WO2022215232A1 - 異常診断装置および異常診断方法 - Google Patents

異常診断装置および異常診断方法 Download PDF

Info

Publication number
WO2022215232A1
WO2022215232A1 PCT/JP2021/014928 JP2021014928W WO2022215232A1 WO 2022215232 A1 WO2022215232 A1 WO 2022215232A1 JP 2021014928 W JP2021014928 W JP 2021014928W WO 2022215232 A1 WO2022215232 A1 WO 2022215232A1
Authority
WO
WIPO (PCT)
Prior art keywords
feature
abnormality
abnormality diagnosis
diagnosis
unit
Prior art date
Application number
PCT/JP2021/014928
Other languages
English (en)
French (fr)
Inventor
啓 井上
健 開田
誠 金丸
貴玄 中村
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to PCT/JP2021/014928 priority Critical patent/WO2022215232A1/ja
Priority to CN202180096614.2A priority patent/CN117136494A/zh
Priority to US18/285,386 priority patent/US20240120870A1/en
Priority to JP2023512609A priority patent/JPWO2022215232A1/ja
Priority to EP21936036.9A priority patent/EP4322396A4/en
Publication of WO2022215232A1 publication Critical patent/WO2022215232A1/ja

Links

Images

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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
    • F25B49/00—Arrangement or mounting of control or safety devices
    • F25B49/005—Arrangement or mounting of control or safety devices of safety devices
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
    • H02P29/02—Providing protection against overload without automatic interruption of supply
    • H02P29/024—Detecting a fault condition, e.g. short circuit, locked rotor, open circuit or loss of load
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2638—Airconditioning

