WO2023195093A1 - 電動機の状態診断装置、状態診断方法および異常予兆推論装置 - Google Patents

電動機の状態診断装置、状態診断方法および異常予兆推論装置 Download PDF

Info

Publication number
WO2023195093A1
WO2023195093A1 PCT/JP2022/017156 JP2022017156W WO2023195093A1 WO 2023195093 A1 WO2023195093 A1 WO 2023195093A1 JP 2022017156 W JP2022017156 W JP 2022017156W WO 2023195093 A1 WO2023195093 A1 WO 2023195093A1
Authority
WO
WIPO (PCT)
Prior art keywords
electric motor
unit
current data
current
section
Prior art date
Application number
PCT/JP2022/017156
Other languages
English (en)
French (fr)
Inventor
幸希 永山
俊彦 宮内
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 JP2022556519A priority Critical patent/JPWO2023195093A1/ja
Priority to PCT/JP2022/017156 priority patent/WO2023195093A1/ja
Publication of WO2023195093A1 publication Critical patent/WO2023195093A1/ja

Links

Images

Classifications

    • 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

Definitions

  • the present disclosure relates to a motor condition diagnosis device, a condition diagnosis method, and an abnormality sign inference device.
  • Electric motors are used as power for production line equipment and mechanical equipment in industrial plants, and are indispensable in industry. Therefore, normal and stable operation continuity is required at all times.
  • a technique for constantly monitoring electric motors includes a method for diagnosing abnormalities by detecting the current added to the electric motor.
  • Patent Document 1 discloses a method for detecting an abnormality in a rotating mechanical system, which detects an abnormality in a motor by measuring and frequency-analyzing the current applied to the motor.
  • the above method for detecting abnormalities in rotating mechanical systems involves performing fast Fourier transform on the current information of the detected electric motor, extracting characteristic frequencies from the obtained analysis results, and determining the degree of deterioration of abnormalities in the rotating mechanical system from its peak value. Calculate the deterioration parameters of On the other hand, as deterioration parameters used for abnormality determination in a rotating mechanical system, it is necessary to calculate a plurality of parameters such as an effective current value, a three-phase current balance, and a current monotone wave ratio.
  • the present disclosure has been made to solve the above-mentioned problems, and provides a motor condition diagnostic device that can diagnose the condition of a motor using an overall value as a parameter without requiring calculation of multiple parameters;
  • the purpose is to obtain a state diagnosis method and an abnormality sign inference device.
  • a motor condition diagnosis device includes a current input section into which current data detected by a current detector from the motor is input, an analysis section that performs frequency analysis of the current data input from the current input section, and an analysis section.
  • a calculation unit that calculates an overall value, which is the average value of amplitude, as information for determining abnormality in the motor based on the analysis results, and a comparison between the OA threshold value calculated from a normally operating motor and the overall value. and a diagnostic section for diagnosing the electric motor.
  • the method for diagnosing the condition of a motor includes a step of inputting current data detected by the motor by a current detector, a step of performing frequency analysis of the current data inputted from the current input section, and a step of performing frequency analysis of the current data input from the current input section. There is a step of calculating an overall value, which is the average value of amplitude, as information for determining abnormality in the motor based on the analysis results, and a step of comparing the OA threshold value calculated from a normally operating motor with the overall value. and a step of diagnosing.
  • the abnormality sign inference device includes a data acquisition unit that acquires current data and a diagnosis result of the motor from the above-mentioned state diagnosis device of the electric motor, and has already been learned by learning the current data acquired from the data acquisition unit from the diagnosis result. It includes a trained model generation unit that generates a model, and a current data inference unit that infers signs of abnormality in the motor using the learned model based on current data newly acquired from the data acquisition unit and outputs an inference result.
  • the electric motor condition diagnosis device and condition diagnosis method of the present disclosure it is possible to reduce the number of parameters used for condition diagnosis and shorten the diagnosis time. Further, according to the abnormality sign inference device of the present disclosure, before the motor status diagnosis device diagnoses that there is an abnormality in the motor, the abnormality sign is inferred from the current data, and the presence or absence of the abnormality sign is output to the monitoring device. Maintenance of electric motors can be carried out in a planned manner.
  • FIG. 1 is an overall system configuration diagram of a motor condition diagnostic device according to a first embodiment
  • FIG. 1 is a hardware configuration diagram of a motor condition diagnostic device according to a first embodiment
  • FIG. FIG. 3 is a configuration diagram of an arithmetic processing unit of the motor condition diagnosis device according to the first embodiment.
  • 2 is a flowchart illustrating a processing procedure during learning of the electric motor condition diagnosis device according to the first embodiment.
  • 3 is a flowchart illustrating a processing procedure during diagnosis by the electric motor condition diagnosis device according to the first embodiment.
  • FIG. 3 is a diagram comparing analysis results when the electric motor is normal and when an abnormality occurs.
  • FIG. 2 is an overall system configuration diagram of a motor condition diagnostic device according to a second embodiment.
  • FIG. 7 is an overall system configuration diagram of an abnormality sign inference inference device for an electric motor according to a third embodiment.
  • 12 is a flowchart showing a learning phase of the abnormality sign inference inference device for a motor according to the third embodiment.
  • 12 is a flowchart showing a utilization phase of the electric motor abnormality sign inference device according to the third embodiment.
  • FIG. 1 is an overall system configuration diagram of a motor condition diagnostic device according to a first embodiment.
  • FIG. 2 is a hardware configuration diagram of the motor condition diagnostic device according to the first embodiment.
  • FIG. 3 is a configuration diagram of the arithmetic processing section of the motor condition diagnostic device according to the first embodiment.
  • FIG. 4 is a flowchart showing the processing procedure during learning of the electric motor condition diagnosis device according to the first embodiment.
  • FIG. 5 is a flowchart showing a processing procedure during diagnosis by the electric motor condition diagnosis device according to the first embodiment.
  • FIG. 6 is a diagram comparing the analysis results when the motor is normal and when an abnormality occurs.
  • a molded circuit breaker 2 As shown in FIG. 1, a molded circuit breaker 2, an electromagnetic contactor 3, a current detector 4, and a motor 5 are connected to the main circuit 1.
  • the molded circuit breaker 2 prevents overcurrent from flowing to the motor 5 when an abnormality occurs in the system.
  • the electromagnetic contactor 3 plays the role of a switch that turns the electric motor 5 ON/OFF.
  • Current detector 4 detects the load current of main circuit 1 and outputs it to current input section 7 of condition diagnosis device 100 .
  • the electric motor 5 is connected to mechanical equipment 6 constituting a production line or the like, and is driven by a power converter or the like (not shown).
  • the electric motor 5 uses a three-phase induction motor, for example, it is not limited to this.
  • the condition diagnostic device 100 includes a current input section 7, an arithmetic processing section 8, a rating information storage section 9, a rating information setting section 10, a display section 11, a contactor drive section 12, an output section 13, and a communication section 14.
  • the current input section 7 inputs current data detected by the current detector 4 and outputs it to the arithmetic processing section 8 .
  • the arithmetic processing unit 8 analyzes the current data input by the current input unit 7, calculates parameters used for diagnosing the electric motor 5, and performs an abnormality diagnosis of the electric motor 5. Details of the arithmetic processing unit 8 will be described later.
  • FIG. 2 is a hardware configuration diagram of the state diagnosis device 100 according to the present disclosure.
  • the state diagnosis device 100 includes a processor 20 such as a CPU (Central Processing Unit), a memory 30 such as a RAM (Random Access Memory), a display 40, and an input interface (I/F) 50.
  • the arithmetic processing unit 8 is realized by the processor 20 executing a program stored in the memory 30. However, these may be realized by, for example, a plurality of processors 20 working together.
  • Rating information such as the power supply frequency, rated output, rated current, number of poles, and rated rotation speed of the motor 5 is input in advance to the rated information setting section 10.
  • the rating information is basic information written in the catalog, instruction manual, etc. of the manufacturer of the electric motor 5.
  • the number of electric motors 5 to be diagnosed is one, but when diagnosing a plurality of electric motors 5, the rating information of each electric motor 5 is input in advance to the rating information setting section 10. I'll keep it.
  • the rating information storage unit 9 stores the rating information input to the rating information setting unit 10, and outputs it to the arithmetic processing unit 8 as necessary.
  • FIG. 1 shows an example in which the rating information storage section 9 and the rating information setting section 10 are provided separately, the present invention is not limited to this.
  • the rating information storage section 9 and the rating information setting section 10 may be provided together to store the rating information of the motor 5 and output it to the arithmetic processing section 8 when analyzing the current data input from the current input section 7. .
  • the rating information storage unit 9 and the rating information setting unit 10 are not limited to the configuration provided in the condition diagnosis device 100, and may be provided externally. In that case, it is preferable to store the rating information of the electric motor 5 in an external server, for example, and input it to the arithmetic processing unit 8 when diagnosing the electric motor 5.
  • a display section 11 , a contactor drive section 12 , an output section 13 , and a communication section 14 are connected to the arithmetic processing section 8 .
  • the display unit 11 displays the detected current data and displays the abnormal state, alarm, etc. when the arithmetic processing unit 8 detects an abnormality in the electric motor 5. Note that the warning may be provided not only by display but also by an alarm or the like.
  • the contactor drive unit 12 outputs a control signal to open and close the electromagnetic contactor 3 when the arithmetic processing unit 8 detects an abnormality in the electric motor 5. Further, the output unit 13 outputs abnormal conditions, alarms, etc. to the production line management department.
  • the communication unit 14 transmits information such as the abnormal state of the motor 5 to a monitoring device 200, such as a PC or a tablet terminal, which is provided outside and serves as a parent device for the entire condition diagnostic device 100, via the network. Note that the method of transmitting data from the communication unit 14 to the monitoring device 200 may be either wired or wireless.
