WO2024084632A1 - 診断システムおよび学習装置 - Google Patents

診断システムおよび学習装置 Download PDF

Info

Publication number
WO2024084632A1
WO2024084632A1 PCT/JP2022/038985 JP2022038985W WO2024084632A1 WO 2024084632 A1 WO2024084632 A1 WO 2024084632A1 JP 2022038985 W JP2022038985 W JP 2022038985W WO 2024084632 A1 WO2024084632 A1 WO 2024084632A1
Authority
WO
WIPO (PCT)
Prior art keywords
motor
leakage current
value
unit
model
Prior art date
Application number
PCT/JP2022/038985
Other languages
English (en)
French (fr)
Inventor
あずさ 大澤
健 開田
克倫 大木
Original Assignee
三菱電機株式会社
三菱電機ビルソリューションズ株式会社
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, 三菱電機ビルソリューションズ株式会社 filed Critical 三菱電機株式会社
Priority to PCT/JP2022/038985 priority Critical patent/WO2024084632A1/ja
Priority to JP2024508993A priority patent/JP7517627B1/ja
Publication of WO2024084632A1 publication Critical patent/WO2024084632A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/52—Testing for short-circuits, leakage current or ground faults

Definitions

  • This disclosure relates to a diagnostic system and a learning device.
  • Patent Document 1 discloses an insulation diagnostic device that diagnoses the insulation performance of a motor. By using this insulation diagnostic device, the insulation performance of a motor can be comprehensively evaluated based on the measured values of insulation resistance, leakage current, and tan ⁇ .
  • the present disclosure has been made to solve the above-mentioned problems.
  • the purpose of the present disclosure is to provide a diagnostic system and a learning device that can estimate when a motor needs to be replaced.
  • the diagnostic system is a diagnostic system for diagnosing deterioration of the insulation performance of a motor, and includes a reception unit that receives an input of a detection value of a leakage current flowing in a closed circuit including the coil of the motor and the grounded part of the motor, and a diagnostic unit that outputs information for estimating the remaining life using a data set that includes a corresponding detection value of an initial leakage current, which is the leakage current detected at a base point in time, and the detection value of the leakage current received by the reception unit, and a prediction model for inferring the remaining life based on the insulation performance of the motor from the data set.
  • the learning device is a learning device that generates a prediction model for inferring the remaining life due to the insulation performance of a motor from the electrical characteristics of a closed circuit including the motor coil and the grounded part of the motor, and includes a data acquisition unit that acquires a first learning data set that includes, in association with each other, a detected value of an initial test leakage current flowing through a test circuit simulating a closed circuit using a model coil simulating the motor coil, and a detected value of a test leakage current flowing through the test circuit after the initial test leakage current has been detected and after a degradation test has been performed on the model coil under specified degradation conditions, and a generation unit that uses the first learning data set to generate a prediction model that is a trained model for inferring the remaining life of the motor from a data set that includes, in association with each other, a detected value of an initial leakage current flowing at a base point in the closed circuit and a detected value of a leakage current flowing through the closed circuit.
  • a prediction model is used to output information for estimating remaining life. This makes it possible to estimate the end of life when the motor will need to be replaced.
  • FIG. 1 is a diagram showing an overview of an elevator device in which a motor to which a diagnosis system in a first embodiment is applied is installed.
  • 1 is a diagram showing a motor to which a diagnostic system according to a first embodiment is applied and a diagnostic device.
  • FIG. 1 is a block diagram of a diagnostic system according to a first embodiment.
  • FIG. 4 is a diagram showing an example of a lifetime function stored in the diagnostic system in the first embodiment. 4 is a side view of a model coil unit for acquiring data to be learned by the diagnostic system in embodiment 1.
  • FIG. 4 is a top view of a model coil unit for acquiring data to be learned by the diagnostic system in embodiment 1.
  • FIG. 11 is a diagram showing data obtained by changing water vapor pressure in a deterioration test performed for the diagnostic system in the first embodiment.
  • FIG. 11 is a diagram showing data on thermal shock cycles from the degradation tests performed for the diagnostic system in embodiment 1.
  • FIG. 11 is a diagram showing data obtained by changing temperature conditions in a degradation test performed for the diagnostic system in the first embodiment.
  • FIG. 11 is a diagram showing data obtained by changing the core length of a model core in a degradation test performed for the diagnostic system in the first embodiment.
  • FIG. 11 is a diagram showing data obtained by changing the contact area between the model core and the model coil in a deterioration test performed for the diagnostic system in embodiment 1.
  • FIG. 1 is a diagram showing the transition of a current flowing in a test circuit in a degradation test performed for the diagnostic system in embodiment 1.
  • FIG. 1 is a diagram showing a transition of a current flowing in a test circuit in a degradation test performed for the diagnostic system in embodiment 1.
  • FIG. 1 is a diagram showing a transition of a current flowing in a test circuit in a degradation test performed for the diagnostic system in embodiment 1.
  • FIG. 4 is a flowchart for explaining an overview of a diagnostic operation performed by the diagnostic system in the first embodiment. 4 is a flowchart for explaining an overview of a learning process performed by a first learning device of the diagnostic system in embodiment 1. 4 is a flowchart for explaining an overview of an operation performed by a diagnosis executing unit of the diagnostic system in the first embodiment.
  • FIG. 1 is a diagram showing the transition of a current flowing in a test circuit in a degradation test performed for the diagnostic system in embodiment 1.
  • FIG. 1 is a diagram showing a transition of a current flowing in a test circuit
  • FIG. 13 is a block diagram of a modified example of the diagnostic system in the first embodiment.
  • FIG. 13 is a diagram showing an example of a learning algorithm using a neural network model used in a modified example of the diagnostic system in embodiment 1.
  • 10 is a flowchart for explaining an overview of an operation performed by a diagnosis executing unit of a modified example of the diagnostic system in the first embodiment.
  • FIG. 2 is a hardware configuration diagram of a diagnostic executing unit of the diagnostic system according to the first embodiment.
  • FIG. 2 is a block diagram showing another example of the diagnostic system in the first embodiment.
  • FIG. 11 is a block diagram of a diagnostic system according to a second embodiment.
  • FIG. 13 is a block diagram of a diagnostic system according to a third embodiment.
  • FIG. 1 is a diagram showing the relationship between the operation performance and leakage current measured in a motor of a hoisting machine in a typical elevator device.
  • FIG. 1 is a diagram showing the relationship between the operation performance and leakage current measured in a motor of a hoisting machine in a typical elevator device.
  • FIG. 1 is a diagram showing the relationship between the operation performance and leakage current measured in a motor of a hoisting machine in a typical elevator device.
  • 13 is a flowchart for explaining an overview of a learning process performed by a second learning device of a diagnostic system in embodiment 3.
  • FIG. 13 is a block diagram of a diagnostic system in embodiment 4.
  • FIG. 1 is a diagram showing an overview of an elevator device in which a motor to which a diagnostic system in accordance with embodiment 1 is applied is installed.
  • Fig. 2 is a diagram showing a motor to which the diagnostic system in accordance with embodiment 1 is applied and a diagnostic device.
  • an elevator device 2 is shown as an example of an object to which the diagnostic system 1 is applied.
  • the elevator device 2 is provided in a building 3.
  • a hoistway 4 passes through each floor of the building 3.
  • a machine room 5 is provided directly above the hoistway 4.
  • a hoisting machine 6 is provided inside the machine room 5.
  • a motor 7 is provided in the hoisting machine 6. The motor 7 drives the sheave of the hoisting machine 6 as a rotating machine.
  • a car 8 is suspended by a main rope 9 inside the hoistway 4. The car 8 moves up and down inside the hoistway 4 by being driven by the hoisting machine 6.
  • the control panel 10 is provided in the machine room 5.
  • the control panel 10 can control the entire elevator device 2 including the motor 7.
  • the control panel 10 stores information such as model number information of the motor 7 and operation information of the elevator device 2.
  • the remote monitoring device 11 is provided in the machine room 5.
  • the remote monitoring device 11 acquires and stores information such as operation information from the control panel 10.
  • the information center device 12 is provided in an information center 13 located away from the building 3.
  • the information center 13 is a building of a maintenance company for the elevator device 2.
  • the information center device 12 acquires information from the remote monitoring device 11 via the network 14.
  • the information center device 12 can grasp the state of the elevator device 2 based on the acquired information.
  • the elevator device 2 may be of a type that does not have a machine room 5.
  • the hoist 6, the control panel 10, and the remote monitoring device 11 may be provided in a place other than the machine room 5, such as inside the hoistway 4.
  • the diagnostic system 1 may further include, for example, a permanent measuring device 15.
  • the permanent measuring device 15 is provided in the machine room 5.
  • the permanent measuring device 15 is provided around the motor 7.
  • the permanent measuring device 15 may be attached to the hoist 6.
  • the permanent measuring device 15 measures the air temperature, humidity, etc., as the surrounding environment of the motor 7.
  • the permanent measuring device 15 stores the measured values during the period when the motor 7 is operating. Note that the above is merely an example, and the measuring device provided in the diagnostic system 1 is not limited to whether it is permanently installed or not.
  • Maintenance work is performed periodically on the elevator device 2 at a specified interval, such as once a month.
  • the maintenance work is performed by workers belonging to the maintenance company of the elevator device 2. For example, during the maintenance work, diagnostic work is performed on the insulation performance of the motor 7.
  • FIG. 2 shows a cross section perpendicular to the rotation axis of the motor 7 to be diagnosed in the diagnostic work.
  • the motor 7 is a motor driven by three-phase alternating current.
  • the motor 7 may be a low-voltage motor in which partial discharge is not expected to occur during operation.
  • the motor 7 is an example of a motor to which the diagnostic system 1 can be applied. Therefore, the diagnostic system 1 does not have to be a motor applied to the hoist 6 of the elevator device 2, and the motor does not have to have the structure of the motor 7 shown in FIG. 2 as long as the motor generates a magnetic field by passing a current through a coil and a core.
  • the motor 7 has a core 7a and coils 7b as a stator.
  • the coils 7b are wound around the core 7a with each slot being a structural unit.
  • the coils 7b include three-phase coils having U, V, and W phases.
  • a three-phase AC current is supplied to the motor 7 from a commercial power source (not shown).
  • a permanent magnet (not shown), which is the rotor, rotates. In this manner, the motor 7 is driven.
  • the motor 7 is provided with three measurement terminals 7c, 7d, and 7e.
  • Measurement terminal 7c is electrically connected to the U-phase coil 7b.
  • Measurement terminal 7d is electrically connected to the V-phase coil 7b.
  • Measurement terminal 7e is electrically connected to the W-phase coil 7b.
  • the diagnostic system 1 further includes a diagnostic device 20.
  • the diagnostic device 20 includes two detection terminals 21a, 21b.
  • the diagnostic device 20 has a shape that allows it to be carried by an operator.
  • the diagnostic device 20 is connected to the control panel 10 and the permanent measuring device 15 so as to be able to communicate with them.
  • the detection terminal 21a is electrically connected to one of the three measurement terminals 7c, 7d, and 7e in the motor 7.
  • the detection terminal 21b is electrically connected to a base 7f that supports the motor 7.
  • the base 7f corresponds to the grounded portion in the electric circuit inside the motor 7.
  • a series closed circuit is formed that includes the diagnostic device 20, the base 7f which is the grounded part, and the coil 7b of one of the UVW phases.
  • the worker operates the diagnostic device 20 so that a diagnostic voltage is applied.