Definitions

  • This application relates to an abnormality diagnosis device and an abnormality diagnosis method.
  • the present application discloses a technology for solving the above problems, and aims to obtain an abnormality diagnosis device and an abnormality diagnosis method that can appropriately diagnose the presence or absence of an abnormality in a diagnosis target during driving.
  • An abnormality diagnosis device disclosed in the present application is an abnormality diagnosis device that performs abnormality diagnosis of a diagnosis target based on a first state quantity and a second state quantity respectively indicating states of the diagnosis target during operation, wherein the first either one or both of the time-series data and frequency-series data of the state quantity and the data of the second state quantity, and either the time-series data or the frequency-series data of the first state quantity
  • a feature amount calculation unit that calculates a plurality of feature amounts from one or both of them, a driving mode determination unit that determines a driving mode to be diagnosed based on the second state amount, and a plurality of feature amount values as components
  • a feature quantity distribution generating unit that generates a feature quantity distribution in the feature space based on the feature vector, and a reference distribution or reference region that is generated in the feature space based on the feature quantity distribution obtained from the diagnosis subject in the normal state.
  • a reference generation unit a storage unit that stores a reference corresponding to an operation mode when the reference is generated, a feature amount distribution obtained during abnormality diagnosis, and a reference corresponding to the operation mode at the time of abnormality diagnosis are compared. and a judgment unit for judging the presence or absence of an abnormality to be diagnosed.
  • the abnormality diagnosis method disclosed in the present application is an abnormality diagnosis method for diagnosing an abnormality of a diagnosis target based on a first state quantity and a second state quantity respectively indicating the state of the diagnosis target during driving, acquiring either one or both of the time-series data and the frequency-series data of the first state quantity and the data of the second state quantity; a step of calculating a plurality of feature quantities from one or both of them; a step of determining a driving mode to be diagnosed based on the second state quantity; and a feature vector having values of the plurality of feature quantities as components , a step of generating a feature quantity distribution in the feature space; a step of generating a reference distribution or a reference region in the feature space based on the feature quantity distribution obtained from a diagnostic subject in a normal state; A step of storing a reference corresponding to an operation mode, and comparing a feature value distribution obtained at the time of abnormality diagnosis with the reference corresponding to the operation mode at the time of abnormality diagnosis to determine whether or not there
  • the abnormality diagnosis device and the abnormality diagnosis method disclosed in the present application it is possible to appropriately diagnose the presence or absence of abnormality in the diagnosis target during driving.
  • FIG. 1 is a diagram showing an outline of an air conditioner according to Embodiment 1;
  • FIG. 1 is a schematic configuration diagram showing an abnormality diagnosis device according to Embodiment 1;
  • FIG. 1 is a block diagram showing an abnormality diagnosis device according to Embodiment 1;
  • FIG. 2 is a diagram illustrating a Clark transform unit and a Park transform unit according to Embodiment 1;
  • FIG. FIG. 4 is a flowchart showing the operation of an abnormality diagnosis unit according to Embodiment 1;
  • FIG. 4 is a flowchart showing reference region generation according to the first embodiment;
  • FIG. 4 is a flowchart showing abnormality diagnosis according to Embodiment 1; It is a figure which shows the principal component analysis result of a feature-value.
  • FIG. 4 is a diagram showing reference regions for different operating modes;
  • FIG. 4 is a diagram showing an example of operation modes classified by drive frequency and load torque;
  • 1 is a diagram showing an example of a hardware configuration of an abnormality diagnosis
  • Embodiment 1 will be described with reference to FIGS. 1 to 11.
  • FIG. 1 is a diagram showing an overview of an air conditioner according to Embodiment 1
  • FIG. 2 is a schematic configuration diagram showing an abnormality diagnosis device according to Embodiment 1
  • FIG. 3 is an abnormality diagnosis device according to Embodiment 1. 2 is a block diagram showing .
  • the air conditioner 1000 includes a compressor 71, a condenser 72, an expansion valve 73, and an evaporator 74, and refrigerant circulates through the compressor 71, the condenser 72, the expansion valve 73, and the evaporator 74 in this order. and operates as a refrigeration cycle device.
  • the compressor 71 compresses gaseous refrigerant (gas refrigerant) and discharges it to the condenser 72 .
  • the condenser 72 condenses the gas refrigerant discharged from the compressor 71 to generate liquid refrigerant (liquid refrigerant). At this time, the refrigerant passing through the condenser 72 releases condensation heat to the surrounding air.
  • the condenser 72 discharges the generated liquid refrigerant to the expansion valve 73 .
  • the expansion valve 73 decompresses and expands the liquid refrigerant discharged from the condenser 72 by controlling the degree of opening thereof by a control device (not shown).
  • the expanded liquid refrigerant is sent to the evaporator 74 .
  • the evaporator 74 evaporates the expanded liquid refrigerant to generate gas refrigerant. At this time, the refrigerant passing through the evaporator 74 absorbs heat of evaporation from the surrounding air.
  • the evaporator 74 discharges the generated gas refrigerant to the compressor 71 .
  • Compressor 71 is connected to drive device 81 as shown in FIG. An angle sensor 712 is provided inside. Also, the compressor 71 is connected to a compression mechanism (not shown). The electric motor 711 is driven by the driving device 81 to rotate the rotor, and the rotation of the rotor operates the compression mechanism to compress the gas refrigerant.
  • the abnormality diagnosis device 100 of Embodiment 1 also has a control function for the driving device 81, and includes a driving device control section 110, an abnormality diagnosis section 120, and a storage section .
  • the drive device control unit 110 acquires a current detection value from a current detection unit 82 that detects a current flowing between the compressor 71 and the drive device 81, and controls the drive device 81 by feedback control.
  • the abnormality diagnosis unit 120 detects the current value detected by the current detection unit 82, that is, the data of the first state quantity, and the load torque and driving frequency that indicate the operation mode (details of which will be described later) of the compressor 71, that is, the second
  • Storage unit 130 stores the results of operations performed by drive device control unit 110 and abnormality diagnosis unit 120 as necessary.
  • the current detection unit 82 is configured to have N measurement points by a plurality of (N) current sensors.
  • the drive device 81 includes an inverter 811 and a converter 812 .
  • the converter 812 is supplied with an alternating current from an alternating current power supply (not shown), converts the alternating current into a direct current, and supplies the direct current to the inverter 811 .
  • the frequency of the alternating current supplied from the alternating current power supply to the converter 812 is predetermined, for example, 50 Hz or 60 Hz.
  • the inverter 811 has an inverter main circuit including a plurality of switching elements, and is controlled by the drive device control section 110 of the abnormality diagnosis device 100 . Illustrations of the plurality of switching elements and the inverter main circuit are omitted.
  • the driving device control unit 110 transmits a PWM (Pulse Width Modulation) signal to the inverter 811 to switch on and off the switching elements of the inverter main circuit, thereby driving the three-phase (U-phase) motor 711 of the compressor 71. , V phase, and W phase).
  • PWM Pulse Width Modulation
  • a current detection unit 82 provided between the electric motor 711 and the driving device 81 detects the U-phase current Iu and the V-phase current Iv among the three-phase currents output to the electric motor 711, and detects the U-phase current Iu. and the current value of the V-phase current Iv. Note that these current values may also be indicated as Iu and Iv. Further, since the current value of the W-phase current Iw can be calculated from the current value of the U-phase current Iu and the current value of the V-phase current Iv, the current detection unit 82 outputs the current values of at least two of the three phases. do it.
  • the driving device control unit 110 outputs a PWM signal to the inverter 811 to perform vector control.
  • Park transform is performed on the two-phase current values using the Clarke transformation unit 112 that performs Clarke transformation on the phase currents and obtains the two-phase current values, and the rotation angle ⁇ obtained from the angle sensor 712 .
  • a voltage command value calculator 114 that calculates the voltage command value for the inverter 811; and an output voltage vector calculator that calculates an output voltage vector from the voltage command value calculated by the voltage command value calculator 114.
  • 115 and a PWM signal generator 116 that generates a PWM signal to be output to the inverter 811 .
  • Phase current calculation unit 111 calculates the current value of W-phase current Iw from the current value of U-phase current Iu and the current value of V-phase current Iv obtained from current detection unit 82, and calculates the current value of each phase (Iu, Iv , Iw) to the current value Clark transform unit 512 . It should be noted that the currents (Iu, Iv, Iw) of each phase change with the rotation angle ⁇ of the rotor of the electric motor 711 . In Embodiment 1, the rotation angle ⁇ is described as a value measured by the angle sensor 712, but the angle sensor 712 is not an essential component. The angle sensor 712 can be omitted if the rotation angle ⁇ is calculated by another method.
  • the rotation angle ⁇ can be calculated from the currents (Iu, Iv, Iw) of each phase and the voltage command value to the inverter 811, as in position sensorless control. There is a way. Since this calculation method is known, detailed description is omitted.
  • the Clark transform unit 112 and the Park transform unit 113 will be explained using FIG.
  • the current values of the phase currents (Iu, Iv, Iw) output by the phase current calculator 111 are input to the Clarke transform unit 112 .
  • the Clarke transformer 112 transforms the three-phase currents Iu, Iv, and Iw into two-phase ( ⁇ -phase) currents (I ⁇ , I ⁇ ) and outputs the currents to the Park transformer 113 .
  • the Park transform unit 113 acquires the current values of the ⁇ -phase currents (I ⁇ , I ⁇ ) from the Clarke transform unit 112, acquires the rotation angle ⁇ from the angle sensor 712, and obtains the ⁇ -phase currents (I ⁇ , I ⁇ ) of the stationary coordinate system. I ⁇ ) is converted into dq-axis currents (Id, Iq) corresponding to the coordinates of the rotating coordinate system (dq coordinate system). Park transforming unit 113 outputs the dq-axis currents (Id, Iq) to voltage command value computing unit 114 .
  • the d-axis current Id is an exciting current component and causes the electric motor 711 to generate a rotating magnetic field.
  • the q-axis current Iq is a torque current component and produces torque of the electric motor 711 .
  • the dq-axis currents (Id, Iq) correspond to values obtained by measuring two-phase currents (I ⁇ , I ⁇ ) rotating at a rotation angle ⁇ in a stationary coordinate system in a rotating coordinate system that follows the rotation. No change in angle ⁇ appears.
  • the voltage command value calculation unit 114 calculates a command value for the output voltage of the inverter 811 so that the electric motor 711 outputs desired torque and rotational speed.
  • the output voltage vector calculation unit 115 calculates an output voltage vector based on the output voltage command value calculated by the voltage command value calculation unit 114 .
  • PWM signal generation section 116 generates a PWM signal for controlling inverter 811 based on the output voltage vector calculated by output voltage vector calculation section 115 .
  • the abnormality diagnosis unit 120 has two functions: generation of a reference region in prior learning and abnormality diagnosis in actual operation.