  • the calculation processing section 8 includes a current fluctuation calculation section 110, an analysis section determination section 111, an analysis section 112, a calculation section 113, a diagnosis section 114, a reference value storage section 115, and a diagnosis result storage section 116. There is.
  • the current fluctuation calculation unit 110 calculates whether there is a fluctuation in the current data input from the current input unit 7, and determines whether the current data is in a stable state. Specifically, analysis of statistical fluctuations in current data is performed. For example, it is determined whether the electric motor 5 is in a stable state using an analysis method such as Mahalanobis distance.
  • the current fluctuation calculation unit 110 obtains and stores in advance a section determination threshold from the normally operating motor 5 as a threshold for determining whether the current data is in a stable state.
  • the section determination threshold value is selected in a range that is smaller than the standard deviation of the acquired current data by acquiring current data of a plurality of electric motors 5 in advance.
  • the current data of the electric motor 5 to be diagnosed may be collected for a certain period of time, and the section determination threshold value may be set based on the standard deviation of the collected current data.
  • the section determination threshold value may be stored in the rating information storage unit 9 together with the rating information of the electric motor 5 instead of being stored in the current fluctuation calculation unit 110.
  • the analysis section determination section 111 compares the section determination threshold calculated in advance from a normally operating electric motor with the calculation result by the current fluctuation calculation section, and determines the analysis section. That is, the analysis section determination section 111 extracts a section in a stable state from the current data input from the current input section 7, and determines the analysis section to be executed by the analysis section 112. Specifically, an interval in which the statistical fluctuation calculated by the current fluctuation calculation unit 110 is equal to or less than a preset threshold value is defined as an interval in a stable state, that is, an analysis interval.
  • the analysis section 112 performs frequency analysis of the current data input from the current input section 7 in the analysis section extracted by the analysis section determination section 111.
  • the current data is analyzed by, for example, current FFT analysis (Fast Fourier Transform) analysis, discrete Fourier Transform analysis, or the like.
  • a spectrum waveform which is an analysis result obtained by frequency-analyzing the current data, is input to the calculation unit 113.
  • the calculation unit 113 calculates an overall value, which is the average value of the amplitude, as information for determining abnormality of the electric motor.
  • the overall value refers to the average magnitude of the amplitude of the entire spectrum waveform, which is an analysis result obtained by frequency analysis of current data.
  • the reference value storage unit 115 stores an overall value obtained in advance from current data of the normally operating motor 5 as a reference value, that is, an OA threshold value, used when diagnosing the motor 5.
  • a reference value that is, an OA threshold value
  • the OA threshold value may be stored in the rating information storage section 9 together with the rating information. The specific processing procedure will be described later using FIG. 4.
  • the diagnosis unit 114 diagnoses the motor 5 by comparing the OA threshold value calculated from the normally operating motor 5 with the overall value.
  • the OA threshold is an overall value calculated using the overall value calculated by the calculation unit 113 from the frequency analysis result and the current data of the normally operating motor 5 stored in advance in the reference value storage unit 115. A comparison is made with the value to diagnose whether or not there is an abnormality in the electric motor 5. A specific processing procedure at the time of diagnosis will be described later using FIG.
  • the diagnostic unit 114 outputs information informing the display unit 11, the contactor drive unit 12, the output unit 13, and the communication unit 14 of the abnormality, and the diagnosis result is stored in the diagnosis result storage unit 116.
  • the diagnosis result of the electric motor 5 stored in the diagnosis result storage unit 116 is preferably stored in association with the current data before frequency analysis.
  • FIG. 4 is a flowchart showing the procedure for calculating the OA threshold value used when comparing with the overall value. Note that the OA threshold calculation procedure is illustrated as a learning mode.
  • step S101 the rating information of the normally operating electric motor 5 is input to the rating information setting unit 10 and stored in the rating information storage unit 9.
  • the rating information of the electric motor 5 may be input and stored in the rating information storage section 9. Further, when there are a plurality of electric motors 5 to be diagnosed, the rating information for each is input and stored.
  • step S102 the current detector 4 detects the current of the motor 5 whose rating information is stored in the rating information storage section 9, and the current data of the detected current is input to the current input section 7.
  • step S103 the current fluctuation calculation unit 110 calculates whether or not the fluctuation of the current data input to the current input unit 7, that is, the current data is in a stable state, and the analysis interval determination unit 111 extracts an interval in a stable state. and determines the analysis interval for frequency analysis.
  • the current fluctuation calculation unit 110 calculates the current data and compares it with the section determination threshold. If the section determination threshold is not satisfied, the current data is determined to be in an unstable state, and the process returns to step S102. If it is determined that the state is stable, the process advances to step S104.
  • step S104 the analysis unit 112 performs frequency analysis on the current data in the analysis section determined to be in a stable state. For example, frequency analysis is performed on frequencies between 0 Hz and 120 Hz, which is twice the power supply frequency of 60 Hz, and the analysis results are output to the calculation unit 113.
  • step S105 the calculation unit 113 calculates an overall value from the spectrum waveform that is the analysis result input from the analysis unit 112.
  • the calculated overall value is input to the reference value storage section 115.
  • step S106 the overall value input from the calculation unit 113 is stored in the reference value storage unit 115 as a reference value for determining abnormality during diagnosis, that is, an OA threshold value.
  • FIG. 5 is a flowchart showing the processing procedure when diagnosing the electric motor 5. Note that the diagnostic procedure for the electric motor 5 is illustrated as a diagnostic mode.
  • step S201 the current of the electric motor 5 to be diagnosed is acquired by the current detector 4, and the acquired current data is input to the current input section 7.
  • step S202 the current fluctuation calculation unit 110 calculates whether or not the fluctuation of the current data input to the current input unit 7, that is, the current data is in a stable state, and the analysis interval determination unit 111 extracts an interval in a stable state. and determines the analysis interval for frequency analysis.
  • the current fluctuation calculation unit 110 calculates the current data and compares it with the section determination threshold. If the section determination threshold is not satisfied, the current data is determined to be in an unstable state, and the process returns to step S201. If it is determined that the state is stable, the process advances to step S203.
  • step S203 the analysis unit 112 performs frequency analysis on the current data in the analysis section determined to be in a stable state in step S202.
  • a spectrum waveform which is an analysis result obtained by frequency analysis, is input to the calculation unit 113.
  • step S204 the calculation unit 113 calculates an overall value from the spectrum waveform that is the analysis result input from the analysis unit 112.
  • step S205 the overall value calculated in step S204 is compared with the OA threshold value stored in the reference value storage unit 115.
  • step S206 as a result of comparing the overall value and the OA threshold value in step S205, if the OA threshold value is satisfied, it is determined that there is an abnormality in the electric motor 5, and in step S207, the diagnosis result is displayed on the display unit 11. , output to the contactor drive section 12, output section 13, and communication section 14. Note that the diagnosis result is stored in the diagnosis result storage unit 116. Further, if the OA threshold value is not satisfied, it is determined that the electric motor 5 is normal, and the process returns to step S201.
  • the method for diagnosing the condition of the electric motor 5 includes the steps of inputting current data detected by the electric motor 5 by the current detector 4, performing frequency analysis of the current data input from the current input section 7, and performing analysis. a step of calculating an overall value, which is an average value of amplitude, as information for determining abnormality of the electric motor 5 based on the analysis result of the section 112; and an OA threshold value and an overall value calculated from the normally operating electric motor 5. and diagnosing the electric motor 5.
  • FIG. 6 is a diagram comparing the frequency analysis results when the motor 5 is normal and when an abnormality occurs.
  • the solid line shows the analysis result when the electric motor 5 is normal
  • the dotted line shows the analysis result when the electric motor 5 has abnormality.
  • the electric motor 5 can be diagnosed by using the OA threshold, which is the overall value threshold obtained in advance from the normally operating electric motor 5, as a threshold for determining whether the electric motor 5 is abnormal. Can be done.
  • condition diagnosis device 100 and the condition diagnosis method for the electric motor 5 perform frequency analysis on the current data acquired from the electric motor 5, and use the overall value calculated by the calculation unit 113 based on the analysis result.
  • the state of the electric motor 5 is diagnosed. Thereby, the state of the electric motor 5 can be diagnosed by calculating one overall value of the parameters necessary for the state diagnosis. Therefore, the state of the electric motor 5 can be diagnosed using fewer parameters, and the time required for diagnosis can be shortened.
  • condition diagnosis device 100 has been described in which the calculation unit 113 calculates an overall value, and the diagnosis unit 114 uses the overall value to diagnose the condition of the electric motor 5.
  • the diagnosis unit 114 uses the overall value to diagnose the condition of the electric motor 5.
  • the state of the electric motor 5 may be diagnosed using a linear spectrum that is a value obtained by taking the square root.
  • FIG. 7 is an overall system configuration diagram of the motor condition diagnostic device according to the present embodiment.
  • a state diagnosis device 101 for an electric motor 5 which further includes a learning section 15, a model storage section 16, and an inference section 17.
  • the other configurations are the same as those in Embodiment 1, and the same components as in Embodiment 1 are given the same numbers and their explanations will be omitted.