  • the diagnostic device 20 applies a DC voltage of 1000 V between the detection terminals 21 a and 21 b as the diagnostic voltage.
  • the diagnostic voltage may be a DC voltage of 1600 V or less, and more preferably a DC voltage of 1000 V or less.
  • the diagnostic device 20 detects the value of the DC leakage current, which is the current flowing in the closed circuit due to the diagnostic voltage.
  • the diagnostic device 20 acquires information on the measurement value stored in the permanent measuring device 15.
  • the diagnostic device 20 acquires operation information of the elevator device 2, including operation information of the motor 7, from the control panel 10.
  • the diagnostic device 20 diagnoses the deterioration of the insulation performance of the motor 7, for example, using the detected leakage current value (hereinafter also referred to as the detection value of the leakage current), the measurement value information acquired from the permanent measuring device 15, and the operation information acquired from the control panel 10. Note that the information used by the diagnostic device 20 for diagnosis only needs to include information on at least the detected leakage current value.
  • the diagnostic device 20 calculates the remaining life due to the insulation performance, which is the period remaining until the insulation performance falls below the management level. For example, the diagnostic device 20 notifies the remaining life to the worker by displaying the calculated remaining life on a display device not shown.
  • the diagnostic device 20 may transmit the calculated remaining life information to an information center device 12 (not shown in FIG. 2) via a network or the like.
  • the information center 13 (not shown in FIG. 2) may formulate a replacement plan for the motor 7 according to the remaining life based on the information transmitted from the diagnostic device 20.
  • the worker then performs a similar diagnostic operation on the coils 7b of the UVW phases that have not yet been diagnosed. When the diagnosis has been performed on the coils 7b of all phases, the worker removes the two detection terminals 21a, 21b and ends the diagnostic operation.
  • FIG. Fig. 3 is a block diagram of the diagnostic system in the embodiment 1. Note that the core 7a and the coil 7b are omitted from Fig. 3.
  • the diagnostic device 20 may include a detector 22 and a diagnostic executor 23.
  • the detector 22 is an ammeter capable of detecting a current value of, for example, 100 nA or less, that is, 1 ⁇ 10 ⁇ 7 A or less. It is more preferable that the detector 22 can detect a current value of 1 ⁇ 10 ⁇ 9 A or less. It is more preferable that the detector 22 can detect a current value of 1 ⁇ 10 ⁇ 11 A or less. The detector 22 has a resolution of 1 ⁇ 10 ⁇ 11 A or less. Two detection terminals 21a and 21b are connected to the detector 22.
  • the detector 22 can be electrically connected to the coil 7b of the motor 7 to be diagnosed (the coil 7b of any one of the UVW phases in this example shown in the present embodiment) and the base 7f, which is the grounded portion of the motor 7, via the two detection terminals 21a and 21b.
  • the detector 22 can apply a diagnostic voltage to a closed circuit including the coil 7b of the motor 7 and the base 7f, which is the grounded portion of the motor 7.
  • the grounded portion of the motor 7 may be a portion other than the base 7f.
  • the detector 22 detects the value of the DC leakage current flowing through the closed circuit and is capable of outputting a signal indicative of the detected value of the current.
  • the detector 22 may detect the value of a DC leakage current flowing through the closed circuit when the diagnostic voltage is applied, and output a signal indicating the detected value (detected current value) in real time. Furthermore, for example, as a detection process, the detector 22 may store the value of the DC leakage current flowing through the closed circuit in association with the time at a specified timing (for example, a fixed cycle) while the diagnostic voltage is being applied. When detecting the leakage current, the detector 22 may output the current value when the amount of change in the leakage current value per minute becomes 1 ⁇ 10 ⁇ 11 [A] or less as the detected leakage current value.
  • the diagnosis executor 23 can be electrically connected to the control panel 10, the permanent measuring device 15, and the detector 22.
  • the diagnosis executor 23 performs calculations and the like using a processor and memory not shown in FIG. 3.
  • the diagnosis executor 23 has a function of diagnosing deterioration of the insulation performance of the motor 7 through this calculation.
  • the diagnosis executor 23 includes, for example, a memory unit 23a, a receiving unit 23b, a preprocessing unit 23c, an acquiring unit 23d, and a diagnosing unit 23e.
  • the memory unit 23a is a medium for storing information, and stores information necessary for diagnosis.
  • the memory unit 23a stores information on a prediction model.
  • the prediction model is a calculation model for inferring the remaining life from input information.
  • the prediction model is a life function showing the relationship between one or more parameters including information indicating the leakage current at the time of diagnosis and an estimated value of the cumulative elapsed time taking into account the deterioration of the insulation performance of the motor 7.
  • the information indicating the leakage current at the time of diagnosis is not limited to the detection value of the leakage current, but may also include a standard leakage current value described later or other information stored in the memory unit 23a, from which the detection value of the leakage current or the standard leakage current value can be calculated (for example, the amount of change in the leakage current from a base point).
  • a standard leakage current value described later for example, the amount of change in the leakage current from a base point.
  • the memory unit 23a may store, in the life function, an estimated value of the cumulative elapsed time corresponding to the upper management limit value of the detection value of the leakage current as the life elapsed time. That is, the memory unit 23a may store the cumulative elapsed time at which the leakage current detection value reaches the upper management limit as the lifetime elapsed time.
  • the memory unit 23a may store multiple lifetime functions as prediction model information. For example, the multiple lifetime functions differ from each other in function type, internal constant values, etc. In this case, the memory unit 23a may store the lifetime elapsed times corresponding to each of the multiple lifetime functions.
  • the memory unit 23a may store information on the detection value of the initial leakage current, which is the leakage current detected by the detector 22 at a base point.
  • the initial leakage current is a value detected immediately before the hoisting machine 6 including the motor 7 is shipped from the assembly factory as a base point.
  • the initial leakage current may be a value detected after the motor 7 is installed in the elevator device 2 and before it starts to operate in earnest as a base point.
  • the initial leakage current may be a value detected after a certain period of time has passed since the start of operation, such as when the first diagnostic work is performed, after the motor 7 is installed in the elevator device 2 and starts to operate in earnest as a base point.
  • the memory unit 23a may temporarily or permanently store the information received by the reception unit 23b.
  • the information received by the reception unit 23b may include a signal indicating the detection value of the leakage current including the initial leakage current from the detector 22, operation information of the elevator device 2, and information on the structural characteristics of the motor 7.
  • the reception unit 23b receives input of a signal indicating a detection value of the current from the detector 22.
  • the reception unit 23b may receive input of operation information of the elevator device 2 from the control panel 10.
  • the reception unit 23b may also receive input of information on the structural characteristics of the motor 7 from the control panel 10.
  • the reception unit 23b may receive input of measurement value information from the permanent measuring device 15.
  • the reception unit 23b may acquire operation information and information on the structural characteristics of the motor 7 from the control panel 10.
  • the reception unit 23b may also acquire measurement value information from the permanent measuring device 15.
  • the pre-processing unit 23c calculates the water vapor pressure value of the environment surrounding the motor 7 during the period when the measurement value was measured, based on the measurement value information from the permanent measuring device 15.
  • the water vapor pressure value is the partial pressure value of water vapor in the air calculated from the temperature and humidity of the air in the surrounding environment.
  • the water vapor pressure value may be the average value of the partial pressure of water vapor during the period when the measurement value was measured.
  • the preprocessing unit 23c normalizes the received detection value of the leakage current based on the information on the structural characteristics of the motor 7.
  • the information on the structural characteristics of the motor 7 may include, for example, the core length, which is the length of the core 7a in the direction of the rotation axis, the contact perimeter between the core 7a and the coil 7b for each slot, the number of slots corresponding to each of the coils 7b of the UVW phases in the motor 7, the thickness of the insulating layer of the coil 7b, and other information.
  • the preprocessing unit 23c uses the core length of the core 7a, the contact perimeter between the core 7a and the coil 7b for each slot, and the number of slots to calculate the total area in which the coil 7b is in contact with the core 7a in the measured phase.
  • the preprocessing unit 23c divides the detection value of the leakage current by the total area in which the coil 7b is in contact with the core 7a to calculate the leakage current per unit area, and sets the detection value of the normalized leakage current, which is the standard leakage current value.
  • the preprocessing unit 23c may also normalize the detection value of the initial leakage current stored in the memory unit 23a in the same manner as the detection value of the leakage current.
  • the acquisition unit 23d acquires information such as information stored in the memory unit 23a, information accepted by the acceptance unit 23b, and information acquired by the preprocessing unit 23c through calculation, and creates a dataset for input to the prediction model.
  • the dataset includes information corresponding to input parameters accepted by the prediction model, which are associated with each other.
  • the dataset includes a detection value of the initial leakage current and a detection value of the leakage current, which are associated with each other.
  • the dataset may include a standard initial leakage current value, which is a detection value of the normalized initial leakage current, in addition to or instead of the detection value of the initial leakage current.
  • the dataset may include a standard leakage current value, which is a detection value of the normalized leakage current, in addition to or instead of the detection value of the leakage current.
  • the dataset may include a difference value (i.e., a change amount) between the detection value of the initial leakage current and the detection value of the leakage current, in addition to or instead of the detection value of the initial leakage current and the detection value of the leakage current.
  • the data set may further include, in addition to or instead of the standard initial leakage current value and the standard leakage current value, a difference value (i.e., a change amount) between the standard initial leakage current value and the standard leakage current value.
  • the data set may further include a water vapor pressure value calculated by the preprocessing unit 23c in association with the detection value of the leakage current.
  • the data set may further include at least one of an average value of a voltage applied to the motor 7 while the motor 7 is in operation and the number of times the voltage is applied, in association with the detection value of the leakage current.
  • the data set may further include at least one of an average temperature of the motor 7 during operation, the number of times a thermal shock is applied to the motor 7, and an average temperature of the thermal shock when a thermal shock is applied to the motor 7, in association with the detection value of the leakage current.
  • the data set may further include at least one of a transition start temperature Tg of the resin, a degree of hydrolysis of the resin, a thermal decomposition start temperature Td of the resin, an average molecular weight of each molecule constituting the resin, and a dielectric constant of the resin, in association with the detection value of the leakage current, as physical properties of the resin constituting the insulating layer of the coil 7b.
  • the data set may further include at least one of the core length of the core 7a, the space factor of the coil 7b in the motor 7, and the wire diameter of the coil 7b in association with the detected value of the leakage current.
  • the diagnostic unit 23e uses the prediction model and the data set to output information for estimating the remaining lifespan.
  • the diagnostic unit 23e outputs the remaining lifespan itself as information for estimating the remaining lifespan.
  • the diagnostic unit 23e uses a prediction model to infer a pseudo-elapsed time that indicates the degree of deterioration of the insulation performance of the motor 7, and then outputs the remaining life.
  • the diagnostic unit 23e includes an inference unit 23f and a calculation unit 23g.
  • the inference unit 23f infers the pseudo elapsed time by inputting each input parameter generated based on the information included in the data set into the prediction model.
  • the prediction model here may be, for example, a life function indicating the relationship between one or more parameters including information indicating the leakage current at the time of diagnosis and an estimated value of the cumulative elapsed time taking into account the deterioration of the insulation performance of the motor 7.
  • the information indicating the leakage current at the time of diagnosis may be, for example, the detection value of the initial leakage current, the detection value of the leakage current, etc.
  • the information indicating the leakage current at the time of diagnosis may be the standard initial leakage current value, the standard leakage current value, the difference between the detection value of the initial leakage current and the detection value of the leakage current, the difference between the standard initial leakage current value and the standard leakage current value, etc.