  • the abnormality diagnosis unit 120 includes a data acquisition unit 121 that acquires necessary data in each of the prior learning and the actual operation, an operation mode determination unit 122 that determines the operation mode in each of the prior learning and the actual operation, and a prior In each of the learning and the actual operation, the feature quantity calculation unit 123 that calculates the feature quantity used in the principal component analysis, and in the pre-learning, the dimension of the feature vector is reduced and the reference matrix that is projected onto the two-dimensional plane is calculated.
  • Embodiment 1 abnormality diagnosis is performed using the U-phase current Iu.
  • the wear of the sliding portion which accounts for most of the abnormalities in the compressor 71, occurs, the permeance changes due to the vibration of the gap between the rotor and the stator of the electric motor 711. This is because it is effective to use the current value.
  • the vibration of the gap is similarly generated when the bearing of the electric motor 711 wears, it is effective to use the current value for abnormality diagnosis of the electric motor 711 as well.
  • the current detector 82 can be realized by installing a sensor on the power cable between the driving device 81 and the compressor 71, an additional sensor for abnormality diagnosis is not required. Therefore, it can be said that the method using the current value is desirable also in terms of cost.
  • the current used for abnormality diagnosis is not limited to the U-phase current Iu, but may be currents of other phases of the three-phase currents, namely Iv and Iw, or any of the ⁇ -phase currents and any of the dq-axis currents. may If ⁇ -phase currents are used, Clarke transforms are required, and if dq-axis currents are used, Clarke and Park transforms are required, but in any case no additional sensors are required.
  • abnormality diagnosis unit 120 After generating a reference region by prior learning (step ST100), abnormality diagnosis section 120 performs abnormality diagnosis in actual operation (step ST200). The abnormality diagnosis is periodically performed while the air conditioner 1000 is in operation. Generation of reference regions is also performed as needed.
  • FIG. 6 is a flowchart showing reference area generation according to the first embodiment.
  • Generation of the reference region in pre-learning must be performed in a normal state (a state in which there is no abnormality).
  • the data acquisition unit 121 acquires the time-series data of the current value of the U-phase current Iu from the N measurement points of the current detection unit 82, and also acquires the current load torque and drive frequency. (step ST101).
  • Data acquisition unit 121 outputs the current value of U-phase current Iu to feature amount calculation unit 123 , and outputs the current load torque and drive frequency to operation mode determination unit 122 .
  • the driving mode determination unit 122 determines the current driving mode based on the current load torque and drive frequency acquired by the data acquisition unit 121 (step ST102).
  • FIG. 10 shows examples of operation modes classified by drive frequency and load torque. As shown in FIG. 10, among the classified operation modes, the operation mode with the lowest drive frequency is designated as mode (1, 1), (1, 2), and so on, and the operation mode with the lowest load torque is selected in order. Modes (1, 1), (2, 1), .
  • the load torque data is acquired by, for example, measuring the rotation of the electric motor 711, acquiring the rotation speed data by the data acquisition unit 121, and calculating the slip from the ratio between the rotation speed and the drive frequency. There is a way to calculate In this case, it is necessary to add a rotation speed measuring device.
  • the load torque of the electric motor 711 is determined by the outside air temperature, target temperature, and driving frequency of each device. By estimating the load torque from these pieces of information, it becomes possible to obtain the value of the load torque without the need for an additional sensor, and an increase in cost due to the addition of the sensor can be prevented.
  • Each operation mode can be defined in advance, but it is also possible to define each operation mode in advance learning. Specifically, when the data of the load torque and drive frequency are acquired in the pre-learning, the operation modes are defined in order by the acquired load torque and drive frequency. Since the load torque and the drive frequency are continuous values, an error margin is set for the target value for each operation mode. It is conceivable that the margin of error is up to the midpoint between adjacent operation modes. For example, in mode (1, 1) of FIG. 10, the target values are a drive frequency of 35 Hz and a load torque of 2 Nm. If it is within the range, it is assumed to be included in mode (1, 1). In addition, if the classification of the operation mode by load torque is 0.5 Nm, consider 0.0 to less than 0.25 Nm, 0.25 Nm to less than 0.75 Nm, and 0.75 Nm to less than 1.25 Nm as each classification. can be done.
  • the feature quantity calculation unit 123 calculates a feature quantity using the current value of the U-phase current Iu (step ST103).
  • the feature amount calculated in the pre-learning is the normal feature amount. Note that the feature amount is calculated using all the data acquired in one measurement.
  • the feature quantity of the U-phase current Iu is a parameter that indicates the current waveform of the U-phase current Iu. That is, specific examples of the feature amount include moments such as the mean, variance, kurtosis, and skewness of the current value of the U-phase current Iu, the maximum value, the minimum value and their mean and variance, and the current value Powers, square roots, logarithmic means and variances, etc. are possible.
  • I is the current value of the U-phase current Iu.
  • Ii is time-series data obtained at predetermined time intervals.
  • a superscript bar (-) represents the average value of N current values. Also, ⁇ represents standard deviation. The same applies to the following formulas.
  • the subscripts p and L respectively represent the maximum and minimum values of the current value Ii within a predetermined time at a certain measurement point. That is, pt5 is obtained by dividing the average value of the maximum values at each measurement point by the standard deviation of the maximum values at each measurement point. Also, pt6 is obtained by dividing the average value of the minimum values at each measurement point by the standard deviation of the minimum values at each measurement point.
  • Nk represents the number of Ii larger than (mean value of Ii + standard deviation of Ii) at a certain measurement time
  • Nh represents the number of Ii smaller than (mean value of Ii - standard deviation of Ii) at a certain measurement time
  • pt11 and pt12 indicate the degree of influence of outliers at a certain measurement time.
  • pt1 to pt12 among pt1 to pt12, pt5 and pt6 are feature amounts that can be obtained once within a predetermined period of time, and the other feature amounts are time-series data.
  • the number of feature amounts is 12 in Embodiment 1, the number of feature amounts is not limited to this. For example, it is conceivable to use some of the above 12 feature quantities. It is also possible to combine feature quantities related to current waveforms other than the above twelve.
  • the 12 calculated feature values indicate the normal state.
  • a distribution indicating the normal state is generated from the characteristic amount of the normal state, and based on this distribution, a criterion used for determination of normality/abnormality is generated.
  • a feature space is defined as a space that has dimensions equal to the number of feature values and the value of each feature value indicates a position coordinate
  • a feature vector having the value of each feature value as a component is: Indicates position in feature space.
  • a principal component analysis technique is used to reduce the dimensions of feature vectors and then generate feature quantity distributions.
  • Principal component analysis is a method of reducing the dimension of a feature vector by selecting multidimensional axes with large variance as the first and second principal components. After dimensionality reduction, a feature quantity distribution is generated on a plane having the first principal component and the second principal component on the vertical axis and the horizontal axis, respectively.
  • the dimension after reduction may be three or more.
  • the reference matrix calculation unit 124 calculates a reference matrix for projecting a feature vector having s (s ⁇ 12) feature amounts used for abnormality diagnosis as components onto a two-dimensional plane (step ST104).
  • this two-dimensional plane is a plane having the first principal component and the second principal component on the vertical axis and the horizontal axis, respectively. Since the s feature quantities, which are the components of the feature vector in Embodiment 1, are obtained as time-series data (except for pt5 and pt6), the feature vectors having the s feature quantities as components are also obtained as time-series data. be able to.
  • the corresponding components should be constant at pt5 and pt6.
  • the calculated feature amount is stored in the storage unit 130 each time.
  • the reference matrix is a matrix of s rows and 2 columns. By applying this reference matrix to the feature vector of the s-dimensional vector, the first principal component and the second principal component are projected onto a two-dimensional plane having vertical and horizontal axes.
  • Which of the 12 types of feature amount is used is determined by whether the value of the feature amount changes depending on whether the compressor 71 and the electric motor 711 are normal or abnormal. By preliminarily excluding feature quantities that are not affected by normal/abnormality from the objects of calculation, and subjecting only feature quantities whose values change depending on whether it is normal or abnormal, the amount of calculation and the amount of storage can be reduced.
  • the number of measurements of the current value of the U-phase current Iu can be set to 100, for example, for the calculation of the reference matrix, but is not limited to this.
  • a large amount of calculation time is required to calculate the number of feature values required for principal component analysis. For this reason, it is desirable to leave a certain period of time between measurements of the U-phase current Iu and to calculate the feature quantity during the interval. About 30 minutes can be considered as an example of the measurement interval.
  • the feature quantity distribution generation unit 125 applies the reference matrix to the feature vector to project it onto a two-dimensional plane to generate a feature quantity distribution (step ST105).
  • a feature quantity distribution By sequentially projecting feature vectors, which are time-series data, onto a two-dimensional plane, distributions as shown in FIGS. 8 and 9 are generated.
  • the distribution generated here is stored in the storage unit 130 as a reference distribution representing the normal distribution.
  • the reference region generation unit 126 generates a reference region based on the reference distribution generated in step ST105 (step ST106).
  • a reference region is generated such that a certain percentage of the points of the reference distribution are contained within the region.
  • This ratio is arbitrary, but if it is too large, the reference area will also be large, and there is a possibility that normal will be judged as abnormal in abnormality diagnosis. For example, if this ratio is set to 100% and a reference region is generated to include all points of the reference distribution, the reference region is generated to include so-called "outliers.” In this case, even the data that should be excluded is treated as normal data, and there is a possibility that normal data is judged to be abnormal.
  • the reference area is generated as, for example, a circular or elliptical shape, but it may be a polygonal reference area as long as an appropriate area is generated according to the shape of the reference distribution.
  • the reference area is used as the reference for abnormality diagnosis, but it is also possible to use the reference distribution as the reference.
  • the storage unit 130 stores the reference matrix calculated by the reference matrix calculation unit 124 and the reference region generated by the reference region generation unit 126 in association with the current driving mode determined in step ST102 (step ST107). If the driving modes are different, different reference areas S11 and S12 are generated as in the example shown in FIG. 9, so the reference areas need to be stored in association with the current driving mode. Similarly, the reference matrix must be stored in association with the current driving mode.
