて波形2
8に示すようになる。
細を示す説明図である。図8において、24は部分放電
センサ20の出力波形で、時間を横軸とした時間波形を
示している。ここで、電力系統の周波数は60Hzとして
いる。部分放電センサ20の出力波形は、1サイクル
分、すなわち、1/60秒ごとに切り出され、演算器2
1で前処理される。これが波形25,26,27であ
る。例えば、1秒間には60個の波形が得られる。これ
らが、演算器22で例えば60個加算平均されて波形2
8に示すようになる。
【0035】次に、グラフ29に示すように、横軸の時
間tを例えば64に等分割し、これをベクトルと考え、
そのノルムを「1」に正規化し、加速度センサ7からの
スペクトル17とまとめてさらに、ノルムを「1」に正
規化して、神経回路網装置11の入力層の神経素子に入
力する。その後の動作は実施例1と同じである。ここ
で、神経回路網装置11の入力層の神経素子の数は加速
度センサ7と部分放電センサ20に各々対応する数の合
計となる。図8では、たとえば、加速度センサ17に対
応して64個、部分放電センサに対応して64個の合計
128個となる。なお、図8では1/60秒ごとに連続
して波形を切り出したが、必ずしも連続して切り出す必
要はない。
間tを例えば64に等分割し、これをベクトルと考え、
そのノルムを「1」に正規化し、加速度センサ7からの
スペクトル17とまとめてさらに、ノルムを「1」に正
規化して、神経回路網装置11の入力層の神経素子に入
力する。その後の動作は実施例1と同じである。ここ
で、神経回路網装置11の入力層の神経素子の数は加速
度センサ7と部分放電センサ20に各々対応する数の合
計となる。図8では、たとえば、加速度センサ17に対
応して64個、部分放電センサに対応して64個の合計
128個となる。なお、図8では1/60秒ごとに連続
して波形を切り出したが、必ずしも連続して切り出す必
要はない。
【0036】図9は演算器21での前処理の詳細を示す
説明図である。図9において、24は部分放電センサ2
0からの出力波形で、黒丸はサンプル点を示している。
出力波形24において、2個の連続したサンプル点の振
幅を比較することにより、波形31に示すように急激に
振幅が変動する個所を検出する。
説明図である。図9において、24は部分放電センサ2
0からの出力波形で、黒丸はサンプル点を示している。
出力波形24において、2個の連続したサンプル点の振
幅を比較することにより、波形31に示すように急激に
振幅が変動する個所を検出する。
【0037】次に、位置変動の誤差を吸収するために、
その箇所を波形32に示すように例えばガウス分布など
でぼかす。これが前処理の一例であり、図9の各グラフ
において、横軸は時間t、縦軸は振幅を示している。学
習の方法は、加速度センサ7に追加して、部分放電セン
サ20が付加されただけであり、上記実施例と全く同様
に行なうことができる。
その箇所を波形32に示すように例えばガウス分布など
でぼかす。これが前処理の一例であり、図9の各グラフ
において、横軸は時間t、縦軸は振幅を示している。学
習の方法は、加速度センサ7に追加して、部分放電セン
サ20が付加されただけであり、上記実施例と全く同様
に行なうことができる。
【0038】この実施例においては、加速度センサ7か
らの出力に加えて、部分放電センサ20の出力をも同時
に神経回路網装置11の入力層の神経素子に入力して異
常状態を同定するので、加速度センサ7のみでは同定で
きないような異常状態も同定できる。さらに、新たなセ
ンサが追加された場合も、加速度センサ7に部分放電セ
ンサ20の出力情報を追加したのと同様、センサの出力
情報を追加して神経回路網装置11の入力層の神経素子
に入力すれば、異常状態の同定性能は向上する。
らの出力に加えて、部分放電センサ20の出力をも同時
に神経回路網装置11の入力層の神経素子に入力して異
常状態を同定するので、加速度センサ7のみでは同定で
きないような異常状態も同定できる。さらに、新たなセ
ンサが追加された場合も、加速度センサ7に部分放電セ
ンサ20の出力情報を追加したのと同様、センサの出力
情報を追加して神経回路網装置11の入力層の神経素子
に入力すれば、異常状態の同定性能は向上する。
【0039】なお、図8では、加速度センサ7と部分放
電センサ20の出力情報を同時に神経回路網装置に入力
したが、部分放電センサ20の出力情報だけでも、全く
同様にして学習し使用することができる。また、センサ
出力を唯1個しか用いないときは、正規化30を行う必
要はない。
電センサ20の出力情報を同時に神経回路網装置に入力
したが、部分放電センサ20の出力情報だけでも、全く
同様にして学習し使用することができる。また、センサ
出力を唯1個しか用いないときは、正規化30を行う必
要はない。
【0040】実施例3.図10はこの発明のさらに他の
実施例による監視診断装置の神経回路網装置11の構成
と学習アルゴリズムが異なっているだけであり、FF
T,時間平均,正規化,前処理などは同一である。
実施例による監視診断装置の神経回路網装置11の構成
と学習アルゴリズムが異なっているだけであり、FF
T,時間平均,正規化,前処理などは同一である。
【0041】この図10において、加速度センサや部分
放電センサの出力はFFTや正規化をへて入力層33の
神経素子に入力される。入力層33の神経素子はバッフ
ァであり、その入力をそのまま出力する。ここで、セン
サの出力、すなわち、神経素子の入力層33の入力と出
力をベクトル的に表現し、xとする。中間層34にある
神経素子は、例えば数3に示し図11にも示すようなガ
ウス型の入出力関係を持つ。
放電センサの出力はFFTや正規化をへて入力層33の
神経素子に入力される。入力層33の神経素子はバッフ
ァであり、その入力をそのまま出力する。ここで、セン
サの出力、すなわち、神経素子の入力層33の入力と出
力をベクトル的に表現し、xとする。中間層34にある
神経素子は、例えば数3に示し図11にも示すようなガ
ウス型の入出力関係を持つ。
【0042】
【数3】
【0043】次に、中間層37の神経素子iと出力層の
神経素子jの間の結合重みをWjiと表現すると、出力層
の神経素子jの入力Vj,inは数4で示すようになる。
神経素子jの間の結合重みをWjiと表現すると、出力層
の神経素子jの入力Vj,inは数4で示すようになる。
【0044】
【数4】
【0045】ここで、μi はバイアスである。出力層3
5の神経素子はバッファであり、入力がそのまま出力さ
れる。すなわち、出力層の神経素子jの出力Vj,out =
Vj,inとなる。なお、入力層33や出力層35の神経素
子は、一般には、シグモイド関数のような単調な入出力
特性を持てば、任意でよいが、入力をそのまま出力する
ような関数が最も簡単である。
5の神経素子はバッファであり、入力がそのまま出力さ
れる。すなわち、出力層の神経素子jの出力Vj,out =
Vj,inとなる。なお、入力層33や出力層35の神経素
子は、一般には、シグモイド関数のような単調な入出力
特性を持てば、任意でよいが、入力をそのまま出力する
ような関数が最も簡単である。
【0046】出力層35の神経素子はおのおの異常原因
に対応するように学習しておく。すると、センサからの
出力が神経回路網装置11に入力されると、最大の出力
値を出す出力層の神経素子に対応する異常原因が同定で
きることになる。なお、異常原因の同定は未知のスペク
トルが入力された場合である。以降未知のスペクトルを
未知データということがある。
に対応するように学習しておく。すると、センサからの
出力が神経回路網装置11に入力されると、最大の出力
値を出す出力層の神経素子に対応する異常原因が同定で
きることになる。なお、異常原因の同定は未知のスペク
トルが入力された場合である。以降未知のスペクトルを
未知データということがある。
【0047】学習を行う際には、次のようにする。予
め、実験などにより異常状態が既知のスペクトルを求め
ておく。以降既知のスペクトルを学習データということ
がある。次に、このスペクトルを上記と同様に神経回路
網装置11に入力し、中間層の神経素子におけるパラメ
ータμi とσi 、また、中間層と出力層の間の結合重み
Wjiを求めればよい。このためには、例えば最急降下法
が使用できる。
め、実験などにより異常状態が既知のスペクトルを求め
ておく。以降既知のスペクトルを学習データということ
がある。次に、このスペクトルを上記と同様に神経回路
網装置11に入力し、中間層の神経素子におけるパラメ
ータμi とσi 、また、中間層と出力層の間の結合重み
Wjiを求めればよい。このためには、例えば最急降下法
が使用できる。
【0048】今、異常原因を6個とする。中間層の神経
素子の数をJ個とする。P番目の学習データの入力、つ
まり、センサ出力をx(P)とする。それに対応した正
解、すなわち、正しい出力層の神経素子に値をT
j (P)とする。すると、学習データ全体における誤差
Eが数5のように定義できる。
素子の数をJ個とする。P番目の学習データの入力、つ
まり、センサ出力をx(P)とする。それに対応した正
解、すなわち、正しい出力層の神経素子に値をT
j (P)とする。すると、学習データ全体における誤差
Eが数5のように定義できる。
【0049】
【数5】
【0050】ただし、数5において、x(P)とμi は
ベクトルである。誤差Eに最急降下法を適用して、
Wji,μi ,σi を数6に示すように求めればよい。な
お、ここで中間層の神経素子の数Jは任意に定めてよい
が、例えば、図12に示すように誤差Eを用いて繰り返
し計算により求めることもできる。すなわち、誤差Eに
注目し、あるJを定めて、そのJについて数6を適用し
て学習する。このとき、誤差Eが十分小さくならなかっ
たら、中間層の神経素子の数Jが不足しているとみなし
て、Jを増加させる。
ベクトルである。誤差Eに最急降下法を適用して、
Wji,μi ,σi を数6に示すように求めればよい。な
お、ここで中間層の神経素子の数Jは任意に定めてよい
が、例えば、図12に示すように誤差Eを用いて繰り返
し計算により求めることもできる。すなわち、誤差Eに
注目し、あるJを定めて、そのJについて数6を適用し
て学習する。このとき、誤差Eが十分小さくならなかっ
たら、中間層の神経素子の数Jが不足しているとみなし
て、Jを増加させる。
【0051】つまり、図12において、ステップS1で
中間層の神経素子の数Jを初期化して、例えば、J=1
とし、ステップS2でその数Jについて数6を用いて結
合重みを求め、ステップS3で誤差Eが十分小さくなっ
たか否かの判断を行い、誤差Eが十分小さくなると、処
理を終了する。また、誤差Eが十分小さくならないと、
ステップS4で中間層の神経素子の数Jを増して、例え