  • the pseudo elapsed time is an estimate of the cumulative elapsed time corresponding to the input parameter in the life function. The pseudo elapsed time often differs from the cumulative elapsed time during which the motor 7 has actually operated.
  • the pseudo elapsed time is an index value indicating the degree to which the deterioration of the insulation performance of the motor 7 has progressed.
  • the inference unit 23f may select one of the life functions based on the input parameters included in the data set. Specifically, the inference unit 23f may select a life function to be used to infer the pseudo elapsed time using the water vapor pressure value included in the data set. For example, multiple value ranges in which the water vapor pressure value is divided into several ranges may be set in advance, and the diagnostic system 1 may store multiple life functions corresponding to the multiple value ranges, respectively.
  • the calculation unit 23g calculates and outputs the remaining lifespan, for example, by subtracting the pseudo-elapsed time inferred by the inference unit 23f from the lifespan elapsed time stored in the memory unit 23a.
  • the calculation unit 23g may calculate, for example, the ratio between the actual cumulative elapsed time and the pseudo elapsed time, and may consider the difference between the lifetime elapsed time and the pseudo elapsed time to be the remaining lifetime, taking into account the influence of this ratio. In this case, the calculation unit 23g calculates the increase/decrease rate, which is the ratio between the actual cumulative elapsed time and the pseudo elapsed time, that is, the increase/decrease rate of the deterioration rate relative to the actual elapsed time. The calculation unit 23g calculates the first remaining time by subtracting the pseudo elapsed time from the lifetime elapsed time.
  • the calculation unit 23g multiplies the first remaining time by the increase/decrease rate to calculate the second remaining time, and outputs the second remaining time as the remaining lifetime. Specifically, for example, if the pseudo elapsed time is 1.1 times the actual elapsed time, the calculation unit 23g considers the increase/decrease rate to be 1.1, and outputs the first remaining time multiplied by 1.1 as the remaining lifetime. Note that the calculation unit 23g may output the shorter of the first remaining time and the second remaining time as the remaining lifetime.
  • diagnosis unit 23e of the diagnosis executor 23 outputs the remaining life itself as information for estimating the remaining life using a prediction model.
  • the diagnostic system 1 may further include a first learning device 30.
  • the first learning device 30 is provided as one of the components of the information center device 12.
  • the first learning device 30 may generate a predictive model by performing a machine learning technique, for example, supervised learning.
  • the first learning device 30 includes a first model storage unit 30a, a first data acquisition unit 30b, and a first generation unit 30c.
  • the first model storage unit 30a stores information about the learned prediction model. For example, before a diagnostic operation is performed, information about the prediction model stored in the first model storage unit 30a is stored in advance in the storage unit 23a of the diagnostic device 20. In other words, the prediction model stored in the storage unit 23a is the same as the prediction model stored in the first model storage unit 30a.
  • the first data acquisition unit 30b acquires a first training data set for generating a predictive model from a first training database (not shown).
  • the first training database is stored in a storage medium provided in the information center device 12.
  • the first learning data set includes values measured in a deterioration test performed in advance, values set in the deterioration test, etc., which are associated with each other.
  • a model coil unit simulating a part of the core 7a and the coil 7b is placed under specified deterioration conditions, thereby accelerating the deterioration of the insulation performance of the model coil unit.
  • a test leakage current is measured in a test circuit including the model coil unit.
  • the test circuit is a circuit simulating a closed circuit formed during diagnostic work. A test voltage is applied to both ends of the model coil unit in the test circuit, and a test leakage current simulating a leakage current in a closed circuit flows in the test circuit.
  • the deterioration conditions may include multiple deterioration conditions for one item, each of which has a different setting value for that item. Specifically, for example, if the water vapor partial pressure is an item of the degradation condition, degradation tests are performed under multiple water vapor partial pressures, and multiple test leak currents corresponding to the multiple water vapor partial pressures are detected.
  • the first learning data set includes a detected value of an initial test leakage current and a detected value of a test leakage current in correspondence with each other.
  • the first learning data set may include a detected value of a normalized initial test leakage current instead of the detected value of the initial test leakage current.
  • the first learning data set may include a detected value of a normalized normalized test leakage current instead of the detected value of the test leakage current.
  • the first learning data set may further include a value of water vapor pressure in the surrounding environment of the model coil unit in correspondence with the detected value of the test leakage current as a degradation condition.
  • the first learning data set may further include at least one of an average value of the test voltage applied to the model coil unit and the number of times the test voltage is applied, in correspondence with the detected value of the test leakage current as a degradation condition.
  • the first learning data set may further include at least one of an average temperature of the model coil unit during the degradation test, the number of times the model coil unit is subjected to a thermal shock, and the average temperature of the thermal shock when the model coil unit is subjected to a thermal shock, in correspondence with the detected value of the test leakage current as a degradation condition.
  • the first learning data set may further include at least one of the transition start temperature Tg of the resin, the degree of hydrolysis of the resin, the thermal decomposition start temperature Td of the resin, the average molecular weight of each molecule constituting the resin, and the dielectric constant of the resin, as physical properties of the resin constituting the insulating layer of the model coil included in the model coil unit, in correspondence with the detected value of the test leakage current.
  • the first learning data set may further include at least one of the core length of the model core included in the model coil, the pseudo space factor of the model coil, and the wire diameter of the model coil, in correspondence with the detected value of the test leakage current, as conditions simulating the physical properties of the motor 7.
  • Table 1 For example, an example of a portion of the first learning dataset is shown in Table 1 below. In Table 1, ignored conditions are shown as blanks. In Table 1, some of the numerical values are expressed in exponential notation. Specifically, for example, 5.00E-12 means 5.00 ⁇ 10 ⁇ 12 .
  • each numerical value in the same row corresponds to one combination.
  • the first generator 30c learns a prediction model based on the first learning dataset acquired by the first data acquisition unit 30b. That is, the first generator 30c generates one or more life functions as a prediction model based on the first learning dataset. For example, the first generator 30c generates a life function that shows a graph that minimizes the distance to the relationship between each combination included in the first learning dataset. Note that such a learning algorithm executed by the first generator 30c may be a publicly known algorithm.
  • the first generator 30c stores information about the generated prediction model in the first model storage unit 30a.
  • FIG. 4 is a diagram showing an example of a life function stored in the diagnostic system according to the first embodiment.
  • Fig. 4 shows a graph G1 that represents the lifetime function in two dimensions, the value of the leakage current and the estimated cumulative elapsed time.
  • the vertical axis is the value of the leakage current.
  • the horizontal axis is the estimated cumulative elapsed time.
  • the lifetime function may be a function that can be expressed in an n-dimensional space corresponding to the input parameters, and Fig. 4 shows a graph of such a function expressed in a two-dimensional space.
  • Dotted line L1 is the upper management limit of the leakage current.
  • the estimated cumulative elapsed time on graph G1 that corresponds to the upper management limit of the leakage current is the lifetime elapsed time.
  • the estimated cumulative elapsed time on graph G that corresponds to I1 is the pseudo elapsed time.
  • the remaining lifetime is the period from the estimated pseudo elapsed time to lifetime operation.
  • FIGS. Fig. 5 is a side view of a model coil unit for acquiring data to be learned by the diagnostic system in embodiment 1.
  • Fig. 6 is a top view of a model coil unit for acquiring data to be learned by the diagnostic system in embodiment 1.
  • the model coil unit 40 is a coil of the same type as the core 7a and coil 7b that simulate the core 7a and coil 7b shown in Figure 2, for example.
  • a coil of the same type is a coil that is similar in shape to the core 7a and coil 7b.
  • a coil of the same type may also be a coil that has a space factor that is pseudo-equal to the space factor of the core 7a and coil 7b.
  • the model coil unit 40 includes a model core 41, a model coil 42, insulating paper 43, and a terminal 44.
  • the model coil unit 40 simulates two slots of the coil 7b and includes two model coils 42 with the same configuration.
  • the model core 41 is made of a material simulating the core 7a.
  • the model core 41 has a longitudinal core length Lc in the same direction as the core 7a.
  • the model coil 42 is made of a material simulating the coil 7b.
  • the model coil 42 is annular. Two sides of the model coil 42 are covered by the model core 41. In this way, the model coil unit 40 simulates a state in which the coil 7b is wound around the core 7a.
  • the two model coil units 40 are arranged side by side.
  • the insulating paper 43 is sandwiched between the parts of the two model coils 42 that are not covered by the model core 41.
  • the insulating paper 43 insulates the two model coils 42 from each other.
  • the terminals 44 are provided at positions simulating the measurement terminals 7c, 7d, and 7e not shown in Figures 5 and 6. The terminals 44 are electrically connected to the model coil 42.
  • the test circuit is formed by simulating a closed circuit.
  • the test detector is electrically connected to the terminal 44 and a part of the model core 41 so as to be able to apply a test voltage.
  • the test detector may have detection capability equal to or greater than that of the detector 22 not shown in Figs. 5 and 6.
  • the current value when the change in the current measured by the test detector per minute becomes 1 x 10 -11 [A] or less may be regarded as the detection value of the test leak current.
  • FIG. 7 is a diagram showing data obtained by changing the water vapor pressure in the degradation test performed for the diagnostic system in embodiment 1.
  • Fig. 8 is a diagram showing data on a thermal shock cycle in the degradation test performed for the diagnostic system in embodiment 1.
  • Fig. 9 is a diagram showing data obtained by changing the temperature condition in the degradation test performed for the diagnostic system in embodiment 1.
  • Fig. 10 is a diagram showing data obtained by changing the core length of the model core in the degradation test performed for the diagnostic system in embodiment 1.
  • Fig. 11 is a diagram showing data obtained by changing the contact area between the model core and the model coil in the degradation test performed for the diagnostic system in embodiment 1.
  • Figures 7 to 11 show graphs that show the relationship between the test leakage current and the change in time under each degradation condition.
  • the vertical axis is the test leakage current [A].
  • the horizontal axis represents the number of days of degradation [days] that have elapsed under given degradation conditions.
  • Point clouds 1, 2, 3, 4, 5, and 6 on the graph represent data for different water vapor pressures, which are degradation conditions.
  • Figure 7 shows that at a water vapor pressure above a certain level, the test leakage current increases in the relatively short period of three days. The increase in test leakage current indicates a deterioration in the insulation performance of model coil 42.
  • the horizontal axis is the number of thermal shock cycles [times], which means the number of times that a thermal shock was applied to the model coil unit 40.
  • the thermal shock conditions are the same for point group 1, point group 2, point group 3, and point group 4 on the graph.
  • Point group 1, point group 2, point group 3, and point group 4 on the graph each have a different initial test leakage current. It can be seen from Figure 8 that regardless of the initial test leakage current of the model coil unit 40 showing the model coil unit 40, the test leakage current increases when a thermal shock is applied.
  • the horizontal axis is the number of days of degradation that have elapsed under given degradation conditions.
  • Point clouds 1, 2, and 3 on the graph show data for different ambient temperatures, which are degradation conditions.
  • Figure 9 shows that the test leakage current increases above a certain temperature.
  • the horizontal axis is the core length [mm] of the model core 41.
  • the points on the graph show data for the same or different core lengths, which are test conditions.
  • Figure 10 shows that the test leakage current increases as the core length increases.
  • the vertical axis is in [nA].
  • the horizontal axis is the contact area [ m2 ] between the model core 41 and the model coil 42.
  • the points on the graph represent data with the same or different contact areas, which are test conditions. It can be seen from Fig. 11 that the larger the contact area, the higher the test leakage current.