  • the operation mode is determined to prevent misdiagnosis.
  • the degree of opening of expansion valve 73 is adjusted, for example, based on the pressure on the low-pressure side and the temperature at the outlet of the pipe of evaporator 74 so that the degree of superheat at the outlet of pipe of evaporator 74 approaches a target value. (superheat control), load torque fluctuates.
  • the driving device control section 110 of the abnormality diagnosis device 100 controls the driving frequency of the compressor 71 via the driving device 81 . In this way, the compressor 71, which requires continuous operation, is operated in a state where the load torque and drive frequency are constantly fluctuating based on the difference between the air temperature and the target temperature.
  • FIG. 9 shows the reference distribution and reference area when the drive frequency is 35 Hz and the reference distribution and reference area when the drive frequency is 55 Hz. It can be seen from FIG. 9 that the reference area S11 when the driving frequency is 35 Hz and the reference area S12 when the driving frequency is 55 Hz are different. If the reference region is different, the diagnostic result of normality/abnormality also differs.
  • the time required for one measurement is assumed to be approximately 4 s to 60 s.
  • the duration of a specific operation mode is known in advance, it is conceivable to use the duration as the measurement time.
  • the storage unit 130 also stores each feature value and reference distribution during pre-learning. However, if all of these data are stored, the capacity becomes enormous, so they are deleted from the storage unit 130 when they become unnecessary. is desirable.
  • the current value of the U-phase current Iu is acquired as continuous time-series data. become necessary.
  • Such a sampling frequency is about 10 to 500 times the maximum frequency (200 Hz) for the U-phase current Iu whose frequency is about 20 Hz to 200 Hz during continuous operation when performing an abnormality diagnosis of the compressor 71, that is, About 2 kHz to 100 kHz is required.
  • the number of data is a large value of 8000 (2 kHz, 4 S) to 6 million.
  • the time-series data of the current value of the U-phase current Iu becomes unnecessary after each feature amount calculation.
  • the number of feature data for calculating the variance is also large, it is desirable to delete it when it becomes unnecessary.
  • the data of each feature amount (feature vector) becomes unnecessary after the reference distribution is generated.
  • the reference distribution becomes unnecessary after the reference area is generated. Therefore, the data of the reference distribution may be deleted if unnecessary. It is also conceivable to store data limited to the operation mode having a long duration during pre-learning.
  • time-series data of current values are used for abnormality diagnosis, but frequency-series data may be used for abnormality diagnosis, and both time-series data and frequency-series data may be used in combination. is also conceivable.
  • frequency series data it is desirable to set the number of data to a power of two.
  • FIG. 7 is a flowchart showing abnormality diagnosis according to the first embodiment.
  • the data acquisition unit 121 acquires the time-series data of the current value of the U-phase current Iu from the N measurement points of the current detection unit 82 for the compressor 71 in actual operation, and also acquires the current load torque. and drive frequency are obtained (step ST201).
  • Data acquisition unit 121 outputs the current value of U-phase current Iu to feature amount calculation unit 123 , and outputs the current load torque and drive frequency to operation mode determination unit 122 .
  • the driving mode determining section 122 determines the current driving mode based on the current load torque and drive frequency acquired by the data acquiring section 121 (step ST202).
  • the classification of the operation mode is as described in the explanation of step ST102, but in actual operation, there is a possibility that an abnormality will occur in the load torque and the drive frequency, which are the basis for determining the operation mode. Therefore, instead of the measured value of the load torque, the command value of the load torque is acquired from the drive device control unit 110, and the operation mode is determined based on the acquired command value. If the command value of the load torque cannot be acquired, it is conceivable to determine the operation mode based on the current value (not limited to the U-phase current). This is because, in general, fluctuations in the current value due to changes in the load torque are greater than fluctuations due to abnormalities within the same operating mode. For example, between rated torque and no load, there is a difference in current value of about 1.5 times.
  • the feature amount calculation unit 123 calculates feature amounts (step ST203).
  • the calculation of the feature amount is as described in the explanation of step ST103, so the explanation is omitted.
  • the feature quantity distribution generation unit 125 generates a feature quantity distribution on a two-dimensional plane from the feature quantity obtained by the calculation in step ST203 (step ST204).
  • the feature quantity distribution generation unit 125 first determines which feature quantity is to be used for abnormality diagnosis among the feature quantities obtained by the calculation in step ST203. Assume that r (r ⁇ 12) feature quantities are used here.
  • the feature quantity distribution generation unit 125 uses an r-dimensional vector having r feature quantities as components as a feature vector, and projects the r-dimensional feature vector corresponding to the current driving mode onto a two-dimensional plane.
  • a two-column reference matrix is read from the storage unit 130 .
  • the feature quantity distribution generation unit 125 applies the reference matrix to the r-dimensional feature vector, and projects the first principal component and the second principal component onto a two-dimensional plane having vertical and horizontal axes, thereby generating a feature quantity. Generate a distribution. Thereby, for example, a distribution as shown in FIG. 8 can be obtained.
  • the determination unit 127 performs abnormality diagnosis by comparing the feature quantity distribution and the reference region. That is, the determination unit 127 counts the number of points outside the reference area S1 among the points forming the feature amount distribution generated in step ST204 (step ST205), and determines the number of points in the feature amount distribution outside the reference area S1. is equal to or greater than a predetermined threshold value (for example, 50%) (step ST206). If it is equal to or greater than the predetermined threshold, determination section 127 determines that there is an abnormality (step ST207). If it is equal to or greater than the predetermined threshold, determination section 127 determines that there is no abnormality (step ST208). The determination unit 127 outputs the diagnosis result to the diagnosis result output unit 128 .
  • a predetermined threshold value for example, 50%
  • an abnormality diagnosis method there is also a method such as comparing the distance between groups. Any method can be used as long as the method can recognize the difference between the feature quantity distribution and the reference region S1. Also in the method of using the ratio of points in the feature quantity distribution outside the reference region S1 as the diagnostic criteria, it is also conceivable to set the threshold in stages. For example, if 90% or more, replacement is required, if 70% or more, replacement is recommended, if 50% or more, replacement is considered, and so on.
  • a region S2 in FIG. 8 shows the distribution of feature quantities when the compressor 71 has an abnormality such as wear of the sliding portion. In the example of FIG. 8, since 70% of the points are outside the reference area S1, it is determined to be abnormal when the predetermined threshold is 50%.
  • the distribution of the feature amount during an anomaly also differs depending on the type of anomaly. Therefore, it is also possible to identify whether the origin of the abnormality is in the electric motor 711 or in another part of the compressor 71 from the position of the distribution of the feature amount.
  • the diagnosis result output unit 128 outputs the diagnosis result sent from the determination unit 127 to the outside (step ST209).
  • the output destination of the diagnostic result is not particularly limited, and may be a display device such as a monitor, an audio output such as an alarm, or an external storage device.
  • Embodiment 1 In addition to the principal component analysis adopted in Embodiment 1, there are methods for diagnosing anomalies that handle a plurality of feature values, such as the Taguchi method and methods using the Mahalanobis distance. If there is, the type does not matter.
  • FIG. 11 is a diagram illustrating an example of a hardware configuration of an abnormality diagnosis device according to Embodiment 1.
  • the abnormality diagnosis device 100 is mainly composed of a processor 91 and a memory 92 and an auxiliary storage device 93 as main storage devices.
  • the processor 91 includes, for example, a CPU (Central Processing Unit), an ASIC (Application Specific Integrated Circuit), a DSP (Digital Signal Processor), and an FPGA (Field Programmable Gate Array).
  • the memory 92 is composed of a volatile storage device such as a random access memory
  • the auxiliary storage device 93 is composed of a non-volatile storage device such as a flash memory or a hard disk.
  • a predetermined program to be executed by the processor 91 is stored in the auxiliary storage device 93, and the processor 91 appropriately reads and executes this program to perform various arithmetic processing.
  • the predetermined program is temporarily stored in the memory 92 from the auxiliary storage device 93 , and the processor 91 reads the program from the memory 92 .
  • Arithmetic processing by each functional unit shown in FIG. 4 is realized by the processor 91 executing a predetermined program as described above.
  • the results of arithmetic processing by the processor 91 are temporarily stored in the memory 92 and then stored in the auxiliary storage device 93 depending on the purpose of the executed arithmetic processing.
  • the abnormality diagnosis device 100 outputs an input circuit 94 that receives various inputs from the outside such as a current value from the current detection unit 82, a PWM signal to the inverter 811, and a diagnosis result from the abnormality diagnosis unit 120. It has an output circuit 95 for
  • the abnormality diagnosis device 100 is configured to include both the driving device control section 110 and the abnormality diagnosis section 120. However, they are separate devices, and a device that performs only control of the driving device and a device that performs only abnormality diagnosis. may be divided into devices that
  • Embodiment 1 it is possible to appropriately diagnose the presence or absence of an abnormality in the diagnosis target during operation. More specifically, a feature amount calculation unit that calculates a plurality of feature amounts from time-series data of the current value of the current that drives the motor, and an operation that determines the operation mode of the compressor based on the load torque and the drive frequency.
  • a mode determination unit a feature amount distribution generation unit that generates a feature amount distribution from a plurality of feature amount values, a reference area generation unit that generates a reference area based on the feature amount distribution during normal operation, and an operation mode and a determination unit that compares the feature quantity distribution obtained at the time of abnormality diagnosis with the reference region corresponding to the operation mode at the time of abnormality diagnosis to determine whether there is an abnormality in the compressor and the electric motor. and
  • the operation mode determination unit determines the operation mode at that time, and when generating the reference region, the reference region is stored in association with the operation mode, and the abnormality is detected.
  • the reference region corresponding to the operation mode at that time is used as the reference for abnormality diagnosis.
  • the feature quantity distribution is generated after reducing the dimension of the feature vector, the amount of calculation and storage can be reduced.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Thermal Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Control Of Ac Motors In General (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