  • the condition diagnosis device 101 includes, for example, a current input section 7, an arithmetic processing section 8, a rating information storage section 9, a rating information setting section 10, a display section 11, a contactor drive section 12, an output section 13, It includes a communication section 14, a learning section 15, a model storage section 16, and an inference section 17.
  • the condition diagnosis device 101 performs frequency analysis on the current data acquired from the electric motor 5, and diagnoses the condition of the electric motor 5 using the overall value calculated by the calculation unit 113 based on the analysis result.
  • the diagnosis result of the electric motor 5 is stored in the diagnosis result storage section 116 of the arithmetic processing section 8 in association with the current data before frequency analysis.
  • the learning unit 15 acquires the current data acquired from the current input unit 7 and the diagnosis result of the electric motor 5 stored in the diagnosis result storage unit 116, and learns by linking the diagnosis result and the current data to create a learned model. generate. That is, the diagnosis results stored in the diagnosis result storage section 116 are stored in association with the current data before frequency analysis, and based on the diagnosis results from the time series data of the current data acquired from the current input section 7. Generate a trained model by learning time-series patterns that indicate signs of anomalies.
  • Learning when generating a trained model is based on current data for a certain period before the electric motor 5 is determined to be abnormal, and calculates a current that is a time-series pattern that is common during abnormal times and is not included in the time-series pattern during normal times.
  • a method of inferring time-series patterns of data using deep learning is used.
  • known machine learning methods such as genetic programming, functional logic programming, and support vector machines may be used.
  • the model storage unit 16 stores the learned model generated by the learning unit 15.
  • the learned model to be stored is not limited to the learned model generated by the learning unit 15, and for example, data learned in advance from the outside may be read and stored as the learned model.
  • the model storage unit 16 is not limited to being included in the condition diagnosis device 101, but may be provided in an external server or the like.
  • the inference unit 17 infers signs of abnormality in the electric motor 5 from the current data newly acquired from the current input unit 7 using the trained model stored in the model storage unit 16 and outputs the inference result to the monitoring device 200. That is, current data is acquired from the current input unit 7, and using the trained model stored in the model storage unit 16, it is inferred whether or not the time series pattern is seen as a symptom when the motor 5 is abnormal. If a symptom is observed, it is determined that there is an abnormality in the electric motor 5, and the inference result is output to the monitoring device 200.
  • the inference result is not limited to being output to the monitoring device 200, but may be output to the display unit 11, contactor drive unit 12, output unit 13, and communication unit 14 via the arithmetic processing unit 8.
  • the inference result is not limited to being output to the monitoring device 200, but may be output to the display unit 11, contactor drive unit 12, output unit 13, and communication unit 14 via the arithmetic processing unit 8.
  • the state diagnosis device 101 of the electric motor 5 performs frequency analysis on the current data acquired from the electric motor 5, and uses the overall value calculated by the calculation unit 113 based on the analysis result to determine the state of the electric motor 5.
  • the state diagnosis device 101 for the electric motor 5 further includes a learning section 15, a model storage section 16, and an inference section 17, and the learning section 15 uses a learned model from current data acquired based on the analysis results.
  • the inference unit 17 infers an abnormality in the motor 5 from the current data using the learned model.
  • FIG. 8 is an overall system configuration diagram of an abnormality sign inference inference device for a motor according to this embodiment.
  • FIG. 9 is a flowchart showing the learning phase of the motor abnormality sign inference inference device according to the present embodiment.
  • FIG. 10 is a flowchart showing the utilization phase of the motor abnormality sign inference inference device according to the present embodiment.
  • an abnormality sign inference device 300 for the electric motor 5 that is externally attached to the state diagnosis device 100 for the electric motor 5 is shown.
  • the other configurations are the same as those in Embodiment 1, and the same components as in Embodiment 1 are given the same numbers and their explanations will be omitted.
  • the condition diagnosis device 100 includes, for example, a current input section 7, an arithmetic processing section 8, a rating information storage section 9, a rating information setting section 10, a display section 11, a contactor drive section 12, an output section 13 , a communication section 14.
  • the condition diagnosis device 100 performs frequency analysis on current data acquired from the electric motor 5, and diagnoses the condition of the electric motor 5 using an overall value calculated by the calculation unit 113 based on the analysis result.
  • the diagnosis result of the electric motor 5 is stored in the diagnosis result storage section 116 of the arithmetic processing section 8 in association with the current data before frequency analysis.
  • the condition diagnosis device 100 can diagnose the condition of the electric motor 5 using a small number of parameters, and can shorten the time required for diagnosis.
  • the abnormality sign inference device 300 for the electric motor 5 includes a data acquisition section 310, a learned model generation section 320, a learned model storage section 330, and a current data inference section 340.
  • the data acquisition unit 310 acquires current data from the current input unit 7 of the condition diagnosis device 100, and acquires the diagnosis result of the motor 5 linked to the current data before frequency analysis from the diagnosis result storage unit 116 of the arithmetic processing unit 8. do.
  • the learned model generation unit 320 learns the current data acquired from the data acquisition unit 310 from the diagnosis results and generates a learned model. Specifically, a learned model is generated by learning a time-series pattern indicating a sign of an abnormality based on the diagnosis result from the time-series data of the current data acquired from the current input unit 7.
  • the number of trained model data to be trained is not particularly limited, but for example, the number of data to be trained can be set in advance in the trained model generation unit 320, etc., and the learning can be terminated when the set number of data has been trained. It is better to make it .
  • Learning when generating a trained model is based on current data for a certain period before the electric motor 5 is determined to be abnormal, and calculates a current that is a time-series pattern that is common during abnormal times and is not included in the time-series pattern during normal times.
  • a method of inferring time-series patterns of data using deep learning is used. Note that not only deep learning but also machine learning such as genetic programming, functional logic programming, and support vector machines may be used.
  • the trained model storage unit 330 stores the trained model generated by the trained model generation unit 320.
  • the trained model to be stored is not limited to the trained model generated by the trained model generation unit 320, and, for example, trained data may be read from outside and stored as the trained model.
  • the trained model storage unit 330 is not limited to being provided in the abnormality sign inference device 300, but may be provided in, for example, an external server.
  • the current data inference unit 340 uses the current data newly acquired from the data acquisition unit 310 to infer signs of abnormality in the electric motor 5 using the learned model, and outputs the inference result to the monitoring device 200. That is, the data acquisition unit 310 acquires current data from the current input unit 7, and the current data acquired using the learned model stored in the learned model storage unit 330 is a time series that is seen as a sign when the electric motor 5 is abnormal. It is inferred whether it is a pattern or not, and if a sign of an abnormality is observed, it is determined that there is an abnormality in the electric motor 5 and the inference result is output to the monitoring device 200.
  • the inference result is not limited to being output to the monitoring device 200, but may be output to the display unit 11, contactor drive unit 12, output unit 13, and communication unit 14 via the arithmetic processing unit 8.
  • the inference result is not limited to being output to the monitoring device 200, but may be output to the display unit 11, contactor drive unit 12, output unit 13, and communication unit 14 via the arithmetic processing unit 8.
  • FIG. 9 is a flowchart showing the learning phase.
  • the data acquisition unit 310 acquires current data from the current input unit 7, and acquires a diagnosis result linked to the current data before frequency analysis from the diagnosis result storage unit 116 of the arithmetic processing unit 8.
  • step S502 the trained model generation unit 320 learns signs of abnormality in the electric motor 5 from the current data and diagnosis results output from the data acquisition unit 310. That is, from the current data for a certain period before the electric motor 5 is diagnosed as abnormal from the current input unit 7, a time-series pattern of current data that is common when the motor 5 is diagnosed as abnormal is learned from the diagnosis results, and a learned model is generated. generate.
  • step S503 the trained model generated in step S502 is stored in the trained model storage unit 330.
  • FIG. 10 is a flowchart showing the utilization phase.
  • the data acquisition unit 310 acquires current data from the current input unit 7.
  • step S602 the current data acquired by the data acquisition unit 310 in step S601 is input to the learned model stored in the learned model storage unit 330.
  • step S603 the current data inference unit 340 outputs the inference result of the current data input to the learned model, that is, the result of inferring whether there is a sign of abnormality in the electric motor 5 from the current data acquired from the data acquisition unit 310.
  • step S604 the inference result output from the current data inference unit 340 is output to the monitoring device 200.
  • the inference result is not limited to being output to the monitoring device 200, but may be output to the display unit 11, the contactor drive unit 12, the output unit 13, and the communication unit 14 via the arithmetic processing unit 8.
  • the abnormality sign inference device 300 for the electric motor 5 learns the current data acquired from the state diagnosis device 100 from the diagnosis results to generate a learned model, and learns the newly acquired current data.
  • the abnormality sign of the electric motor 5 is inferred by inputting it into the completed model.
  • the motor 5 condition diagnosis device 100 diagnoses that the motor 5 has an abnormality, it infers a sign of abnormality from the current data and outputs the presence or absence of the abnormality sign to the monitoring device 200, thereby performing maintenance on the motor 5. can be carried out in a planned manner. Further, by setting up a maintenance plan in advance, unnecessary stop periods of the mechanical equipment 6 connected to the electric motor 5 can be shortened.