  • FIGS. 12 to 14 are diagrams showing the transition of the current flowing in the test circuit in the degradation test carried out for the diagnostic system in the first embodiment.
  • Figures 12 to 14 are graphs showing the progression of the current value flowing through the test circuit.
  • the horizontal axis is the elapsed time [min].
  • the vertical axis is the test leakage current [A].
  • the change in the current value for one minute is approximately 1 ⁇ 10 ⁇ 11 [A] or less.
  • range 1 and range 2 in Table 2 are time ranges of about 10 minutes after the test voltage was applied. That is, it is desirable from the viewpoint of quantitativeness to use the change in the current value for one minute as the determination condition for the detection value of the test leak current, rather than the time after the test voltage was applied. It can also be seen that the change in the current value for one minute can be 1 ⁇ 10 ⁇ 11 [A] or less before 10 minutes have passed since the test voltage was applied.
  • the change in the current value for one minute as the determination condition being 1 ⁇ 10 ⁇ 11 [A] or less
  • the deterioration test can be performed efficiently.
  • the change in the current value for one minute as the determination condition being 7 ⁇ 10 ⁇ 12 [A] or less
  • the detection value of the test leak current can be determined more accurately.
  • the determination condition that the amount of change in the current value per minute is 5 ⁇ 10 ⁇ 12 [A] or less, it is possible to determine the detection value of the test leakage current with even greater accuracy.
  • the determination condition for the test leak current is applicable to the determination condition for the detection value of the leak current in the diagnostic work. Therefore, in the diagnostic work in the first embodiment, the determination condition for the detection value of the leak current is set to be that the change in the current value flowing through the closed circuit per minute is 1 ⁇ 10 ⁇ 11 [A] or less. Note that the determination condition for the detection value of the leak current may be set to be that the change in the current value per minute is 7 ⁇ 10 ⁇ 12 [A] or less. Note that the determination condition for the detection value of the leak current may be set to be that the change in the current value per minute is 5 ⁇ 10 ⁇ 12 [A] or less.
  • FIG. 15 is a flowchart for explaining an outline of the diagnostic work performed by the diagnostic system in the first embodiment.
  • the diagnostic work shown in FIG. 15 is initiated by an operator, for example, each time a regular inspection of the elevator device 2 is performed.
  • step S001 a closed circuit is formed by an operator. That is, the two detection terminals 21a and 21b are connected to the coil 7b and the grounded part of the motor 7, respectively.
  • the diagnostic device 20 is further connected to the control panel 10 and the permanent measuring device 15.
  • step S002 the diagnostic device 20 applies a diagnostic voltage to the motor 7.
  • the diagnostic device 20 obtains the detection value of the leakage current.
  • step S003 the diagnostic device 20 acquires information from the control panel 10 and the permanent measuring device 15.
  • step S004 the diagnostic device 20 calculates and outputs the remaining life. For example, the diagnostic device 20 displays the remaining life on a screen as output.
  • step S005 the workers collect each wire.
  • the diagnostic process then ends.
  • FIG. 16 is a flowchart for explaining an overview of the learning process performed by the first learning device of the diagnostic system in embodiment 1.
  • the learning process in FIG. 16 is executed, for example, by a maintenance worker at the information center 13.
  • step S101 the first data acquisition unit 30b acquires a first learning data set.
  • step S102 the first generation unit 30c generates a predictive model using the first training dataset.
  • the first generation unit 30c stores information about the prediction model generated in step S102 in the first model storage unit 30a.
  • the first learning device 30 ends the learning process.
  • FIG. 17 is a flowchart for explaining an outline of the operation performed by the diagnostic executer of the diagnostic system in the first embodiment.
  • the process shown in FIG. 17 corresponds to the process of step S004 in the flowchart of FIG. 15. In other words, the process shown in FIG. 17 starts after step S003 in the flowchart of FIG. 15.
  • step S201 the preprocessing unit 23c normalizes the detection value of the leak current from the acquired information.
  • step S202 the acquisition unit 23d creates a data set.
  • step S203 the inference unit 23f of the diagnosis unit 23e infers a pseudo-elapsed time from the data set and the prediction model.
  • step 204 the calculation unit 23g of the diagnosis unit 23e calculates the remaining life from the pseudo elapsed time and the life elapsed time.
  • the diagnostic executor 23 ends the process.
  • the diagnostic system 1 includes the reception unit 23b and the diagnostic unit 23e.
  • the diagnostic unit 23e outputs information for estimating the remaining life due to the insulation performance of the motor 7 based on the prediction model.
  • the diagnostic unit 23e outputs the remaining life itself as information for estimating the remaining life.
  • the prediction model is a model for inferring the remaining life based on a data set that includes an initial leakage current and a detected value of the leakage current in correspondence with each other. The remaining life is output by using the prediction model. Therefore, it is possible to estimate the life time when the motor 7 needs to be replaced. In addition, it is possible to improve the accuracy of predicting the life due to the insulation performance of the motor 7.
  • the initial leakage current and the leakage current can be measured even in a motor of a low voltage standard in which partial discharge is not expected to occur by design. That is, the remaining life can be estimated based on the inspection items of the non-destructive inspection without disassembling a motor of such a standard. Therefore, it is possible to precisely diagnose the deterioration of the insulation performance without affecting the performance during operation of the motor 7.
  • the diagnostic system 1 can also be applied to a motor in which partial discharge is expected to occur by design.
  • the diagnostic system 1 of the present disclosure will function as long as it is equipped with the above-mentioned configurations of the reception unit 23b and diagnosis unit 23e.
  • the configurations described below are additional configurations and are not necessarily required for the diagnostic system 1 of the present disclosure.
  • the diagnostic system 1 may have an inference unit 23f and a calculation unit 23g.
  • the prediction model is a learned model that indicates a lifespan function.
  • the calculation unit 23g calculates the remaining lifespan from the pseudo elapsed time output by the inference unit 23f. This makes it possible to improve the accuracy of predicting the remaining lifespan while utilizing an existing lifespan function.
  • the diagnostic unit 23e may output a life function based on the prediction model as information for estimating the remaining life.
  • an operator may calculate the remaining life by applying input parameters such as the upper management limit value of the detection value of the leakage current to the outputted life function.
  • the diagnostic unit 23e may also output information such as the recommended replacement time calculated based on the remaining life as information for estimating the remaining life. Even in these cases, it is possible to estimate the end of life at which the motor 7 needs to be replaced.
  • the receiving unit 23b may receive an input of a measurement value for calculating the water vapor pressure in the environment surrounding the motor 7.
  • the diagnostic unit 23e may output information for estimating the remaining life using a data set that includes water vapor pressure values in correspondence with detected values of leakage current. This can improve the accuracy of predicting the remaining life.
  • the diagnostic system 1 may further include a detector 22.
  • the detector 22 is capable of detecting a leakage current of 1 ⁇ 10 ⁇ 7 [A] or less, thereby improving the prediction accuracy of information for estimating the remaining life.
  • the detection value of the leak current may be the current value when the change per minute is 1 ⁇ 10 ⁇ 11 [A] or less.
  • the current flowing through the closed circuit has been considered to have reached equilibrium depending on the time since the voltage was applied.
  • the value at which the current is considered to have reached equilibrium can be determined more accurately than in the past.
  • the current can be considered to have reached equilibrium in a shorter time than in the past, improving the efficiency of the diagnostic work.
  • the diagnostic system 1 may further include a pre-processing unit 23c.
  • the pre-processing unit 23c normalizes the detected value of the leakage current.
  • the diagnostic unit 23e outputs information for estimating the remaining life based on the standard leakage current value.
  • the remaining life is predicted for multiple motors with different model numbers so that the influence of differences due to the structural characteristics of each motor is reduced.
  • the accuracy of the prediction of the remaining life can be improved.
  • the prediction model can be applied to motors of various structures.
  • the diagnostic system 1 may also include a first learning device 30, which is a learning device.
  • the first learning device 30 generates a prediction model using data obtained from a degradation test that simulates the motor 7 of an actual machine. This allows a large amount of data to be used when creating a prediction model. Data obtained from degradation tests under various conditions can be reflected in the prediction model. By using the prediction model, it becomes possible to output information for estimating the end of life period at which the motor 7 will need to be replaced. As a result, the prediction accuracy of the prediction model can be improved.
  • the first learning dataset may also include a value for water vapor pressure, which is a degradation condition.
  • the impact of degradation of insulation performance due to water vapor pressure is greater than the impact of other indicators. This can further improve the prediction accuracy of the prediction model.
  • the first learning data set may also include the value of the test voltage applied to the model coil 42. This can further improve the prediction accuracy of the prediction model.
  • the first learning data set may also include at least one of items attributable to the material properties of the insulating layer, items pseudo-attributable to the structural properties of the motor 7, and items related to degradation conditions. This allows the diagnostic system 1 to be applied to motors 7 made of different materials, structures, etc.
  • the receiving unit 23b of the diagnosis executor 23 may determine the leakage current detection value from the amount of change in the leakage current value, instead of the detector 22. That is, in this case, the detector 22 may transmit a signal indicating the detected current value to the diagnosis executor 23 at a specified period.
  • the receiving unit 23b may adopt the current value when the amount of change in the leakage current value per minute becomes 1 ⁇ 10 ⁇ 11 [A] or less, as the leakage current detection value.
  • the detection value of the leak current detected by the detector 22 may be input directly to the diagnostic executor 23 via an input interface provided in the diagnostic device 20.
  • a value corrected to correspond to the environment in which the detected value of the leakage current is detected may be used as the detected value of the leakage current.
  • the environment in which the detected value is detected includes the temperature, humidity, etc., around the detector 22 during the diagnostic work.
  • the memory unit 23a may store an upper limit management value of the detection value of the leakage current corresponding to a life function instead of the elapsed life.
  • the calculation unit 23g may calculate the elapsed life by using the life function and the upper limit management value of the detection value of the leakage current when calculating the remaining life.
  • the detection value of the leakage current per insulating layer thickness may be used as the standard leakage current value.
  • the prediction model is not limited to the examples described above, but may be a trained model obtained by machine learning that indicates the relationship between one or more parameters including information indicating the leakage current at the time of diagnosis and an estimated cumulative elapsed time taking into account the degree of deterioration of the insulation performance of the motor 7, or the relationship between the one or more parameters and the remaining lifespan in terms of the insulation performance of the motor from which the leakage current was detected.
  • the information that may be included in the data set described above may be used not only as an input data set to the prediction model, but also as information for selecting a prediction model to be used from among a plurality of prediction models, and may also be used as information for correcting an input data set including a detection value of the leak current.
  • the expression "data set to be input to the prediction model" in the description of the present disclosure may be appropriately read as "data set to be input to the diagnosis unit 23e".
  • the information that may be included in the data set includes information such as the detection value of the initial leak current, the standard initial leak current value, the detection value of the leak current, the standard leak current value, the value of the water vapor pressure, the average value of the voltage applied to the motor 7 during operation, the number of times the voltage is applied, the average temperature of the atmosphere, the number of times of thermal shock, the average temperature of the thermal shock, the transition start temperature Tg of the resin that forms the insulating layer of the coil, the degree of hydrolysis of the resin, the thermal decomposition start temperature Td of the resin, the average molecular weight of each constituent molecule of the resin, the dielectric constant of the resin, the core length, occupancy rate, and wire diameter of the motor coil.
  • FIG. 18 is a block diagram of a modified example of the diagnostic system in the first embodiment.
  • the inference unit 23f infers the remaining life from the data set and outputs the inference as information for estimating the remaining life. Therefore, as shown in FIG. 18, in the modified example, the calculation unit 23g does not need to be provided.