異常診断装置（１００）は、電動機（７１１）を駆動する電流の電流値の時系列データおよび電動機（７１１）の負荷トルクおよび駆動周波数のデータを取得するデータ取得部（１２１）と、電流値の時系列データから複数の特徴量を計算する特徴量計算部（１２３）と、負荷トルクおよび駆動周波数に基づいて、圧縮機（７１）の運転モードを判定する運転モード判定部（１２２）と、複数の特徴量の値から特徴量分布を生成する特徴量分布生成部（１２５）と、正常時の特徴量分布に基づいて、基準領域を生成する基準領域生成部（１２６）と、運転モードに対応させて基準領域を記憶する記憶部（１３０）と、異常診断時に得られる特徴量分布と異常診断時の運転モードに対応する基準領域とを比較して、圧縮機（７１）および電動機（７１１）の異常の有無を判定する判定部（１２７）とを備えている。

Description

異常診断装置および異常診断方法
　本願は、異常診断装置および異常診断方法に関する。
　空調機などにおける電動機および負荷の異常を診断する異常診断装置が従来より知られている。従来の異常診断装置は、電動機および負荷について、電動機の「停止」、および負荷の有無（「ロード」・「アンロード」）でモードを分類し、分類したモードごとで異常診断をすることにより異常を検知していた（例えば、特許文献１参照）。
特開第２０１９－７９３５６号公報
　しかしながら、上記のようなものでは、常時負荷がかかり、かつ、その負荷が変動するような場合には正確な異常診断を行うことができない虞がある。これは、電流値など、異常診断に用いる状態量も負荷の変動に伴い変動することから、モードが「ロード」で変わらないままであっても、負荷および電動機の状態が変化し続けるためである。このような状況は、たとえば、常時温度を調節する空調機で想定される。このような空調機に用いる電動機および負荷の異常を電流値で診断する場合、外気および設定温度の変化に対して電動機の負荷トルクおよび回転速度が常に変動し、それに伴い正常状態における電流値の範囲も変動するためである。
　本願は、上記のような課題を解決するための技術を開示するものであり、運転中の診断対象の異常の有無を適切に診断することができる異常診断装置および異常診断方法を得ることを目的とする。
　本願に開示される異常診断装置は、運転中の診断対象の状態をそれぞれ示す第１の状態量および第２の状態量に基づいて診断対象の異常診断を行う異常診断装置であって、第１の状態量の時系列データおよび周波数系列データのいずれか一方もしくは両方、および第２の状態量のデータを取得するデータ取得部と、第１の状態量の時系列データおよび周波数系列データのいずれか一方もしくは両方から複数の特徴量を計算する特徴量計算部と、第２の状態量に基づいて、診断対象の運転モードを判定する運転モード判定部と、複数の特徴量の値を成分に持つ特徴ベクトルに基づいて、特徴空間に特徴量分布を生成する特徴量分布生成部と、正常状態の診断対象から得た特徴量分布に基づいて、特徴空間に基準分布または基準領域を基準として生成する基準生成部と、基準を生成したときの運転モードに対応させて、基準を記憶する記憶部と、異常診断時に得られる特徴量分布と、異常診断時の運転モードに対応する基準とを比較して、診断対象の異常の有無を判定する判定部とを備えたものである。
また、本願に開示される異常診断方法は、運転中の診断対象の状態をそれぞれ示す第１の状態量および第２の状態量に基づいて診断対象の異常診断を行う異常診断方法であって、第１の状態量の時系列データおよび周波数系列データのいずれか一方もしくは両方、および前記第２の状態量のデータを取得するステップと、第１の状態量の時系列データおよび周波数系列データのいずれか一方もしくは両方から複数の特徴量を計算するステップと、第２の状態量に基づいて、診断対象の運転モードを判定するステップと、複数の特徴量の値を成分に持つ特徴ベクトルに基づいて、特徴空間に特徴量分布を生成するステップと、正常状態の診断対象から得た特徴量分布に基づいて、特徴空間に基準分布または基準領域を基準として生成するステップと、基準を生成したときの運転モードに対応させて、基準を記憶するステップと、異常診断時に得られる特徴量分布と、異常診断時の前記運転モードに対応する基準とを比較して、診断対象の異常の有無を判定するステップとを備えたものである。
　本願に開示される異常診断装置および異常診断方法によれば、運転中の診断対象の異常の有無を適切に診断することができる。
実施の形態１に係る空調機の概要を示す図である。 実施の形態１における異常診断装置を示す概要構成図である。 実施の形態１における異常診断装置を示すブロック図である。 実施の形態１に係るクラーク変換部およびパーク変換部を説明する図である。 実施の形態１に係る異常診断部の動作を示すフロー図である。 実施の形態１に係る基準領域生成を示すフロー図である。 実施の形態１に係る異常診断を示すフロー図である。 特徴量の主成分分析結果を示す図である。 異なる運転モードそれぞれの基準領域を示す図である。 駆動周波数および負荷トルクによって分類された運転モードの例を示す図である。 実施の形態１における異常診断装置のハードウェア構成の一例を示す図である。
実施の形態１．
　実施の形態１を図１から図１１に基づいて説明する。実施の形態１では、「診断対象」として、常時運転する空調機の圧縮機、およびこの電動機に備えられた電動機を例に説明する。図１は、実施の形態１に係る空調機の概要を示す図、図２は、実施の形態１における異常診断装置を示す概要構成図であり、図３は、実施の形態１における異常診断装置を示すブロック図である。空調機１０００は、圧縮機７１と、凝縮器７２と、膨張弁７３と、蒸発器７４とを備え、圧縮機７１、凝縮器７２、膨張弁７３、および蒸発器７４の順に冷媒が循環することで、冷凍サイクル装置として動作する。圧縮機７１は、気体状の冷媒（ガス冷媒）を圧縮し、凝縮器７２に吐出する。凝縮器７２は、圧縮機７１から吐出されたガス冷媒を凝縮して液体状の冷媒（液冷媒）を生成する。この際、凝縮器７２を通過する冷媒は、周囲の空気に凝縮熱を放出する。凝縮器７２は、生成した液冷媒を膨張弁７３に吐出する。膨張弁７３は、図示しない制御装置により開度が制御されることにより、凝縮器７２から吐出された液冷媒を減圧し、膨張させる。膨張した液冷媒は蒸発器７４に送られる。蒸発器７４は、膨張した液冷媒を蒸発させてガス冷媒を生成する。この際、蒸発器７４を通過する冷媒は、周囲の空気から蒸発熱を吸収する。蒸発器７４は、生成したガス冷媒を圧縮機７１に吐出する。
　圧縮機７１は、図２に示すように駆動装置８１に接続されており、図３に示すように、電動機７１１、および電動機７１１のロータ（図示無し）の回転角θ（機械角）を測定する角度センサ７１２を内部に備えている。また、圧縮機７１は図示しない圧縮機構に接続されている。電動機７１１は、駆動装置８１により駆動されてロータが回転し、そのロータの回転により圧縮機構が動作することでガス冷媒が圧縮される。
　実施の形態１の異常診断装置１００は、駆動装置８１の制御機能も備えており、駆動装置制御部１１０と、異常診断部１２０と、記憶部１３０とを備える。駆動装置制御部１１０は、圧縮機７１と駆動装置８１の間を流れる電流を検出する電流検出部８２から電流検出値を取得し、フィードバック制御により駆動装置８１を制御する。異常診断部１２０は、電流検出部８２で検出された電流値、すなわち第１の状態量のデータ、および圧縮機７１の運転モード（詳細は後述する）を示す負荷トルクおよび駆動周波数、すなわち第２の状態量データに基づいて、電動機７１１などの異常の有無を診断するものである。記憶部１３０は、駆動装置制御部１１０および異常診断部１２０で演算された結果などを必要に応じて記憶する。なお、電流検出部８２は複数（Ｎ個とする）の電流センサにより、Ｎ個の測定点を持つように構成されている。
　駆動装置８１は、インバータ８１１とコンバータ８１２を備える。コンバータ８１２は、図示しない交流電源から交流電流を供給され、この交流電流を直流電流に変換してインバータ８１１に供給する。交流電源からコンバータ８１２に供給される交流電流の周波数は予め定められており、例えば５０Ｈｚまたは６０Ｈｚである。
　インバータ８１１は、複数のスイッチング素子を含むインバータ主回路を備え、異常診断装置１００の駆動装置制御部１１０により制御される。なお、上記複数のスイッチング素子およびインバータ主回路の図示はいずれも省略している。駆動装置制御部１１０は、インバータ８１１に対してＰＷＭ（Ｐｕｌｓｅ　Ｗｉｄｔｈ　Ｍｏｄｕｌａｔｉｏｎ）信号を送信してインバータ主回路のスイッチング素子のオンオフを切り替えることにより、圧縮機７１の電動機７１１を駆動する三相（Ｕ相、Ｖ相、Ｗ相）の電流を出力させる。電動機７１１と駆動装置８１との間に設けられた電流検出部８２は、電動機７１１に出力される三相の電流のうち、Ｕ相電流ＩｕおよびＶ相電流Ｉｖを検出し、Ｕ相の電流Ｉｕの電流値およびＶ相電流Ｉｖの電流値を出力する。なお、これらの電流値もＩｕ、Ｉｖと示すことがある。また、Ｗ相電流Ｉｗの電流値はＵ相電流Ｉｕの電流値およびＶ相電流Ｉｖの電流値から演算可能であるので、電流検出部８２は、三相のうち少なくとも二相の電流値を出力すればよい。
　駆動装置制御部１１０は、インバータ８１１にＰＷＭ信号を出力してベクトル制御を行うものであり、電流検出部８２から電流値を取得して相電流を演算する相電流演算部１１１と、演算された相電流に対してクラーク変換を実施し、二相の電流値を得るクラーク変換部１１２と、角度センサ７１２より取得した回転角θを用いて、上記二相の電流値に対してパーク変換を実施するパーク変換部１１３と、インバータ８１１への電圧指令値を演算する電圧指令値演算部１１４と、電圧指令値演算部１１４により演算された電圧指令値から出力電圧ベクトルを演算する出力電圧ベクトル演算部１１５と、インバータ８１１に出力するＰＷＭ信号を生成するＰＷＭ信号生成部１１６とを含む。
　相電流演算部１１１は、電流検出部８２から取得したＵ相電流Ｉｕの電流値およびＶ相電流Ｉｖの電流値より、Ｗ相電流Ｉｗの電流値を演算し、各相の電流（Ｉｕ、Ｉｖ、Ｉｗ）の電流値クラーク変換部５１２へ出力する。なお、各相の電流（Ｉｕ、Ｉｖ、Ｉｗ）は、電動機７１１のロータの回転角θに伴って変化する。実施の形態１では、回転角θは角度センサ７１２によって測定された値として説明しているが、角度センサ７１２は必須の構成ではない。他の方法で回転角θを算出するのであれば角度センサ７１２は省略可能である。回転角θを算出する方法としては、たとえば、位置センサレス制御において行なわれているように、各相の電流（Ｉｕ、Ｉｖ、Ｉｗ）と、インバータ８１１への電圧指令値とから回転角θを算出する方法がある。この算出方法は既知であるため、詳細な説明は省略する。
　クラーク変換部１１２およびパーク変換部１１３は、図４を用いて説明する。図４に示すように、相電流演算部１１１が出力した各相の電流（Ｉｕ、Ｉｖ、Ｉｗ）の電流値は、クラーク変換部１１２に入力される。クラーク変換部１１２は、三相電流であるＩｕ、Ｉｖ、Ｉｗを、二相（αβ相）の電流（Ｉα、Ｉβ）に変換し、パーク変換部１１３に出力する。なお、二相の電流（Ｉα、Ｉβ）は、Ｉα＝Ｉｕ、Ｉβ＝（Ｉｕ＋２×Ｉｖ）／√３である。
　パーク変換部１１３は、クラーク変換部１１２からαβ相の電流（Ｉα、Ｉβ）の電流値を取得するとともに、角度センサ７１２から回転角θを取得し、静止座標系のαβ相の電流（Ｉα、Ｉβ）を、回転座標系（ｄ‐ｑ座標系）の座標に相当するｄｑ軸電流（Ｉｄ、Ｉｑ）に変換する。パーク変換部１１３は、ｄｑ軸電流（Ｉｄ、Ｉｑ）を電圧指令値演算部１１４に出力する。ｄ軸電流Ｉｄは、励磁電流成分であり、電動機７１１に回転磁界を発生させる。ｑ軸電流Ｉｑは、トルク電流成分であり、電動機７１１のトルクを生み出す。ｄｑ軸電流（Ｉｄ、Ｉｑ）には、静止座標系において回転角θで回転する二相の電流（Ｉα、Ｉβ）を、回転に追従する回転座標系において測定した値に相当するもので、回転角θの変化が現われない。なお、ｄｑ軸電流（Ｉｄ、Ｉｑ）は、Ｉｄ＝Ｉα×ｃｏｓθ＋Ｉβ×ｓｉｎθ、Ｉｑ＝－Ｉα×ｓｉｎθ＋Ｉβ×ｃｏｓθである。
　電圧指令値演算部１１４は、電動機７１１が所望のトルクおよび回転速度を出力するように、インバータ８１１の出力電圧の指令値を演算する。出力電圧ベクトル演算部１１５は、電圧指令値演算部１１４が演算した出力電圧の指令値に基づき、出力電圧ベクトルを演算する。ＰＷＭ信号生成部１１６は、出力電圧ベクトル演算部１１５が演算した出力電圧ベクトルに基づき、インバータ８１１を制御するＰＷＭ信号を生成する。