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Control Of Electric Motors In General (AREA)
  • Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)

Abstract

演算部は周波数解析結果よりオーバーオール値を算出し、診断部はオーバーオール値をパラメータとして電動機の状態診断を行うことができるため、状態診断に用いるパラメータを減らし、診断時間を短縮することができる電動機の状態診断装置を得る。　電動機（５）の状態診断装置（１００）は、電流検出器（４）が電動機（５）より検出した電流データが入力される電流入力部（７）と、電流入力部（７）より入力された電流データの周波数解析を行う解析部（１１２）と、解析部（１１２）の解析結果を基に電動機（５）の異常を判定するための情報として振幅の平均値であるオーバーオール値を算出する演算部（１１３）と、正常に動作する電動機（５）より算出したＯＡしきい値とオーバーオール値との比較を行い電動機（５）の診断を行う診断部（１１４）とを備える。

Description

電動機の状態診断装置、状態診断方法および異常予兆推論装置
　本開示は、電動機の状態診断装置、状態診断方法および異常予兆推論装置に関する。
　電動機は、産業プラントにおいて生産ライン装置および機械設備などの動力として用いられ、産業において欠かすことのできない存在である。そのため、常に正常かつ安定した運転継続性が要求される。
　従来の電動機の状態診断は、検査作業者が動作状況を目視により確認をし、動作時の動作音を聞くことによって異常の有無を確認する手法が用いられていた。しかし、検査作業者の経験または勘に頼るところがあり、診断精度のばらつきが大きい。また、電動機の多くは突発的な故障を引き起こす可能性が高く、常時監視技術に関心が高まっている。
　電動機の常時監視技術には、電動機に付加される電流を検出して異常を診断する方法がある。例えば、特許文献１には、電動機に付加される電流を計測および周波数解析することにより電動機の異常を検知する回転機械系の異常検知方法が開示されている。
特開２０１７－１８１４３７号公報
　上記回転機械系の異常検知方法は、検出した電動機の電流情報を高速フーリエ変換し、得られた解析結果より特徴周波数を抽出してそのピーク値から回転機械系の異常の劣化度を判定するための劣化パラメータを算出する。一方で回転機械系の異常判定に用いる劣化パラメータは、電流実効値、３相電流バランスおよび電流単調波比率などの複数のパラメータを算出する必要がある。
　本開示は上述のような課題を解決するためになされたものであり、複数のパラメータの算出を必要とすることなくオーバーオール値をパラメータとして電動機の状態診断を行うことのできる電動機の状態診断装置、状態診断方法および異常予兆推論装置を得ることを目的としている。
　本開示にかかる電動機の状態診断装置は、電流検出器が電動機より検出した電流データが入力される電流入力部と、電流入力部より入力された電流データの周波数解析を行う解析部と、解析部の解析結果を基に電動機の異常を判定するための情報として振幅の平均値であるオーバーオール値を算出する演算部と、正常に動作する電動機より算出したＯＡしきい値とオーバーオール値との比較を行い電動機の診断を行う診断部とを備えたものである。
　また、本開示にかかる電動機の状態診断方法は、電流検出器が電動機より検出した電流データが入力されるステップと、電流入力部より入力された電流データの周波数解析を行うステップと、解析部の解析結果を基に電動機の異常を判定するための情報として振幅の平均値であるオーバーオール値を算出するステップと、正常に動作する電動機より算出したＯＡしきい値とオーバーオール値との比較を行い電動機の診断を行うステップとを備える。
　また本開示にかかる異常予兆推論装置は、電動機の上記状態診断装置より電流データと電動機の診断結果とを取得するデータ取得部と、データ取得部より取得した電流データを診断結果より学習し学習済みモデルを生成する学習済みモデル生成部と、データ取得部より新たに取得した電流データを学習済みモデルにより電動機の異常予兆を推論し推論結果を出力する電流データ推論部とを備える。
　本開示の電動機の状態診断装置および状態診断方法によれば、状態診断に用いるパラメータを減らし、診断時間を短縮する効果を有する。また本開示の異常予兆推論装置によれば、電動機の状態診断装置が電動機に異常があると診断する前に電流データより異常予兆を推論し、監視装置へ異常予兆の有無を出力することにより、電動機のメンテナンスを計画的に遂行することができる。
実施の形態１にかかる電動機の状態診断装置のシステム全体構成図である。 実施の形態１にかかる電動機の状態診断装置のハードウェア構成図である。 実施の形態１にかかる電動機の状態診断装置の演算処理部の構成図である。 実施の形態１にかかる電動機の状態診断装置の学習時の処理手順を示すフローチャートである。 実施の形態１にかかる電動機の状態診断装置の診断時の処理手順を示すフローチャートである。 電動機の正常時および異常発生時の解析結果を比較した図である。 実施の形態２にかかる電動機の状態診断装置のシステム全体構成図である。 実施の形態３にかかる電動機の異常予兆推論装置のシステム全体構成図である。 実施の形態３にかかる電動機の異常予兆推論装置の学習フェーズを示すフローチャートである。 実施の形態３にかかる電動機の異常予兆推論装置の活用フェーズを示すフローチャートである。
　以下に、実施の形態を図面に基づいて詳細に説明する。なお、以下に説明する実施の形態は例示である。また、各実施の形態は、適宜組み合わせて実行することができる。
　実施の形態１．
　図１は実施の形態１にかかる電動機の状態診断装置のシステム全体構成図である。図２は実施の形態１にかかる電動機の状態診断装置のハードウェア構成図である。図３は実施の形態１にかかる電動機の状態診断装置の演算処理部の構成図である。図４は実施の形態１にかかる電動機の状態診断装置の学習時の処理手順を示すフローチャートである。図５は実施の形態１にかかる電動機の状態診断装置の診断時の処理手順を示すフローチャートである。図６は電動機の正常時および異常発生時の解析結果を比較した図である。
　図１に示すように主回路１には、配線用遮断器２、電磁接触器３、電流検出器４および電動機５が接続されている。配線用遮断器２は、系統に異常が発生した際に電動機５に過電流が流れるのを防ぐ。電磁接触器３は、電動機５をＯＮ／ＯＦＦするスイッチの役割を担う。電流検出器４は主回路１の負荷電流を検出し、状態診断装置１００の電流入力部７に出力する。電動機５は、生産ラインなどを構成する機械設備６に接続され、図示を省略する電力変換装置などにより運転駆動される。なお、電動機５は例えば三相誘導電動機を用いるがこれに限らない。
　状態診断装置１００は、電流入力部７、演算処理部８、定格情報記憶部９、定格情報設定部１０、表示部１１、接触器駆動部１２、出力部１３および通信部１４を備えている。電流入力部７は、電流検出器４において検出された電流データを入力し、演算処理部８に出力する。演算処理部８は電流入力部７により入力された電流データを解析し、電動機５の診断に用いるパラメータを演算し電動機５の異常診断を行う。演算処理部８の詳細は後述する。