  • the prediction model is a trained model that outputs a corresponding remaining lifespan from a dataset.
  • the dataset may include the same information as in the first embodiment. Therefore, the inference unit 23f infers the remaining lifespan indicated in the prediction model by inputting each input parameter included in the dataset into the prediction model. The diagnosis unit 23e outputs the remaining lifespan itself as information for estimating the remaining lifespan.
  • the first learning data set created in the first learning device 30 further includes a remaining life in association with the detected value of the leak current.
  • the remaining life calculated individually from each numerical condition is stored in the first learning database in association with the numerical condition.
  • the remaining life may be calculated based on a method similar to that performed by the calculation unit 23g in the first embodiment.
  • the first learning device 30 generates a predictive model using the first learning dataset by so-called supervised learning.
  • the learning process performed by the first learning device 30 is similar to the learning process shown in FIG. 16.
  • FIG. 19 is a diagram showing an example of a learning algorithm using a neural network model used in the modified example of the diagnostic system in the first embodiment.
  • a neural network model may be used in the learning algorithm. That is, the first generation unit 30c learns the remaining lifespan according to the neural network model by so-called supervised learning.
  • supervised learning refers to a method of providing a first learning data set, which is a set of input and result data, to the first learning device 30, learning the features in the first learning data set, and inferring the result from the input.
  • a neural network is composed of an input layer consisting of multiple neurons, an intermediate layer consisting of multiple neurons, and an output layer consisting of multiple neurons.
  • the intermediate layer is also called the hidden layer, and there may be one layer or two or more layers.
  • the neural network learns a prediction model by so-called supervised learning according to a first learning data set created based on a combination of each value acquired by the first data acquisition unit 30b and the remaining lifespan. That is, the neural network learns by adjusting the weights W1 and W2 so that the result output by inputting each value into the input layer approaches the remaining lifespan.
  • FIG. 20 is a flowchart for explaining an outline of the operation performed by the diagnostic executing unit of the modified diagnostic system in the first embodiment.
  • the process shown in FIG. 20 corresponds to the process of step S004 in the flowchart of FIG. 15. In other words, the process shown in FIG. 20 starts after step S003 in the flowchart of FIG. 15.
  • step S301 the preprocessing unit 23c normalizes the detection value of the leak current from the acquired information.
  • step S302 the acquisition unit 23d creates a data set.
  • step S303 the inference unit 23f of the diagnosis unit 23e infers the remaining life from the data set.
  • the diagnostic executor 23 ends the process.
  • the diagnostic system 1 has an inference unit 23f included in the diagnosis unit 23e.
  • the prediction model outputs the remaining lifespan itself as information for estimating the remaining lifespan.
  • the diagnostic system 1 can make highly accurate predictions of the remaining lifespan with low calculation costs.
  • the information for outputting the remaining lifespan may be other information than the remaining lifespan.
  • the first learning dataset includes the other information as data to be output instead of the remaining lifespan.
  • Supervised learning may be performed with the other information as data to be output instead of the remaining lifespan.
  • FIG. 21 is a diagram showing the hardware configuration of the diagnostic executing unit of the diagnostic system according to the first embodiment.
  • Each function of the diagnostic executor 23 may be realized by a processing circuit.
  • the processing circuit includes at least one processor 100a and at least one memory 100b.
  • the processing circuit includes at least one dedicated hardware 200.
  • each function of the diagnostic executor 23 is realized by software, firmware, or a combination of software and firmware. At least one of the software and firmware is written as a program. At least one of the software and firmware is stored in at least one memory 100b. At least one processor 100a realizes each function of the diagnostic executor 23 by reading and executing the program stored in at least one memory 100b. At least one processor 100a is also called a central processing unit, processing unit, arithmetic unit, microprocessor, microcomputer, or DSP.
  • At least one memory 100b is a non-volatile or volatile semiconductor memory such as RAM, ROM, flash memory, EPROM, EEPROM, etc., a magnetic disk, a flexible disk, an optical disk, a compact disk, a mini disk, a DVD, etc.
  • the processing circuitry may be implemented, for example, as a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC, an FPGA, or a combination of these.
  • each function of the diagnostic executor 23 may be implemented by a processing circuit.
  • each function of the diagnostic executor 23 may be implemented collectively by a processing circuit.
  • the functions of the diagnostic executor 23 may be realized by dedicated hardware 200, and the other parts may be realized by software or firmware.
  • the functions executed by the preprocessing unit 23c may be realized by a processing circuit as the dedicated hardware 200, and functions other than the functions executed by the preprocessing unit 23c may be realized by at least one processor 100a reading and executing a program stored in at least one memory 100b.
  • the processing circuit realizes each function of the diagnostic executor 23 by hardware 200, software, firmware, or a combination of these.
  • the calculations of the processing circuit may not only be realized by a processing circuit provided in one location, but may also be realized by processing circuits provided in multiple locations that function together via a network or the like.
  • a so-called cloud server realized in this way may be configured to realize calculations equivalent to those of the processing circuit.
  • the functions of the memory unit 23a, the preprocessing unit 23c, and the acquisition unit 23d may be realized in an information center device 12 connected to the diagnostic executor 23 via a network or the like. That is, the information center device 12 may have the memory unit 23a, the preprocessing unit 23c, and the acquisition unit 23d.
  • each function of the control panel 10, each function of the information center device 12, each function of the detector 22, and each function of the first learning device 30 are also realized by processing circuits equivalent to the processing circuits that realize each function of the diagnostic executor 23.
  • FIG. 22 is a block diagram showing another example of a diagnostic system in the first embodiment. As shown in FIG. 22, if the remaining life span is inferred by a predictive model in the diagnostic system 1, the diagnostic system 1 does not need to include the first learning device 30.
  • Embodiment 2. 23 is a block diagram of a diagnostic system in embodiment 2. Note that the same reference numerals are used to designate parts that are the same as or correspond to parts in embodiment 1. Explanation of these parts will be omitted.
  • the diagnostic executor 23 is provided in the information center 13.
  • the diagnostic executor 23 is part of the function of the information center device 12.
  • the diagnostic device 20 is equipped with a detector 22. During diagnostic work, an operator uses the detector 22 to detect leak current. For example, based on a command from the diagnostic device 20, the remote monitoring device 11 transmits to the information center device 12 information on the detected leak current and its time progression, operation information stored in the control panel 10, and information on the measurement results stored in the permanent measuring device 15.
  • the diagnosis executor 23 of the information center device 12 calculates the remaining life in the same manner as in embodiment 1. For example, the calculation result of the remaining life may be notified to a maintenance person at the information center 13.
  • the information on the measurement results of the detector 22 may be sent directly to the information center device 12 after the worker returns to the information center 13, rather than via the remote monitoring device 11.
  • the diagnosis executor 23 does not have to be provided in the diagnostic device 20. Even in this case, the diagnostic system 1 includes the reception unit 23b and the diagnosis unit 23e. Therefore, the remaining life prediction accuracy can be improved in the diagnostic system 1, regardless of the location where the diagnosis executor 23 is provided.
  • the prediction model and configuration of the diagnostic unit 23e of the first embodiment may be applied to the diagnostic system 1 of the second embodiment.
  • Embodiment 3. 24 is a block diagram of a diagnostic system in embodiment 3. Note that the same reference numerals are used to designate parts that are the same as or correspond to parts in embodiment 1 or embodiment 2. Explanation of these parts will be omitted.
  • the diagnostic system 1 further includes a second learning device 50.
  • the second learning device 50 is provided inside the diagnostic device 20.
  • the second learning device 50 updates the prediction model using information on the detected value of the leak current, information measured by the permanent measuring device 15, and operation information of the elevator device 2, and generates an updated prediction model.
  • the second learning device 50 includes a second model storage unit 50a, a second data acquisition unit 50b, and a second generation unit 50c.
  • the second model storage unit 50a stores information about the prediction model.
  • the prediction model stored in the second model storage unit 50a may be the prediction model before the update or the prediction model after the update.
  • the second data acquisition unit 50b acquires information on the leakage current detection value from the diagnosis executor 23, information measured by the permanent measuring device 15, and operation information of the elevator device 2. At this time, the second data acquisition unit 50b may also acquire information on the data set. The second data acquisition unit 50b creates a second learning data set based on the acquired information.
  • the second learning data set includes at least one of the leakage current detection value used in the immediately preceding diagnosis by the diagnosis executor 23, the water vapor pressure value based on the measurement results of the permanent measuring device 15, and the operation information, which are associated with the leakage current detection value at the time of diagnosis.
  • the second learning data set may include at least one of the number of starts of the motor 7, the start time of the motor 7, the cumulative operating time of the motor 7, and the cumulative traveling distance of the car 8, which are associated with the leakage current detection value at the time of diagnosis.
  • the second learning data set may further include information of the data set used in the immediately preceding diagnosis, which is associated with the leakage current detection value at the time of diagnosis.
  • the second generating unit 50c updates the prediction model by learning the prediction model based on the second learning data set acquired by the second data acquiring unit 50b. That is, one or more life functions are newly generated as the prediction model based on the second learning data set. For example, the function parameters of the life functions are adjusted.
  • the learning algorithm executed by the second generating unit 50c may be a publicly known algorithm.
  • the second generating unit 50c stores information about the updated prediction model in the second model storage unit 50a as the updated prediction model.
  • the diagnosis executor 23 obtains information on the updated prediction model from the second learning device 50 and rewrites the prediction model stored in the memory unit 23a to the updated prediction model.
  • the diagnosis unit 23e of the diagnosis executor 23 outputs information for estimating the remaining life using the updated prediction model generated by the second generation unit 50c. For example, the diagnosis unit 23e outputs the remaining life itself using the updated prediction model.
  • 25 to 27 are diagrams showing the relationship between the operation performance and leakage current measured in the motor of a hoist in a typical elevator system.
  • the 25 is a graph showing the relationship between the measurement time and the unit area leakage current measured for multiple hoist motors in a typical elevator system.
  • the vertical axis is the unit area leakage current, which is the detection value of the leakage current per contact area between the motor core and coil.
  • the unit of the unit area leakage current is [nA]/[ m2 ].
  • the detection value of the leakage current was measured by the same method as in the first embodiment.
  • the horizontal axis is the running time of the car run by the hoist.
  • the unit of the running time is [hours].
  • FIG. 26 is a graph showing the relationship between the number of years elapsed and the leakage current per unit area for motors similar to those shown in FIG. 25.
  • the vertical axis is the leakage current per unit area.
  • the horizontal axis is the number of years elapsed since the motor was installed. From FIG. 26, no clear correlation is seen between the number of years elapsed and the value of the leakage current per unit area.
  • FIG. 27 is a graph showing the relationship between the travel distance and the leakage current per unit area measured for motors similar to those shown in FIG. 25.
  • the vertical axis is the leakage current per unit area.
  • the horizontal axis is the cumulative travel distance of the car traveled by the motor.
  • the unit of travel distance is [thousand km]. From FIG. 27, it can be seen that there is a correlation in which the value of the leakage current per unit area increases as the travel distance increases.
  • the second learning data set includes operation information including the cumulative travel distance of car 8.
  • the value of the leakage current per unit area has a weak correlation with the number of years that have passed. For this reason, it is believed that the motor rotation speed has a large effect on the increase in the value of the leakage current per unit area, i.e., the deterioration of the insulation performance. It is believed that the higher the average value of the motor rotation speed, the faster the deterioration of the insulation performance progresses.
  • the motor rotation speed is affected by the output power [W].