ば、J=J+1として、ステップS2の処理に戻る。
中間層の神経素子の数Jを初期化して、例えば、J=1
とし、ステップS2でその数Jについて数6を用いて結
合重みを求め、ステップS3で誤差Eが十分小さくなっ
たか否かの判断を行い、誤差Eが十分小さくなると、処
理を終了する。また、誤差Eが十分小さくならないと、
ステップS4で中間層の神経素子の数Jを増して、例え
ば、J=J+1として、ステップS2の処理に戻る。
【0052】
【数6】
【0053】実施例4.図13はこの発明のさらに他の
実施例による監視診断装置の神経回路網装置11を示す
構成図である。この実施例においては、図1または図7
において神経回路網装置の構成と学習アルゴリズムが異
なっているだけであり、FFT,時間平均,正規化,前
処理などは同一である。
実施例による監視診断装置の神経回路網装置11を示す
構成図である。この実施例においては、図1または図7
において神経回路網装置の構成と学習アルゴリズムが異
なっているだけであり、FFT,時間平均,正規化,前
処理などは同一である。
【0054】この図13において、加速度センサや部分
放電センサの出力はFFTや正規化を経由して入力層3
8の神経素子に入力される。入力層38の神経素子はバ
ッファであり、その入力をそのまま出力する。以下で
は、センサの出力、すなわち、神経素子の入力と出力を
ベクトル的に表現しxとすることがある。
放電センサの出力はFFTや正規化を経由して入力層3
8の神経素子に入力される。入力層38の神経素子はバ
ッファであり、その入力をそのまま出力する。以下で
は、センサの出力、すなわち、神経素子の入力と出力を
ベクトル的に表現しxとすることがある。
【0055】また、図13では、例えば、学習データで
神経回路網装置が学習した異常原因は6個であるとして
いる。これらは図13では、例えば出力層の神経素子1
から6に割り当てられている。なお、図13では一つの
異常原因に一つの神経素子を割り当てたが、学習アルゴ
リズムにより一つの異常原因に2つ以上の神経素子が割
り当てられることがある。
神経回路網装置が学習した異常原因は6個であるとして
いる。これらは図13では、例えば出力層の神経素子1
から6に割り当てられている。なお、図13では一つの
異常原因に一つの神経素子を割り当てたが、学習アルゴ
リズムにより一つの異常原因に2つ以上の神経素子が割
り当てられることがある。
【0056】神経回路網装置11を運用中に、学習デー
タで学習した異常原因以外の異常原因が発生し、そのセ
ンサ出力が神経回路網装置11に入力されたとする。こ
の異常原因を仮に異常原因7という。このときの神経回
路網装置11の動作は次のようになる。異常原因7は学
習した異常原因1から6までのどれでもないので、神経
回路網装置11は新たに神経素子42を自己増殖し、神
経素子42を異常原因7に割り当てる。異常原因1から
7以外の新たな異常原因8が発生した場合も同様で、こ
の場合は神経素子43を自己増殖し、これに異常原因8
を割り当てる。
タで学習した異常原因以外の異常原因が発生し、そのセ
ンサ出力が神経回路網装置11に入力されたとする。こ
の異常原因を仮に異常原因7という。このときの神経回
路網装置11の動作は次のようになる。異常原因7は学
習した異常原因1から6までのどれでもないので、神経
回路網装置11は新たに神経素子42を自己増殖し、神
経素子42を異常原因7に割り当てる。異常原因1から
7以外の新たな異常原因8が発生した場合も同様で、こ
の場合は神経素子43を自己増殖し、これに異常原因8
を割り当てる。
【0057】すなわち、運用前は図13において、実線
で示す結合重みと神経素子1から6までが使用されてい
る。運用中に学習しなかった異常原因が発生すると順次
神経素子7や8、ならびに神経素子7や8と入力層の神
経素子を結ぶ結合重みが自己増殖により割り当てられる
ことになる。
で示す結合重みと神経素子1から6までが使用されてい
る。運用中に学習しなかった異常原因が発生すると順次
神経素子7や8、ならびに神経素子7や8と入力層の神
経素子を結ぶ結合重みが自己増殖により割り当てられる
ことになる。
【0058】図13で示す実施例においては、学習アル
ゴリズムと運用中の動作は全く同じである。すなわち、
学習中であるか運用中であるかに拘らず、同一のアルゴ
リズムが動作する。以下この実施例では、このアルゴリ
ズムを統一的に学習アルゴリズムと呼ぶ。学習アルゴリ
ズムの概略を図14に示す。
ゴリズムと運用中の動作は全く同じである。すなわち、
学習中であるか運用中であるかに拘らず、同一のアルゴ
リズムが動作する。以下この実施例では、このアルゴリ
ズムを統一的に学習アルゴリズムと呼ぶ。学習アルゴリ
ズムの概略を図14に示す。
【0059】まず、ステップS11において、出力層の
神経素子の数を1個に初期化し、ステップS12でこの
神経素子と入力層を結ぶ結合重みW1 を最初のセンサの
出力x1 に設定する。ここでいうセンサの出力とは図1
や図7で示した前処理や正規化が済んだ後の出力を意味
している。また、結合重みW1 やセンサの出力x1 はベ
クトルとして表記している。
神経素子の数を1個に初期化し、ステップS12でこの
神経素子と入力層を結ぶ結合重みW1 を最初のセンサの
出力x1 に設定する。ここでいうセンサの出力とは図1
や図7で示した前処理や正規化が済んだ後の出力を意味
している。また、結合重みW1 やセンサの出力x1 はベ
クトルとして表記している。
【0060】次に、ステップS13において、新たな次
のセンサの出力xが入力されたとする。この出力xに対
し、ステップS14で出力層の神経素子jの出力Vj は
例えば数7で示すように、xとWj の内積で得られる。
次のステップS15で出力Vj があらかじめ定めたいき
値Thよりも大きければ、ステップS16でセンサ出力
xの原因となった異常原因は神経素子jで表される異常
原因であると考え、たとえば、数8によってWjを修正
する。
のセンサの出力xが入力されたとする。この出力xに対
し、ステップS14で出力層の神経素子jの出力Vj は
例えば数7で示すように、xとWj の内積で得られる。
次のステップS15で出力Vj があらかじめ定めたいき
値Thよりも大きければ、ステップS16でセンサ出力
xの原因となった異常原因は神経素子jで表される異常
原因であると考え、たとえば、数8によってWjを修正
する。
【0061】
【数7】
【0062】
【数8】
【0063】ただし、この数8において、nj は出力層
の神経素子jにその時点までに割り当てられたセンサ出
力の個数である。ステップS16でWj を修正した後、
ステップS17でセンサの出力が未だあるか否かの判定
を行い、センサの出力がなければ処理を終え、センサの
出力が未だあれば、ステップS13の処理に戻る。
の神経素子jにその時点までに割り当てられたセンサ出
力の個数である。ステップS16でWj を修正した後、
ステップS17でセンサの出力が未だあるか否かの判定
を行い、センサの出力がなければ処理を終え、センサの
出力が未だあれば、ステップS13の処理に戻る。
【0064】また、ステップS16において、出力Vj
があらかじめ定めたいき値Thよりも小さければ、ステ
ップS18で出力層の神経素子の数を1個増加させて、
Jを1増やす。さらに、ステップS19で増加させた神
経素子と入力層を結ぶ結合重みを、その時点において入
力したセンサ出力xとして初期化する。ここで、新たに
自己増殖した出力層の神経素子が新たな異常原因を示す
わけである。
があらかじめ定めたいき値Thよりも小さければ、ステ
ップS18で出力層の神経素子の数を1個増加させて、
Jを1増やす。さらに、ステップS19で増加させた神
経素子と入力層を結ぶ結合重みを、その時点において入
力したセンサ出力xとして初期化する。ここで、新たに
自己増殖した出力層の神経素子が新たな異常原因を示す
わけである。
【0065】実施例5.図15はこの発明のさらに他の
実施例による監視診断装置の神経回路網装置11を示す
構成図である。この実施例においては、図1または図7
において、神経回路網装置11の構成と学習アルゴリズ
ムが異なっているだけであり、FFT,時間平均,正規
化,前処理などは同一である。
実施例による監視診断装置の神経回路網装置11を示す
構成図である。この実施例においては、図1または図7
において、神経回路網装置11の構成と学習アルゴリズ
ムが異なっているだけであり、FFT,時間平均,正規
化,前処理などは同一である。
【0066】この図15において、加速度センサや部分
放電センサの出力はFFTや正規化を経由して入力層5
3の神経素子に入力される。入力層53の神経素子はバ
ッファであり、その入力をそのまま出力する。以下、こ
の実施例では、センサの出力、すなわち、神経素子の入
力と出力をベクトル的に表現しIとすることがある。ま
た、神経素子54〜61では一部神経素子を示す○印を
省略しているが、53〜61は同一の構成である。
放電センサの出力はFFTや正規化を経由して入力層5
3の神経素子に入力される。入力層53の神経素子はバ
ッファであり、その入力をそのまま出力する。以下、こ
の実施例では、センサの出力、すなわち、神経素子の入
力と出力をベクトル的に表現しIとすることがある。ま
た、神経素子54〜61では一部神経素子を示す○印を
省略しているが、53〜61は同一の構成である。
【0067】図15に示す神経回路網装置11を外から
みた機能は実施例4とほとんど同様である。すなわち、
学習データにより学習した結果、例えば、神経素子62
や63に異常原因1と異常原因2が割り当てていたとす
る。運用時に電気機器に異常原因1が発生していたとす
ると、センサ出力が神経回路網装置11に入力されてい
るとき、神経素子62が最大の出力を出す。
みた機能は実施例4とほとんど同様である。すなわち、
学習データにより学習した結果、例えば、神経素子62
や63に異常原因1と異常原因2が割り当てていたとす
る。運用時に電気機器に異常原因1が発生していたとす
ると、センサ出力が神経回路網装置11に入力されてい
るとき、神経素子62が最大の出力を出す。
【0068】また、運用時に電気機器に異常原因1でも
なく異常原因2でもない学習データに存在しなかった異
常原因3が発生したとすると、神経回路網装置内部の結
合重みが修正されて、新たな神経素子64が最大の出力
を出すようになる。すなわち、学習時に学習しなかった
異常原因であっても、運用時に出力層の神経素子58を
自己増殖することにより、その異常原因を同定できるよ
うになる。
なく異常原因2でもない学習データに存在しなかった異
常原因3が発生したとすると、神経回路網装置内部の結
合重みが修正されて、新たな神経素子64が最大の出力
を出すようになる。すなわち、学習時に学習しなかった