　異常診断部１２０は、事前学習における基準領域の生成と、実運用における異常診断という、２つの機能を有する。異常診断部１２０は、事前学習および実運用のそれぞれにおいて、必要なデータを取得するデータ取得部１２１と、事前学習および実運用のそれぞれにおいて、運転モードの判定を行う運転モード判定部１２２と、事前学習および実運用のそれぞれにおいて、主成分分析に用いる特徴量の計算を行う特徴量計算部１２３と、事前学習において、特徴ベクトルの次元を削減して２次元平面に投影する基準行列を演算する基準行列演算部１２４と、事前学習および実運用のそれぞれにおいて、基準行列を用いて特徴量に基づく２次元分布を生成する特徴量分布生成部１２５と、事前学習において、異常診断時に比較対象となる基準領域を生成する基準領域生成部１２６と、実運用において、特徴量に基づく２次元分布から異常の有無を判定する判定部１２７と、実運用において、異常診断の結果を外部に出力する診断結果出力部１２８とを備える。
　実施の形態１では、Ｕ相電流Ｉｕを用いて異常診断を行う。圧縮機７１の異常の大部分を占める摺動部摩耗が発生した際、電動機７１１のロータとステータとの間のギャップが振動することでパーミアンスが変化をすることから、圧縮機７１の異常診断に電流値を用いることは有効であるためである。また、電動機７１１の軸受摩耗の際もギャップの振動が同様に発生することから、電動機７１１の異常診断にも電流値を用いることは有効である。また、駆動装置８１と圧縮機７１との間の電源ケーブルにセンサを設置するなどすれば電流検出部８２を実現できるため、異常診断のための追加のセンサが不要となる。このため、コスト面で有利という点でも電流値を用いる手法は望ましいと言える。異常診断に用いる電流は、Ｕ相電流Ｉｕに限らず、三相電流の他の相の電流、すなわちＩｖ、Ｉｗでもよいし、αβ相電流のいずれか、ｄ－ｑ軸電流のいずれかであってもよい。αβ相電流を用いる場合はクラーク変換が、ｄ－ｑ軸電流を用いる場合はクラーク変換およびパーク変換が必要となるが、いずれにしても追加のセンサは不要である。
　以下では、異常診断部１２０の各機能部の詳細な説明をしつつ、異常診断部１２０の動作について説明する。図５は、実施の形態１に係る異常診断部の動作を示すフロー図である。異常診断部１２０は、事前学習による基準領域の生成（ステップＳＴ１００）を実施した後、実運用で異常診断を実施する（ステップＳＴ２００）。なお、異常診断は空調機１０００の運転中、定期的に実施される。基準領域の生成も必要に応じて実施される。
　図６は、実施の形態１に係る基準領域生成を示すフロー図である。事前学習における基準領域の生成は、正常状態（異常がない状態）で行う必要がある。まず、データ取得部１２１は、正常状態において、電流検出部８２のＮ個の測定点から、Ｕ相電流Ｉｕの電流値の時系列データをそれぞれ取得するとともに、現在の負荷トルクおよび駆動周波数を取得する（ステップＳＴ１０１）。データ取得部１２１は、Ｕ相電流Ｉｕの電流値を特徴量計算部１２３に出力し、現在の負荷トルクおよび駆動周波数を運転モード判定部１２２に出力する。
　次に、運転モード判定部１２２は、データ取得部１２１により取得された現在の負荷トルクおよび駆動周波数に基づき、現在の運転モードを判定する（ステップＳＴ１０２）。図１０に、駆動周波数および負荷トルクによって分類された運転モードの例を示す。図１０に示すように、分類された運転モードのうち、駆動周波数が最小である運転モードから順にモード（１、１）（１、２）・・とし、負荷トルクが最小である運転モードから順にモード（１、１）（２、１）・・として、負荷トルクによる分類ついてｍパターン、駆動周波数による分類ついてｎパターンの、合計m×nのパターンの運転モードに分類している。
　負荷トルクのデータの取得方法は、例えば、電動機７１１の回転を測定した上で回転数のデータをデータ取得部１２１にて取得し、回転数と駆動周波数の比からすべりを計算することで負荷トルクを計算する方法がある。この場合、回転数の測定装置を追加する必要がある。ただし、圧縮機７１の特徴として、電動機７１１の負荷トルクは各機器の外気温と目標温度、駆動周波数により決定する。これらの情報から負荷トルクを推定すれば、追加のセンサ不要で負荷トルクの値を取得することが可能となり、センサの追加によるコスト増加を防ぐことができる。
　各運転モードは、予め定義しておくことも考えられるが、事前学習にそれぞれの運転モードを定義していくことも考えられる。具体的には、事前学習に負荷トルクおよび駆動周波数のデータを取得した際に、取得した負荷トルクおよび駆動周波数によって運転モードを順に定義していく。なお、負荷トルクおよび駆動周波数は連続値であるので、各運転モードの目標値に対して誤差幅を設定しておく。この誤差幅としては、隣接する運転モードとの中点までにすることが考えられる。例えば、図１０のモード（１、１）は駆動周波数３５Ｈｚ、負荷トルク２Ｎｍが目標値であるが、駆動周波数は０．０Ｈｚ以上３７．５Ｈｚ未満、負荷トルクは０．０Ｎｍ以上３．０Ｎｍ未満の範囲であればモード（１、１）に含まれるとする。また、負荷トルクによる運転モードの分類を０．５Ｎｍとする場合、０．０以上０．２５Ｎｍ未満、０．２５Ｎｍ以上０．７５Ｎｍ未満、０．７５Ｎｍ以上１．２５Ｎｍ未満をそれぞれの分類と考えることができる。
　次に、特徴量計算部１２３は、Ｕ相電流Ｉｕの電流値を用いて特徴量を計算する（ステップＳＴ１０３）。事前学習において計算される特徴量は正常時の特徴量である。なお、特徴量は１回の測定で取得したすべてのデータを用いて計算する。Ｕ相電流Ｉｕの特徴量は、Ｕ相電流Ｉｕの電流波形を示すパラメータである。すなわち、特徴量の具体例としては、Ｕ相電流Ｉｕの電流値の平均、分散、尖度、歪度といったモーメント、極大値、極小値およびこれらの平均および分散、Ｕ相電流Ｉｕの電流値の累乗、平方根、対数の平均および分散などが考えられる。以下の式（１）～式（１２）により、実施の形態１で用いる１２個の特徴量ｐｔ１～ｐｔ１２を示す。以下の式では、Ｕ相電流Ｉｕの電流値をＩとしている。また上述したとおり、Ｕ相電流Ｉｕの測定点はＮ個あるので、Ｎ個の測定点から得られた電流値をそれぞれＩｉ（ｉ＝１、２、・・Ｎ）とする。それぞれのＩｉは、予め定められた時間間隔で得られる時系列データである。
Figure JPOXMLDOC01-appb-M000001
Figure JPOXMLDOC01-appb-M000002
Figure JPOXMLDOC01-appb-M000003
 　上付きのバー（―）はＮ個の電流値の平均値を表す。また、σは標準偏差を表す。以降の式でも同様である。
Figure JPOXMLDOC01-appb-M000004
 　式（４）の右辺分子は、Ｎ個の測定点から取得した電流値Ｉｉを大きい方から順にｄ個（例えばｄ＝１０）取り出した場合の、取り出したｄ個の電流値の平均の絶対値であることを示す。
Figure JPOXMLDOC01-appb-M000005
Figure JPOXMLDOC01-appb-M000006
 　下付きのｐおよびＬは、それぞれ、ある測定点において所定時間内の電流値Ｉｉの極大値および極小値を表す。すなわち、ｐｔ５は、それぞれの測定点の極大値の平均値を、それぞれの測定点の極大値の標準偏差で除したものとなる。またｐｔ６は、それぞれの測定点の極小値の平均値を、それぞれの測定点の極小値の標準偏差で除したものとなる。
Figure JPOXMLDOC01-appb-M000007
Figure JPOXMLDOC01-appb-M000008
Figure JPOXMLDOC01-appb-M000009
Figure JPOXMLDOC01-appb-M000010
Figure JPOXMLDOC01-appb-M000011
Figure JPOXMLDOC01-appb-M000012
 　Ｎｋは、ある測定時刻における（Ｉｉの平均値＋Ｉｉの標準偏差）よりも大きいＩｉの個数を表し、Ｎｈは、ある測定時刻における（Ｉｉの平均値－Ｉｉの標準偏差）よりも小さいＩｉの個数を表す。ｐｔ１１およびｐｔ１２は、ある測定時刻における外れ値の影響の度合いを示すものである。
　なお、式（１）～式（１２）から分かるとおり、ｐｔ１～ｐｔ１２のうち、ｐｔ５およびｐｔ６は所定時間内に１つ得られる特徴量であり、それ以外の特徴量は時系列データとなる。また、実施の形態１では特徴量の数を１２としているが、特徴量の数はこれに限られるものではない。例えば、上記の１２個の特徴量のうちの一部を使用することが考えられる。また、上記１２個以外の、電流波形に関係する特徴量を組み合わせることも可能である。
　計算された１２個の特徴量は、正常状態を示すものである。実施の形態１では、正常状態の特徴量から正常状態を示す分布を生成し、この分布に基づいて、正常異常の判定に用いる基準を生成する。特徴量の数の次元を持ち、各特徴量の値が位置座標を示す空間を特徴空間とした場合、それぞれの特徴量の値を成分に持つ特徴ベクトルは。特徴空間上の位置を示す。特徴量および特徴ベクトルが時系列データである場合、時系列データである特徴ベクトルに基づき、一定の特徴量分布を特徴空間内に生成することができる。ただし、実際に特徴量分布を生成するにあたっては、様々な手法がある。実施の形態１では、主成分分析の手法を用い、特徴ベクトルの次元を削減した上で特徴量分布を生成する。主成分分析は、多次元で分散が大きい軸を第１主成分および第２主成分として選定し、特徴ベクトルの次元を削減する手法である。次元削減後、第１主成分および第２主成分をそれぞれ縦軸および横軸に持つ平面に特徴量分布を生成することになる。なお、実施の形態１では２次元まで次元を削減するが、削減後の次元は３次元以上でもよい。
　特徴量の計算後、基準行列演算部１２４は、異常診断に用いるｓ（ｓ≦１２）個の特徴量を成分に持つ特徴ベクトルを２次元平面に投影する基準行列を演算する（ステップＳＴ１０４）。この２次元平面は上述したとおり、第１主成分および第２主成分をそれぞれ縦軸および横軸に持つ平面である。実施の形態１の特徴ベクトルの成分であるｓ個の特徴量は、（ｐｔ５およびｐｔ６を除き）時系列データとして得られるので、ｓ個の特徴量を成分とする特徴ベクトルも時系列データとして得ることができる。特徴ベクトルがｐｔ５およびｐｔ６を含む場合、対応する成分は、ｐｔ５、ｐｔ６で一定とすればよい。第１主成分および第２主成分の選定のためには、それぞれ時系列データである各特徴量の分散を求める必要がある。このため、計算した特徴量は、都度、記憶部１３０に記憶されることとなる。ｓ個の特徴量から第１主成分および第２主成分を選定する場合、基準行列はｓ行２列の行列となる。この基準行列をｓ次元ベクトルの特徴ベクトルに作用させることで、第１主成分および第２主成分を縦軸および横軸に持つ２次元平面に投影することとなる。
　１２種類の特徴量のうち、どの特徴量を用いるか否かは、圧縮機７１および電動機７１１が正常か異常かにより、その特徴量の値が変化するか否かで決定する。正常異常の影響を受けない特徴量を演算対象から事前に排除し、正常か異常かにより値が変化する特徴量のみを演算対象とすることで、演算量および記憶量を削減することができる。
　なお、Ｕ相電流Ｉｕの電流値の測定回数について、基準行列の演算のためには例えば１００回とすることができるが、これに限られるものではない。また、主成分分析に必要な数の特徴量を計算するためには多量の計算時間を要する。このため、Ｕ相電流Ｉｕの測定間隔を一定期間空け、その空いた時間で特徴量を計算することが望ましい。測定間隔の例としては、３０分程度が考えられる。
　次に、特徴量分布生成部１２５は、特徴ベクトルに基準行列を作用させることにより２次元平面に投影して特徴量分布を生成する（ステップＳＴ１０５）。時系列データである特徴ベクトルを２次元平面に順次投影していくと、図８、図９に示すような分布が生成される。ここで生成された分布は、正常時の分布を表す基準分布として、記憶部１３０に保存される。
　次に、基準領域生成部１２６は、ステップＳＴ１０５で生成された基準分布に基づいて基準領域を生成する（ステップＳＴ１０６）。基準領域は、その領域内に基準分布の点が一定の割合含まれるように生成される。この割合は任意であるが、大きすぎると、基準領域も大きくなり、異常診断において正常を異常と判断する可能性が生じる。例えば、この割合を１００％とし、基準分布の全ての点を含むように基準領域を生成した場合、いわゆる「外れ値」も含めるように基準領域が生成される。この場合、本来除外すべきデータまで正常なデータとして扱うこととなり、正常を異常と判断する可能性が生じるのである。逆に、この割合が小さすぎると基準領域は小さく生成され、異常診断において正常を異常と判断する可能性が生じる。基準領域は、例えば円形または楕円形として生成するが、基準分布の形状に応じて適切な領域を生成するのであれば、多角形などの基準領域であってもよい。なお、実施の形態１では基準領域を異常診断に用いる基準とするが、基準分布を基準とすることも考えられる。
　記憶部１３０は、ステップＳＴ１０２で判定された現在の運転モードに紐づけて、基準行列演算部１２４が演算した基準行列および基準領域生成部１２６が生成した基準領域を記憶する（ステップＳＴ１０７）。運転モードが異なる場合は、図９に示す例のように、異なる基準領域Ｓ１１、Ｓ１２が生成されるため、基準領域は、現在の運転モードに紐づけて記憶する必要がある。基準行列についても同様に、現在の運転モードに紐づけて記憶する必要がある。