　図２は、本開示にかかる状態診断装置１００のハードウェア構成図である。状態診断装置１００は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）などのプロセッサ２０、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）などのメモリ３０、ディスプレイ４０および入力インターフェイス（Ｉ／Ｆ）５０を備えて構成される。演算処理部８は、プロセッサ２０がメモリ３０に格納されたプログラムを実行することによって実現する。ただし、これらは、例えば複数のプロセッサ２０が連携して実現されてもよい。
　定格情報設定部１０には、電動機５の電源周波数、定格出力、定格電流、極数、定格回転数などの定格情報が予め入力される。定格情報とは、電動機５の製造会社のカタログ、取扱説明書などに記載された基本情報である。本実施の形態においては、診断対象とする電動機５が１台の例を示しているが、複数の電動機５を診断する場合には各々の電動機５の定格情報を定格情報設定部１０に予め入力しておく。
　定格情報記憶部９は、定格情報設定部１０に入力された定格情報を記憶し、必要に応じて演算処理部８に出力する。なお、図１には定格情報記憶部９および定格情報設定部１０が別々に設けられた例を示したが、これに限らない。定格情報記憶部９および定格情報設定部１０は一緒に設けられ、電動機５の定格情報を記憶し、電流入力部７より入力された電流データの解析時に演算処理部８へ出力する構成としてもよい。
　また定格情報記憶部９および定格情報設定部１０は、状態診断装置１００に備わっている構成に限らず、外部に設けられていてもよい。その場合、例えば外部のサーバーなどに電動機５の定格情報を記憶しておき、電動機５の診断時に演算処理部８へ入力するようにするとよい。
　演算処理部８には、表示部１１、接触器駆動部１２、出力部１３および通信部１４が接続されている。表示部１１は、演算処理部８において電動機５の異常が検出された場合に、検出された電流データを表示し、異常状態および警報などを表示する。なお、表示に限らずアラームなどにより警告してもよい。
　接触器駆動部１２は、演算処理部８において電動機５の異常が検出された場合電磁接触器３を開閉する制御信号を出力する。また、出力部１３は異常状態および警報などを生産ラインの管理部門などへ出力する。通信部１４は、外部に設けられた状態診断装置１００全体の親機としての役割を担うＰＣまたはタブレット端末などの監視装置２００に電動機５の異常状態などを、ネットワークを介して送信する。なお通信部１４から監視装置２００へのデータの送信方法は有線でも無線でもどちらでもよい。
　次に図３を用いて演算処理部８の構成について説明をする。図３に示すように演算処理部８は、電流変動演算部１１０、解析区間判定部１１１、解析部１１２、演算部１１３、診断部１１４、基準値記憶部１１５および診断結果保存部１１６を備えている。
　電流変動演算部１１０は、電流入力部７より入力された電流データの変動の有無を演算し、電流データが安定状態であるか否かを判断する。具体的には、電流データの統計的な変動の解析を実行する。例えば、マハラノビス距離などの解析手法を用いて電動機５が安定状態であるかの判断を行う。
　また電流変動演算部１１０は、電流データが安定状態であるか否かを判断するためのしきい値として、正常に動作する電動機５より区間判定しきい値を予め取得し記憶しておく。例えば区間判定しきい値は、事前に複数の電動機５の電流データを取得し、取得した電流データの標準偏差よりも小さくなる範囲に選定する。または、診断対象の電動機５の電流データを一定期間収集し、収集した電流データの標準偏差などを基準として区間判定しきい値を設定してもよい。なお、区間判定しきい値は電流変動演算部１１０に記憶せずに、電動機５の定格情報と一緒に定格情報記憶部９に記憶しておいてもよい。
　解析区間判定部１１１は、正常に動作する電動機より予め算出した区間判定しきい値と、電流変動演算部による演算結果とを比較し、解析区間を決定する。すなわち、解析区間判定部１１１は電流入力部７より入力された電流データから安定状態にある区間を抽出して解析部１１２が実行する解析区間を決定する。具体的には、電流変動演算部１１０より演算して得られた統計的な変動が、予め設定しておいたしきい値以下となる区間を安定状態にある区間すなわち解析区間とする。
　解析部１１２は、解析区間判定部１１１により抽出された解析区間において、電流入力部７より入力された電流データの周波数解析を行う。電流データは、例えば電流ＦＦＴ解析（Ｆａｓｔ　Ｆｏｕｒｉｅｒ　Ｔｒａｎｓｆｏｒｍ）解析、離散フーリエ解析（Ｄｉｓｃｒｅｔ　Ｆｏｕｒｉｅｒ　Ｔｒａｎｓｆｏｒｍ）などによって解析される。電流データを周波数解析して得られた解析結果であるスペクトル波形は演算部１１３へ入力される。
　演算部１１３は、解析部１１２の解析結果を基に電動機の異常を判定するための情報として振幅の平均値であるオーバーオール値を算出する。オーバーオール値（ＯＡ値）は、電流データを周波数解析して得られた解析結果であるスペクトル波形全体の振幅の平均的な大きさのことをいう。
　基準値記憶部１１５は、正常に動作する電動機５の電流データより予め取得したオーバーオール値を電動機５の診断時に用いる基準値すなわちＯＡしきい値として記憶する。なお、ＯＡしきい値は定格情報記憶部９に定格情報と一緒に記憶しておいてもよい。具体的な処理手順については図４を用いて後述する。
　診断部１１４は、正常に動作する電動機５より算出したＯＡしきい値とオーバーオール値との比較を行い電動機５の診断を行う。つまり、演算部１１３が周波数解析結果より算出したオーバーオール値と、基準値記憶部１１５に予め記憶しておいた正常に動作する電動機５の電流データを用いて算出されたオーバーオール値であるＯＡしきい値との比較を行い電動機５の異常の有無を診断する。具体的な診断時の処理手順については図５を用いて後述する。
　また、診断部１１４は電動機５が異常と診断された場合、表示部１１、接触器駆動部１２、出力部１３および通信部１４へ異常を知らせる情報を出力し、診断結果は診断結果保存部１１６に保存される。なお、診断結果保存部１１６に保存される電動機５の診断結果は、周波数解析前の電流データと紐づけて記憶させておくとよい。
　次に処理手順について図４および図５を用いて説明する。図４はオーバーオール値との比較を行う際に用いるＯＡしきい値の算出手順を示すフローチャートである。なお、ＯＡしきい値の算出手順を学習モードとして図示している。
　ステップＳ１０１では、正常に動作する電動機５の定格情報を定格情報設定部１０に入力し、定格情報記憶部９に記憶する。なお、電動機５の定格情報は定格情報記憶部９に入力し記憶させてもよい。また、診断対象とする電動機５が複数の場合には各々の定格情報を入力し記憶させる。
　ステップＳ１０２では、定格情報を定格情報記憶部９に記憶させた電動機５の電流を電流検出器４が検出し、検出した電流の電流データが電流入力部７へ入力される。
　ステップＳ１０３では、電流入力部７へ入力された電流データの変動すなわち電流データが安定状態にあるか否かを電流変動演算部１１０において演算し、解析区間判定部１１１において安定状態にある区間を抽出し周波数解析を行う解析区間に決定する。電流変動演算部１１０は電流データを演算して区間判定しきい値と比較し、区間判定しきい値を満たさない場合には電流データが不安定状態であると判断し、ステップＳ１０２へ戻る。安定状態であると判断された場合には、ステップＳ１０４へ進む。
　ステップＳ１０４では、解析部１１２は安定状態と判断された解析区間の電流データを周波数解析する。例えば、０Ｈｚから電源周波数６０Ｈｚの２倍の周波数１２０Ｈｚまでの間の周波数について周波数解析を行い、解析結果を演算部１１３へ出力する。