異常原因であっても、運用時に出力層の神経素子58を
自己増殖することにより、その異常原因を同定できるよ
うになる。
【0069】図15で示す実施例においては、学習アル
ゴリズムと運用中の動作は全く同じである。すなわち、
学習中であるか運用中であるかに拘らず、同一のアルゴ
リズムが動作する。以下、この実施例では、このアルゴ
リズムを統一的に学習アルゴリズムと呼ぶ。神経素子5
4〜56、59〜61は数9に示す式にしたがって動作
する。
ゴリズムと運用中の動作は全く同じである。すなわち、
学習中であるか運用中であるかに拘らず、同一のアルゴ
リズムが動作する。以下、この実施例では、このアルゴ
リズムを統一的に学習アルゴリズムと呼ぶ。神経素子5
4〜56、59〜61は数9に示す式にしたがって動作
する。
【0070】
【数9】
【0071】ただし、この数9において、f(x)は数
10に示す。
10に示す。
【0072】
【数10】
【0073】この数9,数10において、a,b,e,
θはパラメータである。また、IiはベクトルIのi番
目の要素を示す。W,u,P,x,V,qについても添
え字iは各々のベクトルのi番目の要素を示す。神経素
子58の出力ならびに神経素子58と56の間の結合重
みは数11に示す式にしたがって動作する。
θはパラメータである。また、IiはベクトルIのi番
目の要素を示す。W,u,P,x,V,qについても添
え字iは各々のベクトルのi番目の要素を示す。神経素
子58の出力ならびに神経素子58と56の間の結合重
みは数11に示す式にしたがって動作する。
【0074】
【数11】
【0075】ただし、この数11において、g(yj)
は数12で示す。神経素子57は数13で得られる。
c,d,ρはパラメータである。Zijは神経素子56か
ら58への結合重みで、Zjiは神経素子58から56へ
の結合重みである。
は数12で示す。神経素子57は数13で得られる。
c,d,ρはパラメータである。Zijは神経素子56か
ら58への結合重みで、Zjiは神経素子58から56へ
の結合重みである。
【0076】
【数12】
【0077】
【数13】
【0078】
【数14】
【0079】図16にこの実施例のアルゴリズムを示
す。まずステップS21で示すようにZijとZjiを初期
化する。例えば小さな乱数を設定すればよい。次に、ス
テップS22でセンサ出力Iが終りか否かを判定し、終
りでなければ、ステップS23でセンサ出力Iを入力し
て、ステップS24で神経素子54〜56と59〜61
を初期化する。この場合、例えば、ゼロを設定する。次
にステップS25で数9,数10,数11,数13を実
施する。次にステップS26で数14を満足するかどう
かを調べ、満足しないときは、ステップS27で次にセ
ンサ出力を入力するか否かを判断し、入力する場合に
は、ステップS22の処理に戻り、入力しない場合に
は、再びステップS25において、数9,数10,数1
1,数13を実施する。ステップS25の処理を実施し
ないときは、次のセンサ出力を入力する。
す。まずステップS21で示すようにZijとZjiを初期
化する。例えば小さな乱数を設定すればよい。次に、ス
テップS22でセンサ出力Iが終りか否かを判定し、終
りでなければ、ステップS23でセンサ出力Iを入力し
て、ステップS24で神経素子54〜56と59〜61
を初期化する。この場合、例えば、ゼロを設定する。次
にステップS25で数9,数10,数11,数13を実
施する。次にステップS26で数14を満足するかどう
かを調べ、満足しないときは、ステップS27で次にセ
ンサ出力を入力するか否かを判断し、入力する場合に
は、ステップS22の処理に戻り、入力しない場合に
は、再びステップS25において、数9,数10,数1
1,数13を実施する。ステップS25の処理を実施し
ないときは、次のセンサ出力を入力する。
【0080】ステップS26において、数14を満足す
るときは、ステップS28において、図15の神経素子
58において、現在選択されている神経素子以外で、そ
のセンサ出力について過去に選択されていない神経素子
が選択される。この時、過去にすべての神経素子が選択
されていれば、新たに神経素子を自己増殖し、その神経
素子を選択する。例えば、図15の神経素子58におい
て、神経素子62〜64が過去に選択されていたとする
と、新たに神経素子64を自己増殖しこれを選択する。
るときは、ステップS28において、図15の神経素子
58において、現在選択されている神経素子以外で、そ
のセンサ出力について過去に選択されていない神経素子
が選択される。この時、過去にすべての神経素子が選択
されていれば、新たに神経素子を自己増殖し、その神経
素子を選択する。例えば、図15の神経素子58におい
て、神経素子62〜64が過去に選択されていたとする
と、新たに神経素子64を自己増殖しこれを選択する。
【0081】なお、ここで自己増殖すると称している
が、実際に実現するには、例えば、この実施例をプログ
ラムで実行した場合では、神経素子58としてあらかじ
め十分な数の神経素子を配列変数として用意しておき、
その一部を神経素子62〜64として使用し、自己増殖
するときは未使用の神経素子を使用すればよい。
が、実際に実現するには、例えば、この実施例をプログ
ラムで実行した場合では、神経素子58としてあらかじ
め十分な数の神経素子を配列変数として用意しておき、
その一部を神経素子62〜64として使用し、自己増殖
するときは未使用の神経素子を使用すればよい。
【0082】なお、以上説明した実施例において、加速
度センサ7と部分放電センサ20は遮断器に接着される
が、その他の処理8〜11、21〜23は、例えば、携
帯型計算機やそれに付加された専用のハードウエアによ
り、プログラムで実行することもできる。
度センサ7と部分放電センサ20は遮断器に接着される
が、その他の処理8〜11、21〜23は、例えば、携
帯型計算機やそれに付加された専用のハードウエアによ
り、プログラムで実行することもできる。
【0083】また、以上の実施例では、対象として電気
機器の遮断器を例としたが、これは、遮断器に限るもの
でなく、例えば、遮断器,開閉器,断路器,変圧器,変
流器,変成器,母線,絶縁計器,発電機,回転機など
の、電気機器,油絶縁電気機器,空気絶縁電気機器,真
空絶縁電気機器,固体絶縁電気機器等の電気機器にも適
用できる。
機器の遮断器を例としたが、これは、遮断器に限るもの
でなく、例えば、遮断器,開閉器,断路器,変圧器,変
流器,変成器,母線,絶縁計器,発電機,回転機など
の、電気機器,油絶縁電気機器,空気絶縁電気機器,真
空絶縁電気機器,固体絶縁電気機器等の電気機器にも適
用できる。
【0084】
【発明の効果】以上のように、請求項1の発明によれ
ば、入力層及び出力層で構成されて、出力層が1次元線
状、または、2次元格子状に配置された生体の神経細胞
を模擬する複数の神経素子と、この神経素子の層間を結
合する結合重みとを有する神経回路網装置とを備え、電
気機器の動作中に得られた複数の異常原因と上記電気機
器に付加されてその状態の変化を検知するセンサ出力の
対を学習データとして、上記センサ出力を上記神経回路
網装置に入力した時に上記異常原因に対応する上記神経
素子が大きい出力を出すように上記結合重みを競合学習
アルゴリズムにより設定し、未知のセンサ出力を入力し
た時、その異常原因を同定するように構成したので、正
常か異常かを同定できるだけでなく、その神経素子に対
応した異常状態が電気機器に発生したと同定できる。さ
らに、運用と同時に学習データを収集し、神経回路網装
置を学習させることにより、設置場所や経年変化に適応
することができる監視診断装置が得られる効果がある。
ば、入力層及び出力層で構成されて、出力層が1次元線
状、または、2次元格子状に配置された生体の神経細胞
を模擬する複数の神経素子と、この神経素子の層間を結
合する結合重みとを有する神経回路網装置とを備え、電
気機器の動作中に得られた複数の異常原因と上記電気機
器に付加されてその状態の変化を検知するセンサ出力の
対を学習データとして、上記センサ出力を上記神経回路
網装置に入力した時に上記異常原因に対応する上記神経
素子が大きい出力を出すように上記結合重みを競合学習
アルゴリズムにより設定し、未知のセンサ出力を入力し
た時、その異常原因を同定するように構成したので、正
常か異常かを同定できるだけでなく、その神経素子に対
応した異常状態が電気機器に発生したと同定できる。さ
らに、運用と同時に学習データを収集し、神経回路網装
置を学習させることにより、設置場所や経年変化に適応
することができる監視診断装置が得られる効果がある。
【0085】請求項2の発明によれば、入力層,中間
層,出力層で構成されて、中間層が生体の神経細胞を模
擬する複数の神経素子と、この神経素子の層間を結合す
る結合重みとを有する神経回路網装置とを備え、電気機
器の動作中に得られた複数の異常原因と上記電気機器に
付加されてその状態の変化を検知するセンサ出力の対を
学習データとして、上記センサ出力を上記神経回路網装
置に入力した時に、上記異常原因に対応する出力層の神
経素子が大きい出力を出すように上記結合重みを学習ア
ルゴリズムにより設定し、未知のセンサ出力を入力した
時、その異常原因を同定するように構成したので、正常
か異常かを同定できるだけでなく、その神経素子に対応
した異常状態が電気機器に発生したと同定できる。さら
に、運用と同時に学習データを収集し、神経回路網装置
を学習させることにより、設置場所や経年変化に適応す
ることができる監視診断装置が得られる効果がある。
層,出力層で構成されて、中間層が生体の神経細胞を模
擬する複数の神経素子と、この神経素子の層間を結合す
る結合重みとを有する神経回路網装置とを備え、電気機
器の動作中に得られた複数の異常原因と上記電気機器に
付加されてその状態の変化を検知するセンサ出力の対を
学習データとして、上記センサ出力を上記神経回路網装
置に入力した時に、上記異常原因に対応する出力層の神
経素子が大きい出力を出すように上記結合重みを学習ア
ルゴリズムにより設定し、未知のセンサ出力を入力した
時、その異常原因を同定するように構成したので、正常
か異常かを同定できるだけでなく、その神経素子に対応
した異常状態が電気機器に発生したと同定できる。さら
に、運用と同時に学習データを収集し、神経回路網装置
を学習させることにより、設置場所や経年変化に適応す
ることができる監視診断装置が得られる効果がある。
【0086】請求項3の発明によれば、入力層及び出力
層で構成されて、これらの各層が生体の神経細胞を模擬
する複数の神経素子と、この神経素子の層間を結合する
結合重みとを有する神経回路網装置とを備え、電気機器
の動作中に得られた複数の異常原因と上記電気機器に付
加されてその状態の変化を検知するセンサ出力の対を学