  • the output power is proportional to the output current.
  • the first learning data set may include at least one of the average value of the voltage applied to the model coil unit and the number of times it is applied as a deterioration condition. This deterioration condition is set in order to simulate the effect of the output current on the deterioration of the insulation performance by applying a voltage to the model coil 42 and passing a current.
  • FIG. 28 is a flowchart for explaining an overview of the learning process performed by the second learning device of the diagnostic system in embodiment 3.
  • the learning process in FIG. 28 is executed, for example, by the worker who performed the diagnostic work. After performing the diagnostic work, the worker inputs a command to start the learning process.
  • step S401 the second data acquisition unit 50b acquires a second learning data set.
  • step S402 the second generation unit 50c generates a predictive model using the second learning dataset.
  • step S403 the second generation unit 50c stores information about the prediction model generated in step S402 in the second model storage unit 50a.
  • the second learning device 50 ends the learning process.
  • the diagnostic system 1 may further include a second learning device 50.
  • the second learning device 50 updates the prediction model using a second learning data set in which the operation information of the elevator device 2 is associated with the leakage current.
  • the diagnostic unit 23e outputs information for estimating the remaining life based on the updated prediction model. Therefore, the remaining life can be predicted based on the actual degree of deterioration of the motor 7. As a result, the accuracy of the prediction of the remaining life can be improved.
  • the second learning device 50 may generate an updated prediction model for a motor installed in an elevator device other than the motor 7, which is different from the updated prediction model corresponding to the motor 7.
  • the prediction model in the diagnostic system 1 of embodiment 3 may output information for estimating the remaining lifespan, similar to the prediction model in the modified example of embodiment 1.
  • the second data acquisition unit 50b acquires information on the remaining lifespan corresponding to the leakage current from the diagnostic executor 23, and creates a second learning data set that includes the remaining lifespan in association with the detected value of the leakage current.
  • the second generation unit 50c generates an updated prediction model that outputs the remaining lifespan.
  • Embodiment 4. 29 is a block diagram of a diagnostic system in embodiment 4. Note that the same reference numerals are used to designate parts that are the same as or correspond to parts in any of embodiments 1, 2, and 3. Explanation of these parts will be omitted.
  • the first learning device 30 has the function of the second learning device 50 in the third embodiment. For example, after the worker diagnoses the motor 7 and returns to the information center 13, the worker causes the first learning device 30 to perform a learning process. At this time, the worker may connect the diagnostic device 20 to the information center device 12.
  • the first model storage unit 30a stores the prediction model before or after the update.
  • the first data acquisition unit 30b creates a second learning data set similar to that in the third embodiment. At this time, the first data acquisition unit 30b acquires the information used by the diagnosis executor 23 for diagnosis by directly connecting to the diagnosis device 20 or via the remote monitoring device 11.
  • the first generator 30c generates a prediction model in a manner similar to that of the second generator 50c in the third embodiment.
  • the first generator 30c then stores the updated prediction model in the first model storage unit 30a.
  • the first learning device 30 performs the same learning process as the second learning device 50 in the third embodiment. In other words, the worker does not need to carry an additional second learning device 50. As a result, the workability of the diagnostic work can be improved.
  • the diagnostic system disclosed herein can be used for diagnostic work on elevator equipment.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)

Abstract

モータの交換が必要となる寿命時期を推定することができる診断システムおよび学習装置を提供する。診断システムは、モータの絶縁性能の劣化を診断するための診断システムであって、モータのコイルとモータの接地部分とを含む閉回路に流されたリーク電流の検出値の入力を受け付ける受付部と、基点となる時点で検出されたリーク電流である初期リーク電流の検出値および受付部で受け付けたリーク電流の検出値が対応付けられて含まれるデータセット、並びにデータセットからモータの絶縁性能による余寿命を推論するための予測モデル、を用いて余寿命を推定するための情報を出力する診断部と、を備えた。

Description

診断システムおよび学習装置
　本開示は、診断システムおよび学習装置に関する。
　特許文献１は、モータの絶縁性能を診断する絶縁診断装置を開示する。当該絶縁診断装置が用いられることで、絶縁抵抗値とリーク電流とｔａｎδの測定値とに基づいてモータの絶縁性能が統合的に評価され得る。
日本特開平３－１６３３６８号公報
　しかしながら、特許文献１に記載の絶縁診断装置において、絶縁性能が今後どのように変化するかは定量的には評価され得ない。このため、絶縁性能の観点からモータの交換が必要となる寿命時期までは評価することができない。
　本開示は、上述の課題を解決するためになされた。本開示の目的は、モータの交換が必要となる時期を推定することができる診断システムおよび学習装置を提供することである。
　本開示に係る診断システムは、モータの絶縁性能の劣化を診断するための診断システムであって、モータのコイルとモータの接地部分とを含む閉回路に流されたリーク電流の検出値の入力を受け付ける受付部と、基点となる時点で検出されたリーク電流である初期リーク電流の検出値および受付部で受け付けたリーク電流の検出値が対応付けられて含まれるデータセット、並びにデータセットからモータの絶縁性能による余寿命を推論するための予測モデル、を用いて余寿命を推定するための情報を出力する診断部と、を備えた。
　本開示に係る学習装置は、モータのコイルとモータの接地部分とを含む閉回路の電気的な特性からモータの絶縁性能による余寿命を推論するための予測モデルを生成する学習装置であって、モータのコイルを模擬したモデルコイルを用いて、閉回路を模擬した試験回路に流された初期試験リーク電流の検出値と、初期試験リーク電流の検出後であってモデルコイルに対して規定の劣化条件のもとで劣化試験が行われた後に試験回路に流された試験リーク電流の検出値と、が対応付けられて含まれた第１学習用データセットを取得するデータ取得部と、第１学習用データセットを用いて、閉回路において基点となる時点で流された初期リーク電流の検出値と閉回路に流されたリーク電流の検出値とが対応付けられて含まれるデータセットから、モータの余寿命を推論するための学習済モデルである予測モデルを生成する生成部と、を備えた。
　本開示によれば、予測モデルが利用されることで余寿命を推定するための情報が出力される。このため、モータの交換が必要となる寿命時期を推定することができる。
