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
Application number
JP4141564A
Other languages
English (en)
Other versions
JP3100757B2 (ja
Inventor
Yoshio Izui
良夫 泉井
Hiromi Ogi
宏美 荻
Hideo Tanaka
秀雄 田中
Noriaki Akimoto
能彬 穐本
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 Corp
Tokyo Electric Power Company Holdings Inc
Original Assignee
Tokyo Electric Power Co Inc
Mitsubishi Electric Corp
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 Tokyo Electric Power Co Inc, Mitsubishi Electric Corp filed Critical Tokyo Electric Power Co Inc
Priority to JP04141564A priority Critical patent/JP3100757B2/ja
Priority to US08/028,822 priority patent/US5419197A/en
Priority to EP93103931A priority patent/EP0572767B1/en
Priority to DE69315623T priority patent/DE69315623T2/de
Publication of JPH05333079A publication Critical patent/JPH05333079A/ja
Application granted granted Critical
Publication of JP3100757B2 publication Critical patent/JP3100757B2/ja
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (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)

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。

Description

【発明の詳細な説明】
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【００１４】
【実施例】
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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【００７０】
【数９】
【００７１】ただし、この数９において、ｆ（ｘ）は数
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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【図面の簡単な説明】
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【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。
【図１７】従来の監視診断装置を示す構成図である。
【符号の説明】
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)

    【特許請求の範囲】
  1. 【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。
  2. 【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。
  3. 【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。
JP04141564A 1992-06-02 1992-06-02 監視診断装置 Expired - Fee Related JP3100757B2 (ja)

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)

* Cited by examiner, † Cited by third party
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
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

Families Citing this family (108)

* Cited by examiner, † Cited by third party
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
US5741980A (en) * 1994-11-02 1998-04-21 Foster-Miller, Inc. Flow analysis system and method
US5600073A (en) * 1994-11-02 1997-02-04 Foster-Miller, Inc. Method and system for analyzing a two phase flow
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
US5700090A (en) * 1996-01-03 1997-12-23 Rosemount Inc. Temperature sensor transmitter with sensor sheath lead
US5746511A (en) * 1996-01-03 1998-05-05 Rosemount Inc. Temperature transmitter with on-line calibration using johnson noise
US7949495B2 (en) 1996-03-28 2011-05-24 Rosemount, Inc. Process variable transmitter with diagnostics
US6017143A (en) 1996-03-28 2000-01-25 Rosemount Inc. Device in a process system for detecting events
US8290721B2 (en) 1996-03-28 2012-10-16 Rosemount Inc. Flow measurement diagnostics
US6539267B1 (en) 1996-03-28 2003-03-25 Rosemount Inc. Device in a process system for determining statistical parameter
US6654697B1 (en) 1996-03-28 2003-11-25 Rosemount Inc. Flow measurement with diagnostics
US7254518B2 (en) * 1996-03-28 2007-08-07 Rosemount Inc. Pressure transmitter with diagnostics
KR100199554B1 (ko) * 1996-05-18 1999-06-15 김일동 송전선 보호계전시스템에서의 가변 무전압시간 자동재폐로 장치 및 그 방법
US5956663A (en) * 1996-11-07 1999-09-21 Rosemount, Inc. Signal processing technique which separates signal components in a sensor for sensor diagnostics
US6601005B1 (en) 1996-11-07 2003-07-29 Rosemount Inc. Process device diagnostics using process variable sensor signal
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
US5828567A (en) * 1996-11-07 1998-10-27 Rosemount Inc. Diagnostics for resistance based transmitter
US6519546B1 (en) 1996-11-07 2003-02-11 Rosemount Inc. Auto correcting temperature transmitter with resistance based sensor
US6449574B1 (en) 1996-11-07 2002-09-10 Micro Motion, 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
EP1023650B1 (en) 1997-10-13 2003-09-24 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
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
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
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
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
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
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
EP1247268B2 (en) 1999-07-01 2009-08-05 Rosemount Inc. Low power two-wire self validating temperature transmitter
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
WO2002071173A2 (en) * 2001-03-01 2002-09-12 Fisher-Rosemount Systems, Inc. Data sharing in a process plant
US8073967B2 (en) 2002-04-15 2011-12-06 Fisher-Rosemount Systems, Inc. Web services-based communications for use with process control systems
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
EP2074385B2 (en) 2006-09-29 2022-07-06 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
ES2760617T3 (es) * 2013-05-10 2020-05-14 Prysmian Spa Procedimiento de procesamiento de señales de descarga parcial y aparato que emplea una red neuronal
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)

* Cited by examiner, † Cited by third party
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

Cited By (8)

* Cited by examiner, † Cited by third party
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
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
EP0572767B1 (en) 1997-12-10
DE69315623D1 (de) 1998-01-22
EP0572767A2 (en) 1993-12-08
DE69315623T2 (de) 1998-05-07
EP0572767A3 (ja) 1994-01-05
JP3100757B2 (ja) 2000-10-23
US5419197A (en) 1995-05-30

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
CN103076547B (zh) 基于支持向量机的gis局部放电故障类型模式识别方法
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
EP3422518B1 (en) A method for recognizing contingencies in a power supply network
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
JP3852097B2 (ja) 絶縁診断システム
JP4096340B2 (ja) 電気設備診断システム
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
EP3422517A1 (en) A method for recognizing contingencies in a power supply network
KR102547467B1 (ko) Uhf 고주파 신호를 이용한 지능형 부분방전 진단기능을 탑재한 배전반
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
CN114527360A (zh) 开关柜的局部放电检测方法、装置及存储介质
Gjorgiev et al. Simulation-driven deep learning for locating faulty insulators in a power line
Ogar et al. The use of artificial neural network for low latency of fault detection and localisation in transmission line
Perisse et al. Robust diagnostics of stator insulation based on high frequency resonances measurements
CN117289097A (zh) 电力设备局部放电检测方法、模型训练方法、装置和设备
KR20150118456A (ko) 감시 장치의 부분방전 진단 방법
Gopinath et al. Insulation condition assessment of high‐voltage rotating machines using hybrid techniques
Coelho et al. Detection of short circuit faults in 3-phase converter-fed induction motors using kernel SOMs

Legal Events

Date Code Title Description
LAPS Cancellation because of no payment of annual fees