習データとして、上記センサ出力を上記神経回路網装置
に入力した時に上記異常原因に対応する上記神経素子が
大きい出力を出すように上記結合重みを学習アルゴリズ
ムにより設置し、未知のセンサ出力を入力した時、その
異常原因を同定するようにし、さらに未知のセンサ出力
を入力した時、その異常原因が学習データに存在しない
原因の時出力層の神経素子の数を自己増殖し、自己増殖
した神経素子が新たな異常原因に対し大きい出力を出す
ように構成したので、正常か異常かを同定できるだけで
なく、その神経素子に対応した異常状態が電気機器に発
生したと同定できる。さらに、運用時に学習データに存
在しなかった異常が発生したとしても、その異常が過去
の学習したデータに含まれていないことを認識し、神経
素子を自己増殖し、自己増殖した神経素子に新たな異常
原因を登録することにより、設置場所や経年変化に適応
することができる監視診断装置が得られる効果がある。
層で構成されて、これらの各層が生体の神経細胞を模擬
する複数の神経素子と、この神経素子の層間を結合する
結合重みとを有する神経回路網装置とを備え、電気機器
の動作中に得られた複数の異常原因と上記電気機器に付
加されてその状態の変化を検知するセンサ出力の対を学
習データとして、上記センサ出力を上記神経回路網装置
に入力した時に上記異常原因に対応する上記神経素子が
大きい出力を出すように上記結合重みを学習アルゴリズ
ムにより設置し、未知のセンサ出力を入力した時、その
異常原因を同定するようにし、さらに未知のセンサ出力
を入力した時、その異常原因が学習データに存在しない
原因の時出力層の神経素子の数を自己増殖し、自己増殖
した神経素子が新たな異常原因に対し大きい出力を出す
ように構成したので、正常か異常かを同定できるだけで
なく、その神経素子に対応した異常状態が電気機器に発
生したと同定できる。さらに、運用時に学習データに存
在しなかった異常が発生したとしても、その異常が過去
の学習したデータに含まれていないことを認識し、神経
素子を自己増殖し、自己増殖した神経素子に新たな異常
原因を登録することにより、設置場所や経年変化に適応
することができる監視診断装置が得られる効果がある。
【図1】この発明の実施例1による監視診断装置を一部
ブロックで示す構成図である。
ブロックで示す構成図である。
【図2】同上実施例1における演算器8,9,10の動
作の詳細を示す説明図である。
作の詳細を示す説明図である。
【図3】同上実施例1における神経回路網装置11の詳
細を示す構成図である。
細を示す構成図である。
【図4】同上実施例1における神経回路網装置11の出
力層の神経素子が1次元線上にならぶ場合の説明図であ
る。
力層の神経素子が1次元線上にならぶ場合の説明図であ
る。
【図5】同上実施例1における神経回路網装置11の出
力層の神経素子が2次元格子状にならぶ場合の説明図で
ある。
力層の神経素子が2次元格子状にならぶ場合の説明図で
ある。
【図6】同上実施例1における神経素子18bの構成を
詳細に示す説明図である。
詳細に示す説明図である。
【図7】この発明の実施例2による監視診断装置を一部
ブロックで示す構成図である。
ブロックで示す構成図である。
【図8】同上実施例2における演算器21,22,23
の動作の詳細を示す説明図である。
の動作の詳細を示す説明図である。
【図9】同上実施例2における演算器21での前処理の
詳細を示す説明図である。
詳細を示す説明図である。
【図10】この発明の実施例3による監視診断装置にお
ける神経回路網装置11の詳細を示す説明図である。
ける神経回路網装置11の詳細を示す説明図である。
【図11】同上実施例3における神経回路網装置の中間
層の神経素子の入出力特性を示す説明図である。
層の神経素子の入出力特性を示す説明図である。
【図12】同上実施例3における神経回路網装置の中間
層の神経素子の個数の設定方法を示す説明図である。
層の神経素子の個数の設定方法を示す説明図である。
【図13】この発明の実施例4による監視診断装置にお
ける神経回路網装置の詳細を示す説明図である。
ける神経回路網装置の詳細を示す説明図である。
【図14】同上実施例4における神経回路網装置の学習
アルゴリズムを示す説明図である。
アルゴリズムを示す説明図である。
【図15】この発明の実施例5による監視診断装置にお
ける神経回路網装置の詳細を示す説明図である。
ける神経回路網装置の詳細を示す説明図である。
【図16】同上実施例5による神経回路網装置の学習ア
ルゴリズムを示す説明図である。
ルゴリズムを示す説明図である。
【図17】従来の監視診断装置を示す構成図である。
7 加速度センサ 8 演算器 9 演算器 10 演算器 11 神経回路網装置 18 神経素子 19 結合重み 21 演算器 22 演算器 23 演算器
───────────────────────────────────────────────────── フロントページの続き (72)発明者 田中 秀雄 東京都中央区入船1丁目4番10号 東京電 力株式会社システム研究所内 (72)発明者 穐本 能彬 東京都中央区入船1丁目4番10号 東京電 力株式会社システム研究所内
Claims (3)
- 【請求項1】 入力層及び出力層で構成されて、出力層
が1次元線状、または、2次元格子状に配置された生体
の神経細胞を模擬する複数の神経素子と、この神経素子
の層間を結合する結合重みとを有し、電気機器の動作中
に得られた複数の異常原因と上記電気機器に付加されて
その状態の変化を検知するセンサ出力の対を学習データ
として、上記センサ出力を入力した時に上記異常原因に
対応する上記神経素子が大きい出力を出すように上記結
合重みを競合学習アルゴリズムにより設定し、未知のセ
ンサ出力を入力した時、その異常原因を同定する神経回
路網装置とを備えた監視診断装置。 - 【請求項2】 入力層,中間層,出力層で構成されて、
中間層が生体の神経細胞を模擬する複数の神経素子と、
この神経素子の層間を結合する結合重みとを有し、電気
機器の動作中に得られた複数の異常原因と上記電気機器
に付加されてその状態の変化を検知するセンサ出力の対
を学習データとして、上記センサ出力を入力した時に上
記異常原因に対応する出力層の神経素子が大きい出力を
出すように上記結合重みを学習アルゴリズムにより設定
し、未知のセンサ出力を入力した時、その異常原因を同
定する神経回路網装置とを備えた監視診断装置。 - 【請求項3】 入力層及び出力層で構成されて、これら
の各層が生体の神経細胞を模擬する複数の神経素子と、
この神経素子の層間を結合する結合重みとを有し、電気
機器の動作中に得られた複数の異常原因と上記電気機器
に付加されてその状態の変化を検知するセンサ出力の対
を学習データとして、上記センサ出力を入力した時に上
記異常原因に対応する上記神経素子が大きい出力を出す
ように上記結合重みを学習アルゴリズムにより設定し未
知のセンサ出力を入力した時、その異常原因を固定する
ようにし、かつ未知のセンサ出力を入力した時その異常
原因が学習データに依存しない原因の時出力層の神経素
子の数を自己増殖し自己増殖した神経素子が新たな異常
原因に対し大きい出力を出すようにする神経回路網装置
とを備えた監視診断装置。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP04141564A JP3100757B2 (ja) | 1992-06-02 | 1992-06-02 | 監視診断装置 |
US08/028,822 US5419197A (en) | 1992-06-02 | 1993-03-10 | Monitoring diagnostic apparatus using neural network |
EP93103931A EP0572767B1 (en) | 1992-06-02 | 1993-03-11 | Monitoring diagnostic apparatus using neural network |
DE69315623T DE69315623T2 (de) | 1992-06-02 | 1993-03-11 | Überwachungs- und Diagnosegerät das ein neuronales Netzwerk verwendet |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP04141564A JP3100757B2 (ja) | 1992-06-02 | 1992-06-02 | 監視診断装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH05333079A true JPH05333079A (ja) | 1993-12-17 |
JP3100757B2 JP3100757B2 (ja) | 2000-10-23 |
Family
ID=15294910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP04141564A Expired - Fee Related JP3100757B2 (ja) | 1992-06-02 | 1992-06-02 | 監視診断装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US5419197A (ja) |
EP (1) | EP0572767B1 (ja) |
JP (1) | JP3100757B2 (ja) |
DE (1) | DE69315623T2 (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10176949A (ja) * | 1996-12-10 | 1998-06-30 | Caterpillar Inc | ニューラルネットワーク処理振動データ分析を用いる機械部品試験装置および方法 |
JP2006058051A (ja) * | 2004-08-18 | 2006-03-02 | Yamanashi Tlo:Kk | 音響検査方法および装置 |
JP2007257366A (ja) * | 2006-03-23 | 2007-10-04 | Kagawa Univ | 診断装置及び診断方法 |
JP2008151538A (ja) * | 2006-12-14 | 2008-07-03 | Matsushita Electric Works Ltd | 内部検査装置 |
JP2020173221A (ja) * | 2019-04-12 | 2020-10-22 | トヨタホーム株式会社 | 内部検査装置 |
JP2020187955A (ja) * | 2019-05-16 | 2020-11-19 | 株式会社日立製作所 | 開閉装置の診断方法及び装置 |