　ステップＳ１０５では、演算部１１３は解析部１１２より入力された解析結果であるスペクトル波形からオーバーオール値を算出する。算出されたオーバーオール値は基準値記憶部１１５へ入力される。
　ステップＳ１０６では、演算部１１３より入力されたオーバーオール値を診断時に異常を判断するための基準値すなわちＯＡしきい値として基準値記憶部１１５に保存する。
　図５は電動機５の診断時の処理手順を示すフローチャートである。なお、電動機５の診断手順を診断モードとして図示している。
　ステップＳ２０１では、診断対象となる電動機５の電流を電流検出器４において取得し、取得した電流データを電流入力部７に入力する。
　ステップＳ２０２では、電流入力部７へ入力された電流データの変動すなわち電流データが安定状態にあるか否かを電流変動演算部１１０において演算し、解析区間判定部１１１において安定状態にある区間を抽出し周波数解析を行う解析区間に決定する。電流変動演算部１１０は電流データを演算して区間判定しきい値と比較し、区間判定しきい値を満たさない場合には電流データが不安定状態であると判断し、ステップＳ２０１へ戻る。安定状態であると判断された場合には、ステップＳ２０３へ進む。
　ステップＳ２０３では、ステップＳ２０２において安定状態と判断された解析区間の電流データを解析部１１２が周波数解析する。周波数解析して得られた解析結果であるスペクトル波形は演算部１１３に入力される。
　ステップＳ２０４では、演算部１１３は解析部１１２より入力された解析結果であるスペクトル波形からオーバーオール値を算出する。
　ステップＳ２０５では、ステップＳ２０４において算出されたオーバーオール値と基準値記憶部１１５に記憶されたＯＡしきい値との比較を行う。
　ステップＳ２０６では、ステップＳ２０５においてオーバーオール値とＯＡしきい値との比較を行った結果、ＯＡしきい値を満たす場合には電動機５に異常があると判断し、ステップＳ２０７において診断結果を表示部１１、接触器駆動部１２、出力部１３および通信部１４へ出力する。なお、診断結果は診断結果保存部１１６に保存される。また、ＯＡしきい値を満たさない場合には電動機５は正常であると判断し、ステップＳ２０１へ戻る。
　このように、電動機５の状態診断方法は、電流検出器４が電動機５より検出した電流データが入力されるステップと、電流入力部７より入力された電流データの周波数解析を行うステップと、解析部１１２の解析結果を基に電動機５の異常を判定するための情報として振幅の平均値であるオーバーオール値を算出するステップと、正常に動作する電動機５より算出したＯＡしきい値とオーバーオール値との比較を行い電動機５の診断を行うステップとを備える。
　図６は電動機５が正常時および異常発生時の周波数解析結果を比較した図である。なお、実線は電動機５が正常時、点線は電動機５が異常発生時の解析結果を示している。図６に示すように、電動機５に異常が発生すると振幅の平均値であるオーバーオール値が上昇する。このように、正常に動作する電動機５より予め取得したオーバーオール値のしきい値であるＯＡしきい値を電動機５が異常であるかを判断するしきい値として用いることにより電動機５を診断することができる。
　以上より、本実施の形態にかかる電動機５の状態診断装置１００および状態診断方法は、電動機５より取得した電流データを周波数解析し、演算部１１３が解析結果を基に算出したオーバーオール値を用いて電動機５の状態診断を行う。これにより、状態診断に必要なパラメータをオーバーオール値一つ算出することにより電動機５の状態診断を行うことができる。そのため、少ないパラメータにより電動機５の状態診断を行うことができ、診断にかかる時間を短縮することができる。
　なお、本実施の形態では演算部１１３においてオーバーオール値を算出し、診断部１１４ではオーバーオール値を用いて電動機５の状態診断を行う状態診断装置１００を説明したが、オーバーオール値に限らずパワースペクトルの平方根をとった値であるリニアスペクトルを用いて電動機５の状態診断を行ってもよい。
　実施の形態２．
　本実施の形態は図７を用いて説明をする。図７は本実施の形態にかかる電動機の状態診断装置のシステム全体構成図である。
　本実施の形態では学習部１５、モデル記憶部１６および推論部１７をさらに備えた電動機５の状態診断装置１０１を示す。それ以外の構成は実施の形態１と同様であり、実施の形態１と同じ構成には同じ番号を付し、説明は省略する。
　図１１に示すように状態診断装置１０１は、例えば、電流入力部７、演算処理部８、定格情報記憶部９、定格情報設定部１０、表示部１１、接触器駆動部１２、出力部１３、通信部１４、学習部１５、モデル記憶部１６、推論部１７を備えている。
　状態診断装置１０１は、電動機５より取得した電流データを周波数解析し、演算部１１３が解析結果を基に算出したオーバーオール値を用いて電動機５の状態診断を行う。電動機５の診断結果は、演算処理部８の診断結果保存部１１６に、周波数解析前の電流データと紐づけて記憶されている。
　学習部１５は、電流入力部７より取得した電流データと診断結果保存部１１６に記憶された電動機５の診断結果とを取得し、診断結果と電流データとを紐づけして学習し学習済みモデルを生成する。すなわち、診断結果保存部１１６に記憶させた診断結果は周波数解析前の電流データと紐づけされて記憶されており、電流入力部７より取得した電流データの時系列データから、診断結果を基に異常の兆候を示す時系列パターンを学習して学習済みモデルを生成する。
　学習済みモデルを生成する際の学習は、電動機５の異常と判定される前の一定期間の電流データから、異常時に共通する時系列パターンであって、正常時の時系列パターンに含まれない電流データの時系列パターンを深層学習（Ｄｅｅｐ　Ｌｅａｒｎｉｎｇ）により推論する方法を用いる。また、公知の遺伝的プログラミング、機能論理プログラミングおよびサポートベクターマシンなどの機械学習を用いてもよい。
　モデル記憶部１６は、学習部１５が生成した学習済みモデルを記憶する。なお、記憶する学習済みモデルは学習部１５が生成した学習済みモデルに限らず、例えば外部から予め学習させたデータを読み込んで学習済みモデルとして記憶させてもよい。また、モデル記憶部１６は、状態診断装置１０１に備わっている場合に限らず外付けのサーバーなどに設けてもよい。
　推論部１７は、電流入力部７より新たに取得した電流データをモデル記憶部１６に記憶された学習済みモデルにより電動機５の異常予兆を推論し推論結果を監視装置２００へ出力する。すなわち、電流入力部７より電流データを取得し、モデル記憶部１６に記憶された学習済みモデルを用いて電動機５の異常時に兆候として見られる時系列パターンであるか否かを推論し、異常の兆候が見られる場合には電動機５に異常があると判断して推論結果を監視装置２００へ出力する。
　なお、推論結果は監視装置２００への出力に限らず、演算処理部８を介して表示部１１、接触器駆動部１２、出力部１３および通信部１４へ出力してもよい。このように電流データから電動機５の異常を予兆することにより、電動機５のメンテナンスを計画的に実行することができ、電動機５に接続された機械設備６の停止期間を調整し、停止期間を最短にすることができる。