　運転モードの判定は、誤診断を防ぐためのものである。空調機１０００においては、たとえば低圧側の圧力および蒸発器７４の配管出口の温度に基づいて、蒸発器７４の配管出口の過熱度が目標値に近づくように、膨張弁７３の開度が調節され（過熱度制御）、負荷トルクが変動する。その際、異常診断装置１００の駆動装置制御部１１０は、駆動装置８１を介して圧縮機７１の駆動周波数を制御することとなる。このように、連続運転が必要とされる圧縮機７１は、気温と目標温度の差に基づいて負荷トルクおよび駆動周波数が随時変動する状態で運転を行われる。
　負荷トルクおよび駆動周波数が随時変動する状態で運転を行われることから、正常状態の圧縮機７１においても、駆動周波数が３５Ｈｚの場合と駆動周波数が５５Ｈｚの場合とでは特徴量が異なるため、得られる基準行列、基準分布、および基準領域が異なる。図９に、駆動周波数が３５Ｈｚの場合の基準分布および基準領域と、駆動周波数が５５Ｈｚの場合の基準分布および基準領域を示す。図９より、駆動周波数が３５Ｈｚの場合の基準領域Ｓ１１と、駆動周波数が５５Ｈｚの場合の基準領域Ｓ１２は異なることが分かる。基準領域が異なれば、正常・異常の診断結果も異なるため、異常診断においては、異常診断時の運転モードに応じた基準領域を用いる必要がある。異常診断時の運転モードとは異なる運連モードの基準領域を用いて異常診断を行った場合、正常な状態を異常と判定し、異常な状態を正常と判定してしまい、異常の誤検知または異常の検知漏れを起こす虞がある。このことは、負荷トルクが異なる場合も同様である。このため、実施の形態１では、図１０に示したような運転モードの分類と、現在の運転モードの判定を実施している。
　Ｕ相電流Ｉｕの電流値を測定し、その時系列データを取得する間は、運転モードが変わらないようにする必要がある。例えば４８ｋＨｚのサンプリング周波数でＵ相電流Ｉｕの電流値を測定する場合、１回の測定時間は４ｓ～６０ｓ程度が想定される。測定中の運転モードが変わらないように測定時間を決定するためには、特定の運転モードの継続時間が予め分かる場合であればその継続時間を測定時間とすることが考えられる。特定の運転モードの継続時間が事前には不明である場合でも、事前学習中に同じ運転モードが継続する時間を測定し、測定された時間を記憶部１３０に記憶させることで、異常診断時には、上記測定された時間の範囲内でＵ相電流Ｉｕの電流値を測定することが考えられる。
　記憶部１３０は、事前学習中、各特徴量、基準分布も記憶することになるが、これらのデータを全て記憶にすると容量が膨大となるため、不要になった時点で記憶部１３０から削除することが望ましい。主成分分析を行うために、Ｕ相電流Ｉｕの電流値を連続した時系列データとして取得するが、データ取得におけるサンプリング周波数は、特徴量にもよるものの、特徴量により電流の波形を把握できる程度必要になる。このようなサンプリング周波数は、圧縮機７１の異常診断を行う場合、連続運転時における周波数が２０Ｈｚ～２００Ｈｚ程度であるＵ相電流Ｉｕに対し、最大周波数（２００Ｈｚ）の１０～５００倍程度、すなわち、２ｋＨｚ～１００ｋＨｚ程度必要となる。上述した条件において測定時間を４ｓ～６０ｓ程度として電流値の時系列データを取得する場合、そのデータ数は８０００（２ｋＨｚ、４Ｓ）～６００万という大きな値となる。Ｕ相電流Ｉｕの電流値の時系列データは、各特徴量計算後は不要になる。
　また、分散を計算するための特徴量のデータの数も大きいので、不要となった時点で削除することが望ましい。各特徴量（特徴ベクトル）のデータは、基準分布生成後は不要になる。また、基準領域を異常診断の基準として用いる場合、基準分布も基準領域生成後は不要になるので、不要な場合は基準分布のデータを削除してもよい。また、事前学習中に継続時間が長かった運転モードに限定してデータを記憶することも考えられる。
　また、実施の形態１では電流値の時系列データを異常診断に用いるが、周波数系列データを用いて異常診断を行うことも考えられるし、時系列データと周波数系列データの両方を組み合わせて用いることも考えられる。周波数系列データを用いる場合、データ数を２の累乗に設定することが望ましい。
　次に、異常診断について説明する。図７は、実施の形態１に係る異常診断を示すフロー図である。まず、データ取得部１２１は、実運用中の圧縮機７１について、電流検出部８２のＮ個の測定点から、Ｕ相電流Ｉｕの電流値の時系列データをそれぞれ取得するとともに、現在の負荷トルクおよび駆動周波数を取得する（ステップＳＴ２０１）。データ取得部１２１は、Ｕ相電流Ｉｕの電流値を特徴量計算部１２３に出力し、現在の負荷トルクおよび駆動周波数を運転モード判定部１２２に出力する。
　次に、運転モード判定部１２２は、データ取得部１２１により取得された現在の負荷トルクおよび駆動周波数に基づき、現在の運転モードを判定する（ステップＳＴ２０２）。運転モードの分類の説明は、ステップＳＴ１０２の説明で述べたとおりであるが、実運用においては、運転モード判定の基礎となる負荷トルクおよび駆動周波数に異常が生じる可能性もある。このため、負荷トルクの測定値でなく、負荷トルクの指令値を駆動装置制御部１１０から取得して、取得した指令値に基づいて運転モードの判定を行う。負荷トルクの指令値を取得できない場合は、電流値（Ｕ相電流に限らない）により運転モードを判定することも考えられる。一般的に、電流値の変動は、同一運転モード内での異常による変動よりも、負荷トルクの変化による変動の方が大きいためである。例えば、定格トルクと無負荷では、１．５倍程度、電流値に差が生じる。
　次に、特徴量計算部１２３は、特徴量を計算する（ステップＳＴ２０３）。特徴量の計算は、ステップＳＴ１０３の説明で述べたとおりであるので、説明を省略する。
　次に、特徴量分布生成部１２５は、ステップＳＴ２０３の計算で得られた特徴量から、２次元平面上に特徴量分布を生成する（ステップＳＴ２０４）。特徴量分布生成部１２５は、まず、ステップＳＴ２０３の計算で得られた特徴量のうち、どの特徴量を用いて異常診断を行うかを決定する。ここではｒ（ｒ≦１２）個の特徴量を用いるとする。特徴量分布生成部１２５は、ｒ個の特徴量を成分とするｒ次元ベクトルを特徴ベクトルとし、現在の運転モードに対応し、かつ、ｒ次元の特徴ベクトルを２次元平面に投影するはｒ行２列の基準行列を記憶部１３０から読み出す。特徴量分布生成部１２５は、ｒ次元の特徴ベクトルに基準行列を作用させ、第１主成分および第２主成分を縦軸および横軸に持つ２次元平面に投影していくことで特徴量の分布を生成する。これにより、例えば図８に示すような分布を得ることができる。
　次に、判定部１２７は、特徴量分布と基準領域の比較により異常診断を行う。すなわち判定部１２７は、ステップＳＴ２０４で生成された特徴量分布を構成する点のうち、基準領域Ｓ１の外にある点の数をカウントし（ステップＳＴ２０５）、基準領域Ｓ１の外にある特徴量分布の点の割合が予め定められた閾値（例えば５０％）以上であるか否かを判定する（ステップＳＴ２０６）。予め定められた閾値以上である場合、判定部１２７は、異常があると判定する（ステップＳＴ２０７）。予め定められた閾値以上である場合、判定部１２７は、異常が無いと判定する（ステップＳＴ２０８）。判定部１２７は、診断結果を診断結果出力部１２８に出力する。なお、異常診断の手法としては、集団間の距離の比較などの方法もある。特徴量分布と基準領域Ｓ１の差異を認識できる方法であれば種類は問わない。また、基準領域Ｓ１の外にある特徴量分布の点の割合を診断基準とする方法においても、閾値を段階的に設定することも考えられる。例えば、９０％以上で交換必須、７０％以上で交換推奨、５０％以上で交換検討、などと設定し、異常を段階的に判定することもできる。図８の領域Ｓ２は、例えば摺動部の摩耗など、圧縮機７１が異常を起こしている場合の特徴量の分布を示す。図８の例では、７０%の点が基準領域Ｓ１の外にあることから、上記予め定められた閾値が５０％である場合、異常と判定される。
　異常の種類に応じて影響のある特徴量は変化するため、異常時の特徴量の分布も異常の種類により位置が異なる。このため、異常の由来が電動機７１１にあるか圧縮機７１の他の部分にあるかを、特徴量の分布の位置から特定することも可能である。
　次に、診断結果出力部１２８は、判定部１２７から送られた診断結果を外部に出力する（ステップＳＴ２０９）。診断結果の出力先は、モニタなどの表示装置、警報などの音声出力、外部記憶装置など、特に限定されない。
　なお、複数の特徴量を扱う異常診断方法としては、実施の形態１で採用している主成分分析以外にも、田口メソッド法、マハラノビス距離を用いる方法などがあり、異常を検出可能な方法であれば、種類は問わない。
　異常診断装置１００の各機能部を実現するハードウェア構成について説明する。図１１は、実施の形態１における異常診断装置のハードウェア構成の一例を示す図である。異常診断装置１００は、主に、プロセッサ９１と、主記憶装置としてもメモリ９２および補助記憶装置９３から構成される。プロセッサ９１は、例えばＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）、ＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）などで構成される。メモリ９２はランダムアクセスメモリ等の揮発性記憶装置で構成され、補助記憶装置９３はフラッシュメモリ等の不揮発性記憶装置またはハードディスクなどで構成される。補助記憶装置９３には、プロセッサ９１が実行する所定のプログラムが記憶されており、プロセッサ９１は、このプログラムを適宜読み出して実行し、各種演算処理を行う。この際、補助記憶装置９３からメモリ９２に上記所定のプログラムが一時的に保存され、プロセッサ９１はメモリ９２からプログラムを読み出す。図４に示した各機能部による演算処理は、上記のようにプロセッサ９１が所定のプログラムを実行することで実現される。プロセッサ９１による演算処理の結果は、一旦メモリ９２に記憶され、実行された演算処理の目的に応じて補助記憶装置９３に記憶される。
　また、異常診断装置１００は、電流検出部８２からの電流値など、外部からの各種入力を受け付ける入力回路９４と、インバータ８１１へのＰＷＭ信号、および異常診断部１２０による診断結果などの出力を行うための出力回路９５を備えている。
　なお、実施の形態１では異常診断装置１００が駆動装置制御部１１０と異常診断部１２０の両方を備える構成としたが、それぞれ別個の装置とし、駆動装置の制御のみ実施する装置と異常診断のみ実施する装置に分けてもよい。
　実施の形態１によれば、運転中の診断対象の異常の有無を適切に診断することができる。より具体的には、電動機を駆動する電流の電流値の時系列データから複数の特徴量を計算する特徴量計算部と、負荷トルクおよび駆動周波数に基づいて、圧縮機の運転モードを判定する運転モード判定部と、複数の特徴量の値から特徴量分布を生成する特徴量分布生成部と、正常時の特徴量分布に基づいて、基準領域を生成する基準領域生成部と、運転モードに対応させて基準領域を記憶する記憶部と、異常診断時に得られる特徴量分布と異常診断時の運転モードに対応する基準領域とを比較して、圧縮機および電動機の異常の有無を判定する判定部とを備えた。異常診断のための基準領域生成時および異常診断時の両方で、運転モード判定部によりその時々の運転モードを判定し、基準領域生成時においては運転モードに対応させて基準領域を記憶させ、異常診断時においてはその時の運転モードに対応する基準領域を異常診断の基準とする。これにより、常時運転するような診断対象について、運転中の診断対象の状態が変化し続ける状況においても、異常診断時の特徴量分布に対応する比較対象を設定し、適切な異常診断を行うことができるのである。
　また、特徴ベクトルの次元を削減した上で特徴量分布を生成しているため、演算量および記憶量を削減することができる。
　また、特徴ベクトルの次元の削減に主成分分析を用いているため、次元の削減によって特徴量の情報が損なわれることが防がれている。
　本願は、例示的な実施の形態が記載されているが、実施の形態に記載された様々な特徴、態様、及び機能は特定の実施の形態の適用に限られるのではなく、単独で、または様々な組み合わせで実施の形態に適用可能である。
　従って、例示されていない無数の変形例が、本願に開示される技術の範囲内において想定される。例えば、少なくとも１つの構成要素を変形する場合、追加する場合または省略する場合が含まれるものとする。
７１　圧縮機、７１１　電動機、８１　駆動装置、８２　電流検出部、１００　異常診断装置、１１１　相電流演算部、１２０　異常診断部、１２１　データ取得部、１２２　運転モード判定部、１２３　特徴量計算部、１２４　基準行列演算部、１２５　特徴量分布生成部、１２６　基準領域生成部、１２７　判定部、１２８　診断結果出力部、１３０　記憶部、Ｓ１、Ｓ１１、Ｓ１２　基準領域