JPWO2022044625A1 (ja) * | 2020-08-26 | 2022-03-03 |
Families Citing this family (108)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE59305084D1 (de) * | 1992-05-22 | 1997-02-20 | Siemens Ag | Prüfverfahren zur qualitätskontrolle von elektromagnetisch betätigten schaltgeräten |
US5910765A (en) * | 1993-11-02 | 1999-06-08 | Advanced Optical Controls, Inc. | Sensor module |
US5594175A (en) * | 1994-05-06 | 1997-01-14 | Massachusetts Institute Of Technology | Apparatus and method for non-invasive diagnosis and control of motor operated valve condition |
US5600073A (en) * | 1994-11-02 | 1997-02-04 | Foster-Miller, Inc. | Method and system for analyzing a two phase flow |
US5741980A (en) * | 1994-11-02 | 1998-04-21 | Foster-Miller, Inc. | Flow analysis system and method |
US5621172A (en) * | 1995-04-03 | 1997-04-15 | State Of Oregon Acting By And Through The State Board Of Higher Education On Behalf Of Oregon State University | Method and apparatus for testing material strengths |
US5745382A (en) * | 1995-08-31 | 1998-04-28 | Arch Development Corporation | Neural network based system for equipment surveillance |
US5746511A (en) * | 1996-01-03 | 1998-05-05 | Rosemount Inc. | Temperature transmitter with on-line calibration using johnson noise |
US5700090A (en) * | 1996-01-03 | 1997-12-23 | Rosemount Inc. | Temperature sensor transmitter with sensor sheath lead |
US6017143A (en) | 1996-03-28 | 2000-01-25 | Rosemount Inc. | Device in a process system for detecting events |
US6539267B1 (en) | 1996-03-28 | 2003-03-25 | Rosemount Inc. | Device in a process system for determining statistical parameter |
US7949495B2 (en) | 1996-03-28 | 2011-05-24 | Rosemount, Inc. | Process variable transmitter with diagnostics |
US7254518B2 (en) * | 1996-03-28 | 2007-08-07 | Rosemount Inc. | Pressure transmitter with diagnostics |
US6654697B1 (en) | 1996-03-28 | 2003-11-25 | Rosemount Inc. | Flow measurement with diagnostics |
US8290721B2 (en) | 1996-03-28 | 2012-10-16 | Rosemount Inc. | Flow measurement diagnostics |
KR100199554B1 (ko) * | 1996-05-18 | 1999-06-15 | 김일동 | 송전선 보호계전시스템에서의 가변 무전압시간 자동재폐로 장치 및 그 방법 |
US6449574B1 (en) | 1996-11-07 | 2002-09-10 | Micro Motion, Inc. | Resistance based process control device diagnostics |
US6601005B1 (en) | 1996-11-07 | 2003-07-29 | Rosemount Inc. | Process device diagnostics using process variable sensor signal |
US6519546B1 (en) | 1996-11-07 | 2003-02-11 | Rosemount Inc. | Auto correcting temperature transmitter with resistance based sensor |
US5828567A (en) * | 1996-11-07 | 1998-10-27 | Rosemount Inc. | Diagnostics for resistance based transmitter |
US5956663A (en) * | 1996-11-07 | 1999-09-21 | Rosemount, Inc. | Signal processing technique which separates signal components in a sensor for sensor diagnostics |
US6041287A (en) * | 1996-11-07 | 2000-03-21 | Reliance Electric Industrial Company | System architecture for on-line machine diagnostics |
US6754601B1 (en) | 1996-11-07 | 2004-06-22 | Rosemount Inc. | Diagnostics for resistive elements of process devices |
US6434504B1 (en) | 1996-11-07 | 2002-08-13 | Rosemount Inc. | Resistance based process control device diagnostics |
JPH10170596A (ja) * | 1996-12-09 | 1998-06-26 | Hitachi Ltd | 絶縁機器診断システム及び部分放電検出法 |
CN1138193C (zh) * | 1996-12-31 | 2004-02-11 | 罗斯蒙德公司 | 在处理系统用于确认来自现场装置的控制信号的装置 |
DE19716963C2 (de) * | 1997-04-16 | 2001-10-18 | Siemens Ag | Verfahren zur Ermittlung des Ortes einer Teilentladung |
GB9708740D0 (en) * | 1997-04-29 | 1997-06-18 | Univ Aberdeen | Ground anchorage testing system |
US6341267B1 (en) * | 1997-07-02 | 2002-01-22 | Enhancement Of Human Potential, Inc. | Methods, systems and apparatuses for matching individuals with behavioral requirements and for managing providers of services to evaluate or increase individuals' behavioral capabilities |
US5995910A (en) * | 1997-08-29 | 1999-11-30 | Reliance Electric Industrial Company | Method and system for synthesizing vibration data |
CA2306767C (en) | 1997-10-13 | 2007-05-01 | Rosemount Inc. | Communication technique for field devices in industrial processes |
US6295510B1 (en) | 1998-07-17 | 2001-09-25 | Reliance Electric Technologies, Llc | Modular machinery data collection and analysis system |
US6757665B1 (en) * | 1999-09-28 | 2004-06-29 | Rockwell Automation Technologies, Inc. | Detection of pump cavitation/blockage and seal failure via current signature analysis |
US7308322B1 (en) | 1998-09-29 | 2007-12-11 | Rockwell Automation Technologies, Inc. | Motorized system integrated control and diagnostics using vibration, pressure, temperature, speed, and/or current analysis |
US6289735B1 (en) * | 1998-09-29 | 2001-09-18 | Reliance Electric Technologies, Llc | Machine diagnostic system and method for vibration analysis |