実施の形態１における診断システムが適用されるモータが設置されたエレベーター装置の概要を示す図である。 実施の形態１における診断システムが適用されるモータと診断装置とを示す図である。 実施の形態１における診断システムのブロック図である。 実施の形態１における診断システムに記憶された寿命関数の一例を示す図である。 実施の形態１における診断システムで学習されるデータを取得するためのモデルコイルユニットの側面図である。 実施の形態１における診断システムで学習されるデータを取得するためのモデルコイルユニットの上面図である。 実施の形態１における診断システムのために行われる劣化試験のうち水蒸気圧を変化させたデータを示す図である。 実施の形態１における診断システムのために行われる劣化試験のうち熱衝撃サイクルについてのデータを示す図である。 実施の形態１における診断システムのために行われる劣化試験のうち温度条件を変化させたデータを示す図である。 実施の形態１における診断システムのために行われる劣化試験のうちモデルコアのコア長を変化させたデータを示す図である。 実施の形態１における診断システムのために行われる劣化試験のうちモデルコアとモデルコイルとの接触面積を変化させたデータを示す図である。 実施の形態１における診断システムのために行われる劣化試験において試験回路に流れた電流の推移を示す図である。 実施の形態１における診断システムのために行われる劣化試験において試験回路に流れた電流の推移を示す図である。 実施の形態１における診断システムのために行われる劣化試験において試験回路に流れた電流の推移を示す図である。 実施の形態１における診断システムによって行われる診断作業の概要を説明するためのフローチャートである。 実施の形態１における診断システムの第１学習装置が行う学習処理の概要を説明するためのフローチャートである。 実施の形態１における診断システムの診断実行器が行う動作の概要を説明するためのフローチャートである。 実施の形態１における診断システムの変形例のブロック図である。 実施の形態１における診断システムの変形例で用いられるニューラルネットワークモデルを利用した学習アルゴリズムの例を示す図である。 実施の形態１における診断システムの変形例の診断実行器が行う動作の概要を説明するためのフローチャートである。 実施の形態１における診断システムの診断実行器のハードウェア構成図である。 実施の形態１における診断システムの別の例を示すブロック図である。 実施の形態２における診断システムのブロック図である。 実施の形態３における診断システムのブロック図である。 一般的なエレベーター装置における巻上機のモータで測定された運行実績とリーク電流との関係を示す図である。 一般的なエレベーター装置における巻上機のモータで測定された運行実績とリーク電流との関係を示す図である。 一般的なエレベーター装置における巻上機のモータで測定された運行実績とリーク電流との関係を示す図である。 実施の形態３における診断システムの第２学習装置が行う学習処理の概要を説明するためのフローチャートである。 実施の形態４における診断システムのブロック図である。
　本開示を実施するための形態について添付の図面に従って説明する。なお、各図中、同一または相当する部分には同一の符号が付される。当該部分の重複説明は適宜に簡略化ないし省略される。
実施の形態１．
　図１は実施の形態１における診断システムが適用されるモータが設置されたエレベーター装置の概要を示す図である。図２は実施の形態１における診断システムが適用されるモータと診断装置とを示す図である。
　図１には、診断システム１が適用される対象の一例として、エレベーター装置２が示される。エレベーター装置２は、建築物３に設けられる。昇降路４は、建築物３の各階を貫く。機械室５は、昇降路４の直上に設けられる。巻上機６は、機械室５の内部に設けられる。モータ７は、巻上機６に設けられる。モータ７は、回転機として、巻上機６の綱車を駆動する。かご８は、昇降路４の内部において主ロープ９に吊られる。かご８は、巻上機６の駆動によって、昇降路４の内部を昇降移動する。
　制御盤１０は、機械室５に設けられる。制御盤１０は、モータ７を含むエレベーター装置２を全体的に制御し得る。制御盤１０は、モータ７の型番情報、エレベーター装置２の運行情報、等の情報を記憶する。遠隔監視装置１１は、機械室５に設けられる。遠隔監視装置１１は、制御盤１０から運行情報等の情報を取得し、記憶する。情報センター装置１２は、建築物３から離れた場所に存在する情報センター１３に設けられる。例えば、情報センター１３は、エレベーター装置２の保守会社の建物である。情報センター装置１２は、遠隔監視装置１１からネットワーク１４を介して情報を取得する。情報センター装置１２は、取得した情報に基づいてエレベーター装置２の状態を把握し得る。なお、エレベーター装置２は、機械室５が設けられない種類であってもよい。この場合、例えば、巻上機６、制御盤１０および遠隔監視装置１１は、昇降路４の内部等の機械室５ではない場所に設けられてもよい。
　診断システム１は、例えば、常設測定器１５を更に備えてもよい。常設測定器１５は、機械室５に設けられる。特に、常設測定器１５は、モータ７の周辺に設けられる。常設測定器１５は、巻上機６に取り付けられてもよい。常設測定器１５は、モータ７の周辺環境として、空気の温度、湿度、等を測定する。常設測定器１５は、モータ７が稼働している期間の測定値を記憶する。なお、上記はあくまで一例であり、診断システム１が備える測定器は、常設であるか否かに限定されない。
　エレベーター装置２において、１か月毎などの規定の周期で、定期的に保守作業が行われる。保守作業は、エレベーター装置２の保守会社に所属する作業員によって行われる。例えば、保守作業において、モータ７の絶縁性能についての診断作業が行われる。
　図２は、診断作業で診断されるモータ７の回転軸に垂直な断面を示す。例えば、モータ７は、三相交流電流によって駆動するモータである。特に、モータ７は、運転中に部分放電が発生することが想定されていない低電圧モータであってもよい。
　なお、モータ７は、診断システム１が適用され得るモータの一例である。このため、診断システム１は、エレベーター装置２の巻上機６に適用されるモータでなくてもよいし、コイルとコアとに電流が流されることで磁界が発生するモータであれば図２に示されるモータ７の構造を有さなくてもよい。
　モータ７は、固定子として、コア７ａとコイル７ｂとを備える。コイル７ｂは、スロットを１つの構造単位として、コア７ａの周囲に巻回されている。図示されないが、コイル７ｂは、Ｕ相、Ｖ相、Ｗ相の３相のコイルを含む。モータ７には、図示されない商用電源から三相交流電流が供給される。当該三相交流電流がＵ相、Ｖ相、Ｗ相のコイル７ｂにそれぞれ流されることで、図示されない回転子である永久磁石が回転する。このようにしてモータ７が駆動する。
　モータ７には、３つの測定端子７ｃ、７ｄ、７ｅが設けられる。測定端子７ｃは、Ｕ相のコイル７ｂに電気的に接続される。測定端子７ｄは、Ｖ相のコイル７ｂに電気的に接続される。測定端子７ｅは、Ｗ相のコイル７ｂに電気的に接続される。
　診断システム１は、診断装置２０を更に備える。診断装置２０は、２つの検出端子２１ａ、２１ｂを備える。例えば、診断装置２０は作業員に持ち運ばれることが可能な形状である。診断作業において、診断装置２０は、制御盤１０および常設測定器１５と通信可能に接続される。診断作業において、検出端子２１ａは、モータ７における３つの測定端子７ｃ、７ｄ、７ｅのうちの１つに電気的に接続される。検出端子２１ｂは、モータ７を支持する基台７ｆに電気的に接続される。基台７ｆは、モータ７の内部の電気回路における接地部分に相当する。
　診断作業において、診断装置２０と接地部分である基台７ｆとＵＶＷ相のうちのいずれかの相のコイル７ｂとが含まれる直列の閉回路が形成される。作業員は、閉回路が形成された後、診断電圧が印加されるように診断装置２０を操作する。診断装置２０は、診断電圧として検出端子２１ａと検出端子２１ｂとの間に１０００［Ｖ］の直流電圧を印加する。なお、診断電圧は、１６００［Ｖ］以下の直流電圧、より好ましくは１０００［Ｖ］以下の直流電圧であればよい。
　診断装置２０は、診断電圧によって閉回路に流れる電流である直流のリーク電流の値を検出する。診断装置２０は、常設測定器１５に記憶された測定値の情報を取得する。診断装置２０は、制御盤１０からモータ７の稼働情報を含むエレベーター装置２の運行情報を取得する。診断装置２０は、例えば、検出したリーク電流の値（以下、リーク電流の検出値とも呼称する）、常設測定器１５から取得した測定値の情報、および制御盤１０から取得した運行情報を用いて、モータ７の絶縁性能の劣化を診断する。なお、診断装置２０が診断に用いる情報には、少なくとも検出したリーク電流の値の情報が含まれていればよい。診断装置２０は、当該診断の結果として、絶縁性能が管理水準を下回るまでに残された期間である絶縁性能による余寿命を演算する。例えば、診断装置２０は、演算した余寿命を図示されない表示装置に表示することで、余寿命を作業員に報知する。なお、診断装置２０は、ネットワーク等を介して、図２には図示されない情報センター装置１２に対して演算した余寿命の情報を送信してもよい。図２には図示されない情報センター１３では、診断装置２０から送信された情報を基に、余寿命に応じたモータ７の交換計画が策定されてもよい。その後、作業員は、ＵＶＷ相のうち、まだ診断していない相のコイル７ｂに対して同様の診断作業を行う。全ての相のコイル７ｂに対して診断が行われた場合、作業員は、２つの検出端子２１ａ、２１ｂを取り外し、診断作業を終了する。
　次に、図３を用いて、診断システム１を説明する。
　図３は実施の形態１における診断システムのブロック図である。なお、図３では、コア７ａとコイル７ｂとの図示が省略される。
　図３に示されるように、診断装置２０は、検出器２２と診断実行器２３とを備えていてもよい。
　検出器２２は、例えば、１００［ｎＡ］以下、即ち１×１０－７［Ａ］以下の電流値を検出可能な電流計である。なお、検出器２２は、１×１０－９［Ａ］以下の電流値を検出可能であればより好ましい。検出器２２は、１×１０－１１［Ａ］以下の電流値を検出可能であればより好ましい。検出器２２は、１×１０－１１［Ａ］以下の分解能を持つ。検出器２２には、２つの検出端子２１ａ、２１ｂが接続されている。検出器２２は、２つの検出端子２１ａ、２１ｂを介して、診断対象とされるモータ７のコイル７ｂ（本実施の形態に示される本例においては、ＵＶＷ相のうちのいずれかの相のコイル７ｂ）と当該モータ７の接地部分である基台７ｆとに電気的に接続可能である。本例においては、検出器２２は、モータ７のコイル７ｂとモータ７の接地部分である基台７ｆとが含まれる閉回路に診断電圧を印加可能である。なお、モータ７の接地部分は、基台７ｆ以外の箇所であってもよい。検出器２２は、当該閉回路に流れる直流のリーク電流の値を検出する。検出器２２は、電流の検出値を示す信号を出力可能である。
　例えば、検出器２２は、診断電圧を印加した際に閉回路に流れる直流のリーク電流の値を検出し、検出した値（電流の検出値）を示す信号をリアルタイムで出力してもよい。また、例えば、検出器２２は、検出処理として、診断電圧を印加している間、規定のタイミング（例えば一定の周期）で、時刻と閉回路に流れる直流のリーク電流の値とを対応付けて記憶してもよい。そして、検出器２２は、リーク電流を検出する際に、リーク電流の値の１分あたりの変化量が１×１０－１１［Ａ］以下になったときの電流値をリーク電流の検出値として出力してもよい。
　診断実行器２３は、制御盤１０と常設測定器１５と検出器２２とに電気的に接続可能である。診断実行器２３は、図３には図示されないプロセッサとメモリとによって演算処理等を行う。診断実行器２３は、当該演算処理によって、モータ７の絶縁性能の劣化を診断する機能を有する。当該機能に含まれる処理を行う機構として、診断実行器２３は、例えば、記憶部２３ａと受付部２３ｂと前処理部２３ｃと取得部２３ｄと診断部２３ｅとを備える。
　記憶部２３ａは、情報を記憶する媒体であって、診断に必要な情報を記憶する。例えば、記憶部２３ａは、予測モデルの情報を記憶する。予測モデルは、入力された情報から余寿命を推論するための計算モデルである。例えば、予測モデルは、診断時のリーク電流を示す情報を含む１以上のパラメータとモータ７の絶縁性能の劣化具合を加味した累計の経過時間の推定値との関係を示す寿命関数である。ここで、診断時のリーク電流を示す情報には、リーク電流の検出値に限らず、後述する規格リーク電流値または記憶部２３ａに記憶された他の情報リーク電流の検出値または規格リーク電流値を算出可能な情報（例えば、基点となる時点からリーク電流の変化量）などが含まれてもよい。即ち、寿命関数に１以上のパラメータが入力されることで、当該パラメータに対応する値であってモータ７の絶縁性能の劣化具合を加味した累計の経過時間の推定値（以下、疑似経過時間ともいう）が導出可能である。記憶部２３ａは、寿命関数において、リーク電流の検出値の管理上限値に対応する累計の経過時間の推定値を寿命経過時間として記憶してもよい。即ち、記憶部２３ａは、リーク電流の検出値の管理上限値に達するとされる累計の経過時間を、寿命経過時間として記憶してもよい。なお、記憶部２３ａは、予測モデルの情報として、複数の寿命関数を記憶してもよい。例えば、複数の寿命関数は、関数型、内部の定数の値、等が互いに異なる。この場合、記憶部２３ａは、複数の寿命関数にそれぞれ対応する寿命経過時間を記憶してもよい。
　記憶部２３ａは、基点となる時点で検出器２２によって検出されたリーク電流である初期リーク電流の検出値の情報を記憶してもよい。例えば、初期リーク電流は、基点となる時点としてモータ７を含む巻上機６が組み立て工場から出荷される直前に検出された値である。または、例えば、初期リーク電流は、基点となる時点としてモータ７がエレベーター装置２に据え付けられた後であって本格的に稼働を開始する前に検出された値であってもよい。また、例えば、初期リーク電流は、基点となる時点としてモータ７がエレベーター装置２に据え付けられて本格的に稼働を開始した後であって、最初の診断作業が行われた時、等の稼働の開始から一定期間が経過した後に検出された値であってもよい。なお、記憶部２３ａは、受付部２３ｂが受け付けた情報を一時的または永続的に記憶してもよい。ここで、受付部２３ｂが受け付けた情報には、検出器２２からの初期リーク電流を含むリーク電流の検出値を示す信号、エレベーター装置２の運行情報、およびモータ７の構造的な特性の情報が含まれ得る。