　以上より、本実施の形態にかかる電動機５の状態診断装置１０１は、電動機５より取得した電流データを周波数解析し、演算部１１３が解析結果を基に算出したオーバーオール値を用いて電動機５の状態診断を行うことにより、少ないパラメータにより電動機５の状態診断を行うことができ、診断にかかる時間を短縮することができる。また、本実施の形態にかかる電動機５の状態診断装置１０１は、学習部１５、モデル記憶部１６および推論部１７をさらに備え、学習部１５は解析結果を基に取得した電流データから学習済みモデルを生成し、推論部１７は学習済みモデルを用いて電流データから電動機５の異常を推論する。この構成により、電流データから電動機５の異常を予測することができるため、電動機５の健全な運用ができるとともに、不要な設備の停止をすることなくメンテナンス計画を遂行することができる。
　実施の形態３．
　本実施の形態は図８から１０を用いて説明をする。図８は本実施の形態にかかる電動機の異常予兆推論装置のシステム全体構成図である。図９は本実施の形態にかかる電動機の異常予兆推論装置の学習フェーズを示すフローチャートである。図１０は本実施の形態にかかる電動機の異常予兆推論装置の活用フェーズを示すフローチャートである。
　本実施の形態では電動機５の状態診断装置１００に外付けされた電動機５の異常予兆推論装置３００を示す。それ以外の構成は実施の形態１と同様であり、実施の形態１と同じ構成には同じ番号を付し、説明は省略する。
　図８に示すように、状態診断装置１００は、例えば、電流入力部７、演算処理部８、定格情報記憶部９、定格情報設定部１０、表示部１１、接触器駆動部１２、出力部１３、通信部１４を備えている。状態診断装置１００は、電動機５より取得した電流データを周波数解析し、演算部１１３が解析結果を基に算出したオーバーオール値を用いて電動機５の状態診断を行う。電動機５の診断結果は、演算処理部８の診断結果保存部１１６に、周波数解析前の電流データと紐づけて記憶されている。状態診断装置１００は、少ないパラメータにより電動機５の状態診断を行うことができ、診断にかかる時間を短縮することができる。
　電動機５の異常予兆推論装置３００はデータ取得部３１０、学習済みモデル生成部３２０、学習済みモデル記憶部３３０および電流データ推論部３４０を備えている。
　データ取得部３１０は状態診断装置１００の電流入力部７より電流データを取得し、演算処理部８の診断結果保存部１１６より周波数解析前の電流データと紐づけされた電動機５の診断結果を取得する。
　学習済みモデル生成部３２０はデータ取得部３１０より取得した電流データを診断結果より学習し学習済みモデルを生成する。具体的には、電流入力部７より取得した電流データの時系列データから、診断結果を基に異常の兆候を示す時系列パターンを学習して学習済みモデルを生成する。なお学習する学習済みモデルのデータ数は特に問わないが、例えば学習するデータ数を予め学習済みモデル生成部３２０などに設定しておき、設定したデータ数学習が完了した場合に学習を終了するようにするとよい。
　学習済みモデルを生成する際の学習は、電動機５の異常と判定される前の一定期間の電流データから、異常時に共通する時系列パターンであって、正常時の時系列パターンに含まれない電流データの時系列パターンを深層学習（Ｄｅｅｐ　Ｌｅａｒｎｉｎｇ）により推論する方法を用いる。なお、深層学習に限らず、遺伝的プログラミング、機能論理プログラミングおよびサポートベクターマシンなどの機械学習を用いてもよい。
　学習済みモデル記憶部３３０は、学習済みモデル生成部３２０において生成された学習済みモデルを記憶する。なお、記憶する学習済みモデルは学習済みモデル生成部３２０が生成した学習済みモデルに限らず、例えば外部から学習済みデータを読み込んで学習済みモデルとして記憶させてもよい。また、学習済みモデル記憶部３３０は、異常予兆推論装置３００に備わっている場合に限らず例えば外部のサーバーなどに設けてもよい。
　電流データ推論部３４０は、データ取得部３１０より新たに取得した電流データを学習済みモデルにより電動機５の異常予兆を推論し推論結果を監視装置２００へ出力する。すなわち、データ取得部３１０は電流入力部７より電流データを取得し、学習済みモデル記憶部３３０に記憶された学習済みモデルを用いて取得した電流データが電動機５の異常時に兆候として見られる時系列パターンであるか否かを推論し、異常の兆候が見られる場合には電動機５に異常があると判断して推論結果を監視装置２００へ出力する。
　なお、推論結果は監視装置２００への出力に限らず、演算処理部８を介して表示部１１、接触器駆動部１２、出力部１３および通信部１４へ出力してもよい。このように電流データから電動機５の異常を予兆することにより、電動機５のメンテナンスを計画的に実行することができ、電動機５に接続された機械設備６の停止期間を調整し、停止期間を最短にすることができる。
　次に学習手順について図９を用いて説明をする。図９は学習フェーズを示すフローチャートである。ステップＳ５０１では、データ取得部３１０が電流入力部７より電流データを取得し、演算処理部８の診断結果保存部１１６より周波数解析前の電流データと紐づけされた診断結果を取得する。
　ステップＳ５０２では、学習済みモデル生成部３２０はデータ取得部３１０から出力された電流データおよび診断結果より、電動機５の異常予兆を学習する。すなわち、電流入力部７より電動機５が異常と診断される前の一定期間の電流データから、異常と診断される際に共通する電流データの時系列パターンを診断結果から学習し、学習済みモデルを生成する。
　ステップＳ５０３では、ステップＳ５０２において生成された学習済みモデルを学習済みモデル記憶部３３０に記憶する。
　次に活用手順について図１０を用いて説明をする。図１０は活用フェーズを示すフローチャートである。ステップＳ６０１では、データ取得部３１０は電流入力部７より電流データを取得する。
　ステップＳ６０２では、ステップＳ６０１においてデータ取得部３１０が取得した電流データを学習済みモデル記憶部３３０に記憶された学習済みモデルに入力する。ステップＳ６０３では、電流データ推論部３４０は学習済みモデルに入力した電流データの推論結果すなわちデータ取得部３１０から取得した電流データから電動機５に異常の予兆があるかを推論した結果を出力する。
　ステップＳ６０４では、電流データ推論部３４０から出力された推論結果を監視装置２００へ出力する。なお、推論結果は監視装置２００への出力に限らず、演算処理部８を介して表示部１１、接触器駆動部１２、出力部１３および通信部１４へ出力してもよい。
　以上より、本実施の形態にかかる電動機５の異常予兆推論装置３００は、状態診断装置１００より取得した電流データを診断結果より学習して学習済みモデルを生成し、新たに取得した電流データを学習済みモデルに入力して電動機５の異常予兆を推論する。このように、電動機５の状態診断装置１００が電動機５に異常があると診断する前に電流データより異常予兆を推論し、監視装置２００へ異常予兆の有無を出力することにより、電動機５のメンテナンスを計画的に遂行することができる。また、メンテナンス計画を前もって立てることにより電動機５に接続された機械設備６の不要な停止期間を短縮することができる。
　１　主回路、２　配線用遮断器、３　電磁接触器、４　電流検出器、５　電動機、６　機械設備、７　電流入力部、８　演算処理部、９　定格情報記憶部、１０　定格情報設定部、１１　表示部、１２　接触器駆動部、１３　出力部、１４　通信部、１５　学習部、１６　モデル記憶部、１７　推論部、２０　プロセッサ、３０　メモリ、４０　ディスプレイ、５０　入力インターフェイス、１００、１０１　状態診断装置、１１０　電流変動演算部、１１１　解析区間判定部、１１２　解析部、１１３　演算部、１１４　診断部、１１５　基準値記憶部、１１６　診断結果保存部、２００　監視装置、３００　異常予兆推論装置、３１０　データ取得部、３２０　学習済みモデル生成部、３３０　学習済みモデル記憶部、３４０　電流データ推論部