US7539549B1 (en) * | 1999-09-28 | 2009-05-26 | Rockwell Automation Technologies, Inc. | Motorized system integrated control and diagnostics using vibration, pressure, temperature, speed, and/or current analysis |
US6236950B1 (en) * | 1998-10-30 | 2001-05-22 | Caterpiller Inc. | Automatic stencil generation system and method |
US6301572B1 (en) | 1998-12-02 | 2001-10-09 | Lockheed Martin Corporation | Neural network based analysis system for vibration analysis and condition monitoring |
US6611775B1 (en) | 1998-12-10 | 2003-08-26 | Rosemount Inc. | Electrode leakage diagnostics in a magnetic flow meter |
US6615149B1 (en) | 1998-12-10 | 2003-09-02 | Rosemount Inc. | Spectral diagnostics in a magnetic flow meter |
US6218687B1 (en) | 1998-12-21 | 2001-04-17 | General Atomics | Smart microsensor arrays with silicon-on-insulator readouts for damage control |
EP1022632A1 (en) * | 1999-01-21 | 2000-07-26 | ABB Research Ltd. | Monitoring diagnostic apparatus with neural network modelling the normal or abnormal functionality of an electrical device |
CA2258223A1 (fr) * | 1999-01-22 | 2000-07-22 | Hydro-Quebec | Procede de traitement de signatures vibro-acoustiques dans un systeme de commutation electromecanique haute-tension |
US8044793B2 (en) | 2001-03-01 | 2011-10-25 | Fisher-Rosemount Systems, Inc. | Integrated device alerts in a process control system |
US6633782B1 (en) | 1999-02-22 | 2003-10-14 | Fisher-Rosemount Systems, Inc. | Diagnostic expert in a process control system |
US6298454B1 (en) | 1999-02-22 | 2001-10-02 | Fisher-Rosemount Systems, Inc. | Diagnostics in a process control system |
US7562135B2 (en) * | 2000-05-23 | 2009-07-14 | Fisher-Rosemount Systems, Inc. | Enhanced fieldbus device alerts in a process control system |
US7206646B2 (en) * | 1999-02-22 | 2007-04-17 | Fisher-Rosemount Systems, Inc. | Method and apparatus for performing a function in a plant using process performance monitoring with process equipment monitoring and control |
EP1166059A1 (de) | 1999-04-01 | 2002-01-02 | Siemens Schweiz AG | Verfahren und vorrichtung zur überwachung der fahrgestelle von mehrachsigen fahrzeugen |
US6356191B1 (en) | 1999-06-17 | 2002-03-12 | Rosemount Inc. | Error compensation for a process fluid temperature transmitter |
JP4824234B2 (ja) | 1999-07-01 | 2011-11-30 | ローズマウント インコーポレイテッド | 2線式温度送信機およびプロセス温度測定方法 |
US6505517B1 (en) | 1999-07-23 | 2003-01-14 | Rosemount Inc. | High accuracy signal processing for magnetic flowmeter |
US6701274B1 (en) | 1999-08-27 | 2004-03-02 | Rosemount Inc. | Prediction of error magnitude in a pressure transmitter |
DE19942144A1 (de) * | 1999-09-03 | 2001-06-07 | Schroeder Dierk | Verfahren zur adaptiven Schwingungsdämpfung mittels neuronaler Netze |
US6556145B1 (en) | 1999-09-24 | 2003-04-29 | Rosemount Inc. | Two-wire fluid temperature transmitter with thermocouple diagnostics |
AUPQ975100A0 (en) * | 2000-08-29 | 2000-09-21 | Siemensindustrial Services Ltd | Re-locatable partial discharge transducer head |
US6735484B1 (en) | 2000-09-20 | 2004-05-11 | Fargo Electronics, Inc. | Printer with a process diagnostics system for detecting events |
US8073967B2 (en) | 2002-04-15 | 2011-12-06 | Fisher-Rosemount Systems, Inc. | Web services-based communications for use with process control systems |
DE60206884T2 (de) * | 2001-03-01 | 2006-07-27 | Fisher-Rosemount Systems, Inc., Austin | Gemeinsame Benutzung von Daten iner Prozessanlage |
US7720727B2 (en) | 2001-03-01 | 2010-05-18 | Fisher-Rosemount Systems, Inc. | Economic calculations in process control system |
US6629059B2 (en) | 2001-05-14 | 2003-09-30 | Fisher-Rosemount Systems, Inc. | Hand held diagnostic and communication device with automatic bus detection |
FR2824936B1 (fr) | 2001-05-16 | 2005-09-02 | Schneider Automation | Systeme de diagnostic predictif dans un automate programmable |
US6772036B2 (en) | 2001-08-30 | 2004-08-03 | Fisher-Rosemount Systems, Inc. | Control system using process model |
US6842717B1 (en) * | 2001-10-16 | 2005-01-11 | Hi-Lex Controls, Inc. | Method and apparatus for evaluating automotive window regulators |
CA2503275A1 (en) * | 2005-04-07 | 2006-10-07 | Advanced Flow Technologies Inc. | System, method and apparatus for acoustic fluid flow measurement |
US9201420B2 (en) | 2005-04-08 | 2015-12-01 | Rosemount, Inc. | Method and apparatus for performing a function in a process plant using monitoring data with criticality evaluation data |
US8005647B2 (en) | 2005-04-08 | 2011-08-23 | Rosemount, Inc. | Method and apparatus for monitoring and performing corrective measures in a process plant using monitoring data with corrective measures data |