Claims (14)

  1. 　運転中の診断対象の状態をそれぞれ示す第１の状態量および第２の状態量に基づいて前記診断対象の異常診断を行う異常診断装置であって、
    　前記第１の状態量の時系列データおよび周波数系列データのいずれか一方もしくは両方、および前記第２の状態量のデータを取得するデータ取得部と、
    　前記第１の状態量の時系列データおよび周波数系列データのいずれか一方もしくは両方から複数の特徴量を計算する特徴量計算部と、
    　前記第２の状態量に基づいて、前記診断対象の運転モードを判定する運転モード判定部と、
    　前記複数の特徴量の値を成分に持つ特徴ベクトルに基づいて、特徴空間に特徴量分布を生成する特徴量分布生成部と、
    　正常状態の前記診断対象から得た特徴量分布に基づいて、前記特徴空間に基準分布または基準領域を基準として生成する基準生成部と、
    　前記基準を生成したときの前記運転モードに対応させて、前記基準を記憶する記憶部と、
    　異常診断時に得られる前記特徴量分布と、前記異常診断時の前記運転モードに対応する前記基準とを比較して、前記診断対象の異常の有無を判定する判定部と
    を備えたことを特徴とする異常診断装置。
  2. 　前記特徴ベクトルの次元を削減する基準行列を演算する基準行列演算部をさらに備え、前記特徴量分布生成部は、次元が削減された前記特徴ベクトルに基づいて、前記特徴量分布を生成する請求項１に記載の異常診断装置。
  3. 　前記基準を生成するときに、同じ前記運転モードが継続する時間を測定し、測定された時間を前記記憶部に記憶させて、前記異常診断時には、前記測定された時間の範囲内で前記第１の状態量を取得する請求項１または２に記載の異常診断装置。
  4. 　前記基準は前記基準領域であって、前記判定部は、異常診断時の前記特徴量分布を構成する点のうち、前記基準領域の外にある点の割合が予め定められた閾値以上である場合に、前記診断対象に異常があると判定する請求項１から３のいずれか１項に記載の異常診断装置。
  5. 　前記閾値は、互いに大きさが異なる複数の閾値であり、前記判定部は、前記割合と前記複数の閾値とを比較して、異常の程度を段階的に判定する請求項４に記載の異常診断装置。
  6. 　前記判定部は、異常診断時の前記特徴量分布に基づいて、前記診断対象に生じている異常の由来を特定する請求項１から５のいずれか１項に記載の異常診断装置。
  7. 　前記特徴ベクトルは、前記特徴量のうち、前記診断対象が正常か異常かにより値が変化する特徴量の値のみを成分に持つ請求項１から６のいずれか１項に記載の異常診断装置。
  8. 　前記判定部による診断結果を出力する診断結果出力部をさらに備える請求項１から７のいずれか１項に記載の異常診断装置。
  9. 　前記診断対象は、空調機の圧縮機および前記圧縮機に備えられた電動機を含む請求項１から８のいずれか１項に記載の異常診断装置。
  10. 　前記第２の状態量は、前記電動機の負荷トルク、回転速度、および駆動周波数のうちの少なくとも１つを含む請求項９に記載の異常診断装置。
  11. 　前記負荷トルクは、前記空調機の設定気温および外気温から推定された推定値である請求項１０に記載の異常診断装置。
  12. 　前記第１の状態量は、前記電動機を駆動する電流の電流値を含む請求項９から１１のいずれか１項に記載の異常診断装置。
  13. 　前記電流値は、三相電流のうちのいずれかの相電流の電流値、および回転座標系のいずれかの軸の電流の電流値のうちの、少なくとも１つを含む請求項１２に記載の異常診断装置。
  14. 　運転中の診断対象の状態をそれぞれ示す第１の状態量および第２の状態量に基づいて前記診断対象の異常診断を行う異常診断方法であって、
    　前記第１の状態量の時系列データおよび周波数系列データのいずれか一方もしくは両方、および前記第２の状態量のデータを取得するステップと、
    　前記第１の状態量の時系列データおよび周波数系列データのいずれか一方もしくは両方から複数の特徴量を計算するステップと、
    　前記第２の状態量に基づいて、前記診断対象の運転モードを判定するステップと、
    　前記複数の特徴量の値を成分に持つ特徴ベクトルに基づいて、特徴空間に特徴量分布を生成するステップと、
    　正常状態の前記診断対象から得た特徴量分布に基づいて、前記特徴空間に基準分布または基準領域を基準として生成するステップと、
    　前記基準を生成したときの前記運転モードに対応させて、前記基準を記憶するステップと、
    　異常診断時に得られる前記特徴量分布と、前記異常診断時の前記運転モードに対応する前記基準とを比較して、前記診断対象の異常の有無を判定するステップと
    を備えたことを特徴とする異常診断方法。
PCT/JP2021/014928 2021-04-08 2021-04-08 異常診断装置および異常診断方法 WO2022215232A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
PCT/JP2021/014928 WO2022215232A1 (ja) 2021-04-08 2021-04-08 異常診断装置および異常診断方法
CN202180096614.2A CN117136494A (zh) 2021-04-08 2021-04-08 异常诊断装置以及异常诊断方法
US18/285,386 US20240120870A1 (en) 2021-04-08 2021-04-08 Abnormality diagnosis device and abnormality diagnosis method
JP2023512609A JPWO2022215232A1 (ja) 2021-04-08 2021-04-08
EP21936036.9A EP4322396A4 (en) 2021-04-08 2021-04-08 ANOMALY DIAGNOSIS DEVICE AND ANOMALY DIAGNOSIS METHOD

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/014928 WO2022215232A1 (ja) 2021-04-08 2021-04-08 異常診断装置および異常診断方法

Publications (1)

Publication Number Publication Date
WO2022215232A1 true WO2022215232A1 (ja) 2022-10-13

Family

ID=83545318

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/014928 WO2022215232A1 (ja) 2021-04-08 2021-04-08 異常診断装置および異常診断方法

Country Status (5)

Country Link
US (1) US20240120870A1 (ja)
EP (1) EP4322396A4 (ja)
JP (1) JPWO2022215232A1 (ja)
CN (1) CN117136494A (ja)
WO (1) WO2022215232A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005266965A (ja) * 2004-03-16 2005-09-29 Toshiba Corp データ監視装置およびデータ監視方法
JP2006161677A (ja) * 2004-12-07 2006-06-22 Mitsubishi Electric Corp 圧縮機検査装置
JP2006250818A (ja) * 2005-03-11 2006-09-21 Toenec Corp 電気設備診断システム
WO2020202567A1 (ja) * 2019-04-05 2020-10-08 株式会社Ｉｈｉ原動機 振動音響解析方法及び装置と機器異常部位推定方法及び装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5740459B2 (ja) * 2009-08-28 2015-06-24 株式会社日立製作所 設備状態監視方法
JP6880992B2 (ja) * 2017-04-27 2021-06-02 富士通株式会社 評価方法、評価装置および評価プログラム
WO2020079843A1 (ja) * 2018-10-19 2020-04-23 三菱電機株式会社 エレベーターのドア装置異常診断システム
JP6837612B1 (ja) * 2020-05-28 2021-03-03 三菱電機株式会社 機器状態監視装置および機器状態監視方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005266965A (ja) * 2004-03-16 2005-09-29 Toshiba Corp データ監視装置およびデータ監視方法
JP2006161677A (ja) * 2004-12-07 2006-06-22 Mitsubishi Electric Corp 圧縮機検査装置
JP2006250818A (ja) * 2005-03-11 2006-09-21 Toenec Corp 電気設備診断システム
WO2020202567A1 (ja) * 2019-04-05 2020-10-08 株式会社Ｉｈｉ原動機 振動音響解析方法及び装置と機器異常部位推定方法及び装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4322396A4 *

Also Published As

Publication number Publication date
EP4322396A4 (en) 2024-05-08
JPWO2022215232A1 (ja) 2022-10-13
CN117136494A (zh) 2023-11-28
EP4322396A1 (en) 2024-02-14
US20240120870A1 (en) 2024-04-11

Similar Documents

Publication Publication Date Title
EP2312159B1 (en) Drive unit for compressor and refrigerator
EP2198160B1 (en) System and method for evaluating parameters for a refrigeration system with a variable speed compressor
JP6173530B1 (ja) 空調機の故障徴候検出装置
CN1098512C (zh) 冷却器压缩机电机过热的预测方法
JP6765320B2 (ja) 交流電動機の制御装置
US20070101735A1 (en) Heat pump apparatus using expander
CN108267649B (zh) 压缩机相序检测方法和装置及其启动控制方法和设备
CN115136487A (zh) 电动机的诊断装置
WO2022215232A1 (ja) 異常診断装置および異常診断方法
CN117482443B (zh) 一种消防设备健康监测方法及系统
WO2006085475A1 (ja) 冷凍サイクル装置
WO2023176873A1 (ja) 状態判定装置、モータ駆動システム、冷凍システム、ファンシステム、状態判定方法
US20230057924A1 (en) Improved anomaly detection for rotating machines
JP2924445B2 (ja) 空気調和機用圧縮機の駆動装置
JP4670825B2 (ja) 圧縮機内部状態推定装置及び空気調和装置
US11626825B2 (en) Rotary machine control device, refrigerant compression device, refrigeration cycle apparatus, and air conditioner
KR101936261B1 (ko) 전동기 제어 장치 및 그 동작 방법
JP7442742B2 (ja) 電動機付設備の故障徴候検出装置および電動機付設備の故障徴候検出方法
WO2020075262A1 (ja) 故障前兆検出装置
JP2004147488A (ja) モータ駆動制御装置
KR20120079375A (ko) 냉동기 압축기 구동용 모터 제어 장치, 이의 제어 방법, 및 이를 포함하는 냉동기
WO2021149203A1 (ja) モータ制御装置および空気調和装置
JPWO2022215232A5 (ja)
JP2020133643A (ja) 異常検出装置および異常検出方法
CN118117928A (zh) 马达驱动装置、电气常数测定方法以及冷冻设备

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21936036

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023512609

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 18285386

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 2021936036

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021936036

Country of ref document: EP

Effective date: 20231108