Claims (6)

  1. 　電流検出器が電動機より検出した電流データが入力される電流入力部と、
    　前記電流入力部より入力された前記電流データの周波数解析を行う解析部と、
    　前記解析部の解析結果を基に前記電動機の異常を判定するための情報として振幅の平均値であるオーバーオール値を算出する演算部と、
    　正常に動作する前記電動機より算出したＯＡしきい値と前記オーバーオール値との比較を行い前記電動機の診断を行う診断部と、
    　を備える電動機の状態診断装置。
  2. 　前記解析部は、前記電流データが安定状態と判定された解析区間において前記周波数解析を行うことを特徴とする請求項１に記載の電動機の状態診断装置。
  3. 　前記解析部は、
    　前記電流データが前記安定状態であるかを演算する電流変動演算部と、
    　正常に動作する前記電動機より予め算出した区間判定しきい値と、前記電流変動演算部による演算結果とを比較し判定する解析区間判定部と、
    　により抽出した前記解析区間において前記電流データの前記周波数解析を行うことを特徴とする請求項２に記載の電動機の状態診断装置。
  4. 　前記電流入力部より取得した前記電流データと前記電動機の診断結果とを取得し、前記診断結果と前記電流データとを紐づけして学習し学習済みモデルを生成する学習部と、
    　前記電流入力部より新たに取得した前記電流データを前記学習済みモデルにより前記電動機の異常予兆を推論し推論結果を出力する推論部と、
    　を備えることを特徴とする請求項１から３のいずれか一項に記載の電動機の状態診断装置。
  5. 　請求項１から３のいずれか一項に記載の電動機の状態診断装置より電流データとオーバーオール値を用いて診断された前記電動機の診断結果とを取得するデータ取得部と、
    　前記データ取得部より取得した前記電流データを前記診断結果より学習し学習済みモデルを生成する学習済みモデル生成部と、
    　前記データ取得部より新たに取得した前記電流データを前記学習済みモデルにより前記電動機の異常予兆を推論し推論結果を出力する電流データ推論部と、
    　を備える電動機の異常予兆推論装置。
  6. 　電流検出器が電動機より検出した電流データが入力されるステップと、
    　入力された前記電流データの周波数解析を行うステップと、
    　解析結果を基に前記電動機の異常を判定するための情報として振幅の平均値であるオーバーオール値を算出するステップと、
    　正常に動作する前記電動機より算出したＯＡしきい値と前記オーバーオール値との比較を行い前記電動機の診断を行うステップと、
    　を備える電動機の状態診断方法。
PCT/JP2022/017156 2022-04-06 2022-04-06 電動機の状態診断装置、状態診断方法および異常予兆推論装置 WO2023195093A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2022556519A JPWO2023195093A1 (ja) 2022-04-06 2022-04-06
PCT/JP2022/017156 WO2023195093A1 (ja) 2022-04-06 2022-04-06 電動機の状態診断装置、状態診断方法および異常予兆推論装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/017156 WO2023195093A1 (ja) 2022-04-06 2022-04-06 電動機の状態診断装置、状態診断方法および異常予兆推論装置

Publications (1)

Publication Number Publication Date
WO2023195093A1 true WO2023195093A1 (ja) 2023-10-12

Family

ID=88242710

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/017156 WO2023195093A1 (ja) 2022-04-06 2022-04-06 電動機の状態診断装置、状態診断方法および異常予兆推論装置

Country Status (2)

Country Link
JP (1) JPWO2023195093A1 (ja)
WO (1) WO2023195093A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016090546A (ja) * 2014-11-11 2016-05-23 旭化成エンジニアリング株式会社 電流診断装置および電流診断方法
JP2019159730A (ja) * 2018-03-12 2019-09-19 株式会社リコー 保守システム、保守サーバ、保守方法
WO2020189014A1 (ja) * 2019-03-15 2020-09-24 オムロン株式会社 異常診断装置および異常診断方法
WO2021166168A1 (ja) * 2020-02-20 2021-08-26 三菱電機株式会社 電動機の診断装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016090546A (ja) * 2014-11-11 2016-05-23 旭化成エンジニアリング株式会社 電流診断装置および電流診断方法
JP2019159730A (ja) * 2018-03-12 2019-09-19 株式会社リコー 保守システム、保守サーバ、保守方法
WO2020189014A1 (ja) * 2019-03-15 2020-09-24 オムロン株式会社 異常診断装置および異常診断方法
WO2021166168A1 (ja) * 2020-02-20 2021-08-26 三菱電機株式会社 電動機の診断装置

Also Published As

Publication number Publication date
JPWO2023195093A1 (ja) 2023-10-12

Similar Documents

Publication Publication Date Title
TWI710701B (zh) 泵浦監測裝置及其方法
JP4943390B2 (ja) 電力送配システム監視方法および電力送配システム
US5917428A (en) Integrated motor and diagnostic apparatus and method of operating same
JP4832609B1 (ja) 異常予兆診断装置および異常予兆診断方法
EP3462602B1 (en) Method and apparatus for online condition monitoring of variable speed motor applications
JP7139122B2 (ja) 電気的シグネチャ解析に基づく機械の監視と診断のための自律的手順
CN113589163B (zh) 使用机器学习进行的感应电机状况监视
EP1291663A1 (en) System and method for motor fault detection based on space vector angular fluctuation
KR102340119B1 (ko) 전동기의 진단 장치
JP6514239B2 (ja) 機械診断装置および機械診断方法
CN104618079A (zh) 双线过程控制回路诊断
KR102064173B1 (ko) 모터의 최대 효율점 제어 및 고장 진단이 가능한 모터 관제 장치
WO2019082277A1 (ja) 異常診断装置、異常診断方法及び異常診断システム
WO2019102545A1 (ja) 設備の劣化診断装置
WO2015047121A1 (en) Method and apparatus for embedded current signature analysis and remote condition monitoring for industrial machinery
KR102315492B1 (ko) 모터 수명 예측 시스템 및 이의 실행 방법
EP3419162A1 (en) Electrical signature analysis of electrical rotating machines
WO2018142569A1 (ja) 電動機の診断装置
EP4078315A1 (en) Device and method for monitoring a system
CN115327990A (zh) 一种基于ai的电气设备状态监测预警模型及其方法
WO2023195093A1 (ja) 電動機の状態診断装置、状態診断方法および異常予兆推論装置
JP2021521548A (ja) 電気機械的マシンの調子を監視して故障を予測するシステム及び方法
WO2024062511A1 (ja) 電動機の状態診断装置、状態診断方法および異常予兆推論装置
KR102064176B1 (ko) 모터의 최대 효율점 제어 및 고장 진단이 가능한 전기 설비 시스템용 통합 관제 시스템
US10317895B2 (en) Method and system for condition monitoring

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 2022556519

Country of ref document: JP

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

Ref document number: 22936493

Country of ref document: EP

Kind code of ref document: A1