US8112565B2 (en) | 2005-06-08 | 2012-02-07 | Fisher-Rosemount Systems, Inc. | Multi-protocol field device interface with automatic bus detection |
US7369057B2 (en) * | 2005-08-04 | 2008-05-06 | Siemens Power Generation, Inc. | Power generator and power generator auxiliary monitoring |
US20070068225A1 (en) | 2005-09-29 | 2007-03-29 | Brown Gregory C | Leak detector for process valve |
JP5078276B2 (ja) * | 2006-04-21 | 2012-11-21 | 三菱電機株式会社 | 診断用信号処理装置 |
US20080068182A1 (en) * | 2006-09-13 | 2008-03-20 | Brian Watson | Sensor for measuring relative conductivity changes in biological tissue |
US7953501B2 (en) | 2006-09-25 | 2011-05-31 | Fisher-Rosemount Systems, Inc. | Industrial process control loop monitor |
US8788070B2 (en) | 2006-09-26 | 2014-07-22 | Rosemount Inc. | Automatic field device service adviser |
US7750642B2 (en) | 2006-09-29 | 2010-07-06 | Rosemount Inc. | Magnetic flowmeter with verification |
US7327303B1 (en) | 2007-03-27 | 2008-02-05 | Information Systems Laboratories, Inc. | Hybrid radar receiver |
US8898036B2 (en) | 2007-08-06 | 2014-11-25 | Rosemount Inc. | Process variable transmitter with acceleration sensor |
US8301676B2 (en) | 2007-08-23 | 2012-10-30 | Fisher-Rosemount Systems, Inc. | Field device with capability of calculating digital filter coefficients |
US7702401B2 (en) | 2007-09-05 | 2010-04-20 | Fisher-Rosemount Systems, Inc. | System for preserving and displaying process control data associated with an abnormal situation |
US8055479B2 (en) | 2007-10-10 | 2011-11-08 | Fisher-Rosemount Systems, Inc. | Simplified algorithm for abnormal situation prevention in load following applications including plugged line diagnostics in a dynamic process |
DE102008036968A1 (de) * | 2008-08-08 | 2010-02-11 | Endress + Hauser Gmbh + Co. Kg | Diagnoseverfahren eines Prozessautomatisierungssystem |
US20100106458A1 (en) * | 2008-10-28 | 2010-04-29 | Leu Ming C | Computer program and method for detecting and predicting valve failure in a reciprocating compressor |
EP2246984B1 (de) * | 2009-04-28 | 2013-07-03 | VEGA Grieshaber KG | Diagnoseschaltung zur Überwachung einer Analog-Digital-Wandlungsschaltung |
US7921734B2 (en) * | 2009-05-12 | 2011-04-12 | Rosemount Inc. | System to detect poor process ground connections |
DE102009041823A1 (de) * | 2009-09-18 | 2011-03-24 | Knorr-Bremse Systeme für Schienenfahrzeuge GmbH | Verfahren und Vorrichtung zur Überwachung des Fahrverhaltens eines Schienenfahrzeugs |
TWI399563B (zh) * | 2010-03-16 | 2013-06-21 | Univ Nat Cheng Kung | 馬達轉矩和轉速之估測系統與估測方法 |
US9207670B2 (en) | 2011-03-21 | 2015-12-08 | Rosemount Inc. | Degrading sensor detection implemented within a transmitter |
US9927788B2 (en) | 2011-05-19 | 2018-03-27 | Fisher-Rosemount Systems, Inc. | Software lockout coordination between a process control system and an asset management system |
CN102435424A (zh) * | 2011-09-05 | 2012-05-02 | 西安邮电学院 | 基于振动特征的高压断路器在线监测系统 |
US9052240B2 (en) | 2012-06-29 | 2015-06-09 | Rosemount Inc. | Industrial process temperature transmitter with sensor stress diagnostics |
US9207129B2 (en) | 2012-09-27 | 2015-12-08 | Rosemount Inc. | Process variable transmitter with EMF detection and correction |
US9602122B2 (en) | 2012-09-28 | 2017-03-21 | Rosemount Inc. | Process variable measurement noise diagnostic |
CN103091612B (zh) * | 2013-01-16 | 2014-12-10 | 重庆市电力公司电力科学研究院 | 一种变压器油纸绝缘多局部放电源信号的分离与识别算法 |
EP2994856B1 (en) * | 2013-05-10 | 2019-09-11 | Prysmian S.p.A. | Partial discharge signal processing method and apparatus employing neural network |
CN103336231B (zh) * | 2013-07-01 | 2015-09-09 | 杭州电子科技大学 | 局部放电ae位置检测的神经元网络方法 |
CN104063577B (zh) * | 2014-05-12 | 2017-02-15 | 吉林省电力科学研究院有限公司 | 基于广义回归神经网络的变压器油中特征气体发展趋势预测方法 |
US10533978B2 (en) * | 2015-08-13 | 2020-01-14 | Eaton Intelligent Power Limited | Vibration sensor assembly for prognostic and diagnostic health assessment of a power circuit breaker's power transmission and distribution system in real time |
US11016003B2 (en) | 2016-11-17 | 2021-05-25 | Ez Pulley Llc | Systems and methods for detection and analysis of faulty components in a rotating pulley system |
DE102017206040A1 (de) * | 2017-04-07 | 2018-10-11 | BSH Hausgeräte GmbH | System und Verfahren zur Zustandsüberwachung und/oder Fehlerdiagnose |
KR102472134B1 (ko) * | 2018-03-29 | 2022-11-29 | 삼성전자주식회사 | 심층학습을 기반으로 한 설비 진단 시스템 및 방법 |
DE102019202650A1 (de) * | 2019-02-27 | 2020-08-27 | Siemens Aktiengesellschaft | Bewertung eines Leistungsschalters |
DE102019002826A1 (de) * | 2019-04-18 | 2020-10-22 | KSB SE & Co. KGaA | Verfahren zur Schwingungsvermeidung in Pumpen |
CN110768218B (zh) * | 2019-09-11 | 2021-08-13 | 国电南瑞科技股份有限公司 | 一种通过拖尾电流辨识自动调整失灵保护延时的方法 |
IT202000004303A1 (it) * | 2020-03-02 | 2021-09-02 | St Microelectronics Srl | Circuito per rilevare scariche parziali, dispositivo, sistema e procedimento corrispondenti |
JP7392633B2 (ja) * | 2020-11-10 | 2023-12-06 | トヨタ自動車株式会社 | 車両の異音検査装置 |
CN112729381B (zh) * | 2020-12-11 | 2023-05-02 | 广州致新电力科技有限公司 | 一种基于神经网络的高压断路器的故障诊断方法 |
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 |
CN114167270B (zh) * | 2021-11-30 | 2023-09-19 | 广东电网有限责任公司 | 一种基于边缘计算的刀闸状态识别系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB8902645D0 (en) * | 1989-02-07 | 1989-03-30 | Smiths Industries Plc | Monitoring |
JP2877347B2 (ja) * | 1989-05-10 | 1999-03-31 | 一幸 合原 | ケーブルの部分放電検出方法 |
US5165270A (en) * | 1990-12-31 | 1992-11-24 | Sansalone Mary J | Non-destructive materials testing apparatus and technique for use in the field |
JP2997571B2 (ja) * | 1991-07-10 | 2000-01-11 | 三菱電機株式会社 | 監視診断装置 |
US5306893A (en) * | 1992-07-31 | 1994-04-26 | The United States Of America As Represented By The Secretary Of The Navy | Weld acoustic monitor |
-
1992
- 1992-06-02 JP JP04141564A patent/JP3100757B2/ja not_active Expired - Fee Related
-
1993
- 1993-03-10 US US08/028,822 patent/US5419197A/en not_active Expired - Fee Related
- 1993-03-11 EP EP93103931A patent/EP0572767B1/en not_active Expired - Lifetime
- 1993-03-11 DE DE69315623T patent/DE69315623T2/de not_active Expired - Fee Related
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10176949A (ja) * | 1996-12-10 | 1998-06-30 | Caterpillar Inc | ニューラルネットワーク処理振動データ分析を用いる機械部品試験装置および方法 |
JP2006058051A (ja) * | 2004-08-18 | 2006-03-02 | Yamanashi Tlo:Kk | 音響検査方法および装置 |
JP2007257366A (ja) * | 2006-03-23 | 2007-10-04 | Kagawa Univ | 診断装置及び診断方法 |
JP2008151538A (ja) * | 2006-12-14 | 2008-07-03 | Matsushita Electric Works Ltd | 内部検査装置 |
US7930259B2 (en) | 2006-12-14 | 2011-04-19 | Panasonic Electric Works Co., Ltd. | Apparatus for detecting vibrations of a test object using a competitive learning neural network in determining frequency characteristics generated |
JP2020173221A (ja) * | 2019-04-12 | 2020-10-22 | トヨタホーム株式会社 | 内部検査装置 |
JP2020187955A (ja) * | 2019-05-16 | 2020-11-19 | 株式会社日立製作所 | 開閉装置の診断方法及び装置 |
JPWO2022044625A1 (ja) * | 2020-08-26 | 2022-03-03 | ||
WO2022044625A1 (ja) * | 2020-08-26 | 2022-03-03 | パナソニックIpマネジメント株式会社 | 異常検出装置、異常検出方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
DE69315623T2 (de) | 1998-05-07 |
EP0572767A2 (en) | 1993-12-08 |
JP3100757B2 (ja) | 2000-10-23 |
EP0572767B1 (en) | 1997-12-10 |
DE69315623D1 (de) | 1998-01-22 |
US5419197A (en) | 1995-05-30 |
EP0572767A3 (ja) | 1994-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JPH05333079A (ja) | 監視診断装置 | |
JP2997571B2 (ja) | 監視診断装置 | |
Shifat et al. | ANN assisted multi sensor information fusion for BLDC motor fault diagnosis | |
Chow et al. | A neural network approach to real-time condition monitoring of induction motors | |
Rudd et al. | A generic knowledge-based approach to the analysis of partial discharge data | |
Penman et al. | Feasibility of using unsupervised learning, artificial neural networks for the condition monitoring of electrical machines | |
CN106556781A (zh) | 基于深度学习的局部放电缺陷图像诊断方法及系统 | |
CN109374270A (zh) | 一种gis异常振动分析及机械故障诊断装置及方法 | |
EP3422518A1 (en) | A method for recognizing contingencies in a power supply network | |
Wang et al. | Classification of power quality events using optimal time-frequency representations-part 1: Theory | |
JP3852097B2 (ja) | 絶縁診断システム | |
CN112748317B (zh) | 基于多种监测数据的开关柜局部放电故障检测方法及系统 | |
Herath et al. | Comparison of supervised machine learning techniques for PD classification in generator insulation | |
Massaoudi et al. | UHF partial discharge localization in gas-insulated switchgears: Gradient boosting based approach | |
Bandyopadhyay et al. | A combined image processing and Nearest Neighbor Algorithm tool for classification of incipient faults in induction motor drives | |
Gjorgiev et al. | Simulation-driven deep learning for locating faulty insulators in a power line | |
CN112014696A (zh) | 基于局部放电特征的干式空心电抗器故障诊断方法及装置 | |
Vitor et al. | Induction motor short circuit diagnosis and interpretation under voltage unbalance and load variation conditions | |
Perisse et al. | Robust diagnostics of stator insulation based on high frequency resonances measurements | |
Chowdhury et al. | Fault classification using Kohonen feature mapping | |
Gopinath et al. | Insulation condition assessment of high‐voltage rotating machines using hybrid techniques | |
CN217181103U (zh) | 一种高压开关柜的监测系统 | |
CN115311509A (zh) | 基于图像化数据驱动的电力系统暂态稳定评估方法及系统 | |
CN114114001A (zh) | 一种gis设备隔离开关机械状态监测方法及系统 | |
Zhong et al. | Classification Method for Mechanical Defects in GIS Equipment Based on Mode Function Analysis and Improved Relevance Vector Machines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
LAPS | Cancellation because of no payment of annual fees |