　受付部２３ｂは、検出器２２から電流の検出値を示す信号の入力を受け付ける。受付部２３ｂは、制御盤１０からエレベーター装置２の運行情報の入力を受け付けてもよい。また、受付部２３ｂは、制御盤１０からモータ７の構造的な特性の情報との入力を受け付けてもよい。受付部２３ｂは、常設測定器１５から測定値の情報の入力を受け付けてもよい。なお、受付部２３ｂは、制御盤１０から運行情報およびモータ７の構造的な特性の情報を取得してもよい。また、受付部２３ｂは、常設測定器１５から測定値の情報を取得してもよい。
　前処理部２３ｃは、常設測定器１５からの測定値の情報に基づいて、当該測定値が測定された期間におけるモータ７の周辺環境の水蒸気圧の値を演算する。当該水蒸気圧の値は、周辺環境の空気の温度と湿度とから演算される当該空気中の水蒸気の分圧の値である。例えば、当該水蒸気圧の値は、当該測定値が測定された期間における水蒸気の分圧の平均値であってもよい。
　前処理部２３ｃは、モータ７の構造的な特性の情報に基づいて、受け付けられたリーク電流の検出値を規格化する。本例においては、例えば、モータ７の構造的な特性の情報には、コア７ａの回転軸方向の長さであるコア長、１スロット毎のコア７ａとコイル７ｂとの接触周長、モータ７におけるＵＶＷ相のコイル７ｂのそれぞれに対応するスロット数、コイル７ｂの絶縁層の厚み、等の情報が含まれてもよい。例えば、前処理部２３ｃは、コア７ａのコア長と１スロット毎のコア７ａとコイル７ｂとの接触周長とスロット数とを用いて、測定された相においてコイル７ｂがコア７ａと接触している総面積を演算する。前処理部２３ｃは、リーク電流の検出値をコイル７ｂがコア７ａと接触している総面積で除算することで、単位面積あたりのリーク電流を演算し、規格リーク電流値である規格化されたリーク電流の検出値とする。また、前処理部２３ｃは、リーク電流の検出値と同様の方法で、記憶部２３ａに記憶された初期リーク電流の検出値を規格化してもよい。
　取得部２３ｄは、記憶部２３ａが記憶する情報、受付部２３ｂが受け付けた情報、前処理部２３ｃが演算により取得した情報、等の情報を取得し、予測モデルに入力するためのデータセットを作成する。データセットには、予測モデルが受け付ける入力パラメータに対応した情報が互いに対応付けられて含まれる。例えば、データセットには、初期リーク電流の検出値とリーク電流の検出値とが対応付けられて含まれる。なお、データセットには、初期リーク電流の検出値に加えてまたは代えて、規格化された初期リーク電流の検出値である規格初期リーク電流値が含まれてもよい。また、データセットには、リーク電流の検出値に加えてまたは代えて、規格化されたリーク電流の検出値である規格リーク電流値が含まれてもよい。また、データセットには、初期リーク電流の検出値とリーク電流の検出値とに加えてまたは代えて、初期リーク電流の検出値とリーク電流の検出値との差分値（即ち、変化量）が含まれてもよい。また、データセットには、規格初期リーク電流値と規格リーク電流値とに加えてまたは代えて、規格初期リーク電流値と規格リーク電流値との差分値（即ち、変化量）が含まれてもよい。データセットには、更に、前処理部２３ｃによって演算された水蒸気圧の値がリーク電流の検出値と対応付けられて含まれてもよい。データセットには、更に、モータ７が稼働中にモータ７に印加された電圧の平均値および印加された回数のうち少なくとも一方がリーク電流の検出値と対応付けられて含まれてもよい。データセットには、更に、稼働中のモータ７の平均温度、モータ７に熱衝撃が加わった回数、およびモータ７に熱衝撃が加わった際の熱衝撃の平均温度のうちの少なくとも１つがリーク電流の検出値と対応付けられて含まれてもよい。データセットには、更に、コイル７ｂの絶縁層を構成する樹脂の物理的特性として、当該樹脂の転移開始温度Ｔｇ、当該樹脂の加水分解度、当該樹脂の熱分解開始温度Ｔｄ、当該樹脂を構成する各分子の平均分子量、および当該樹脂の誘電率のうち少なくとも１つがリーク電流の検出値と対応付けられて含まれてもよい。データセットには、更に、コア７ａのコア長、モータ７におけるコイル７ｂの占積率、およびコイル７ｂの線径のうち少なくとも１つがリーク電流の検出値と対応付けられて含まれていてもよい。
　診断部２３ｅは、予測モデルとデータセットとを用いて、余寿命を推定するための情報を出力する。本実施の形態で示される例において、診断部２３ｅは、余寿命を推定するための情報として、余寿命自体を出力する。
　以下は、診断部２３ｅが、予測モデルを用いて、モータ７の絶縁性能の劣化が進行している程度を示す疑似経過時間を推論した上で、余寿命を出力する例である。本例において、診断部２３ｅは、推論部２３ｆと演算部２３ｇとを備える。
　推論部２３ｆは、データセットに含まれる情報を基に生成された各入力パラメータを予測モデルに入力することで、疑似経過時間を推論する。ここでの予測モデルは、例えば、診断時のリーク電流を示す情報を含む１以上のパラメータと、モータ７の絶縁性能の劣化具合を加味した累計の経過時間の推定値と、の関係を示す寿命関数であってもよい。診断時のリーク電流を示す情報は、例えば、初期リーク電流の検出値、リーク電流の検出値、等である。なお、診断時のリーク電流を示す情報は、規格初期リーク電流値、規格リーク電流値、初期リーク電流の検出値とリーク電流の検出値との差分値、規格初期リーク電流値と規格リーク電流値の差分値、等であってもよい。疑似経過時間は、寿命関数において入力パラメータに対応する累計の経過時間の推定値である。疑似経過時間は、実際にモータ７が運転した累計の経過時間とは異なることが多い。疑似経過時間は、モータ７の絶縁性能の劣化が進行している程度を示す指標値である。本例において、予測モデルに複数の寿命関数が含まれている場合、推論部２３ｆは、データセットに含まれる入力パラメータに基づいていずれかの寿命関数を選択してもよい。具体的には、推論部２３ｆは、データセットに含まれる水蒸気圧の値を用いて、疑似経過時間を推論するために使用する寿命関数を選択してもよい。例えば、水蒸気圧の値がいくつかの範囲に分割された複数の値域が予め設定されており、診断システム１は、複数の値域にそれぞれ対応する複数の寿命関数を記憶していてもよい。
　演算部２３ｇは、例えば、推論部２３ｆに推論された疑似経過時間を基に、記憶部２３ａに記憶された寿命経過時間から減算することで、余寿命を演算し、出力する。
　なお、演算部２３ｇは、例えば、実際の累積の経過時間と疑似経過時間との比率を演算し、当該比率の影響を寿命経過時間と疑似経過時間との差に加味したものを余寿命とみなしてもよい。この場合、演算部２３ｇは、実際の累積の経過時間と疑似経過時間との比率である増減率、即ち現実の経過時間に対する劣化速度の増減率を演算する。演算部２３ｇは、寿命経過時間から疑似経過時間を減算して、第１の残存時間を演算する。演算部２３ｇは、第１の残存時間に増減率を乗算して第２の残存時間を演算し、当該第２の残存時間を余寿命として出力する。具体的には、例えば、疑似経過時間が実際に経過した時間の１．１倍の長さであった場合に、演算部２３ｇは、増減率を１．１とみなし、第１の残存時間を１．１倍したものを余寿命として出力する。なお、演算部２３ｇは、第１の残存時間と第２の残存時間とのうち短い方の時間を余寿命として出力してもよい。
　このように、診断実行器２３の診断部２３ｅは、予測モデルを用いて余寿命を推定するための情報として、余寿命自体を出力する。
　診断システム１は、第１学習装置３０を更に備えてもよい。例えば、第１学習装置３０は、情報センター装置１２の構成の一つとして設けられる。第１学習装置３０は、機械学習の手法、例えば教師あり学習を行うことで、予測モデルを生成してもよい。第１学習装置３０は、第１モデル記憶部３０ａと第１データ取得部３０ｂと第１生成部３０ｃとを備える。
　第１モデル記憶部３０ａは、学習済みの予測モデルの情報を格納する。例えば、診断作業が行われるまでに、診断装置２０の記憶部２３ａには、第１モデル記憶部３０ａに記憶された予測モデルの情報が予め記憶される。即ち、記憶部２３ａに記憶された予測モデルは、第１モデル記憶部３０ａに記憶された予測モデルと同一である。
　第１データ取得部３０ｂは、図示されない第１学習用データベースから、予測モデルを生成するための第１学習用データセットを取得する。例えば、第１学習用データベースは、情報センター装置１２が備える記憶媒体に記憶される。
　第１学習用データセットには、事前に実施された劣化試験で計測された値、劣化試験で設定された値、等が互いに対応付けられて含まれる。劣化試験では、コア７ａとコイル７ｂとの一部を模擬したモデルコイルユニットが規定の劣化条件におかれることで、モデルコイルユニットの絶縁性能の劣化が加速される。劣化試験では、モデルコイルユニットを含む試験回路における試験リーク電流が測定される。試験回路は、診断作業の際に形成される閉回路を模擬した回路である。試験回路においてモデルコイルユニットの両端に印加される試験電圧によって、試験回路には、閉回路中のリーク電流が模擬された試験リーク電流が流れる。劣化試験では、モデルコイルユニットが劣化条件におかれる前の初期試験リーク電流、劣化条件におかれている間に測定された試験リーク電流、および劣化条件におかれた後の試験リーク電流が１回以上測定される。なお、劣化条件は、１つの項目に対して、当該項目の設定値を変更した複数の劣化条件がそれぞれ含まれ得る。具体的には、例えば、水蒸気分圧が劣化条件の項目である場合、複数の水蒸気分圧の下で劣化試験が実施され、複数の水蒸気分圧に対応する複数の試験リーク電流がそれぞれ検出される。
　例えば、第１学習用データセットには、初期試験リーク電流の検出値と試験リーク電流の検出値とが対応付けられて含まれる。なお、第１学習用データセットには、初期試験リーク電流の検出値の代わりに、規格化された初期試験リーク電流の検出値が含まれてもよい。第１学習用データセットには、試験リーク電流の検出値の代わりに、規格化された規格試験リーク電流の検出値が含まれてもよい。第１学習用データセットには、更に、モデルコイルユニットの周辺環境における水蒸気圧の値が、劣化条件として試験リーク電流の検出値と対応付けられて含まれてもよい。第１学習用データセットには、更に、モデルコイルユニットに印加された試験電圧の平均値および試験電圧が印加された回数のうち少なくとも一方が、劣化条件として試験リーク電流の検出値と対応付けられて含まれてもよい。第１学習用データセットには、更に、劣化試験中のモデルコイルユニットの平均温度、モデルコイルユニットに熱衝撃が加わった回数、およびモデルコイルユニットに熱衝撃が加わった際の熱衝撃の平均温度のうちの少なくとも１つが、劣化条件として試験リーク電流の検出値と対応付けられて含まれてもよい。第１学習用データセットには、更に、モデルコイルユニットに含まれるモデルコイルの絶縁層を構成する樹脂の物理的特性として、当該樹脂の転移開始温度Ｔｇ、当該樹脂の加水分解度、当該樹脂の熱分解開始温度Ｔｄ、当該樹脂を構成する各分子の平均分子量、および当該樹脂の誘電率のうち少なくとも１つが、試験リーク電流の検出値と対応付けられて含まれてもよい。第１学習用データセットには、更に、モデルコイルに含まれるモデルコアのコア長、モデルコイルの疑似的な占積率、およびモデルコイルの線径のうち少なくとも１つが、モータ７の物理的な特性を模擬した条件として試験リーク電流の検出値と対応付けられて含まれていてもよい。
　例えば、第１学習用データセットの一部の例が、以下の表１に示される。表１において、無視された条件は空欄で示される。表１において、数値の一部は指数表記で表される。具体的には、例えば、５．００Ｅ－１２は、５．００×１０－１２を意味する。
Figure JPOXMLDOC01-appb-T000001
　表１における第１学習用データセットにおいて、同じ行の各数値が１つの組み合わせとして互いに対応付けられる。
　第１生成部３０ｃは、第１データ取得部３０ｂが取得した第１学習用データセットに基づいて、予測モデルを学習する。即ち、第１学習用データセットに基づいて、予測モデルとして１以上の寿命関数を生成する。例えば、第１生成部３０ｃは、第１学習用データセットに含まれる各組合せの関係との距離が最短となるようなグラフを示す寿命関数を生成する。なお、第１生成部３０ｃが実行するこのような学習アルゴリズムは、公知のアルゴリズムであってよい。第１生成部３０ｃは、生成した予測モデルの情報を第１モデル記憶部３０ａに記憶させる。
　次に、図４を用いて、予測モデルに示される寿命関数の一例を説明する。
　図４は実施の形態１における診断システムに記憶された寿命関数の一例を示す図である。
　図４は、寿命関数をリーク電流の値と累計の経過時間の推定値との２次元で表現したグラフＧ１を示す。縦軸は、リーク電流の値である。横軸は、累積の経過時間の推定値である。なお、寿命関数は、入力パラメータに対応したｎ次元空間で表現可能な関数であってもよく、図４にはそのうちの２次元空間で表現されたグラフが示される。
　破線Ｌ１は、リーク電流の管理上限値である。グラフＧ１上でのリーク電流の管理上限値に対応する累積の経過時間の推定値が、寿命経過時間である。例えば、リーク電流の検出値がＩ１のとき、グラフＧ上でのＩ１に対応する累積の経過時間の推定値が疑似経過時間である。図４に示されるように、余寿命は、疑似経過時間の推定値から寿命運転までの期間である。
　次に、図５と図６とを用いて、モデルコイルユニットを説明する。
　図５は実施の形態１における診断システムで学習されるデータを取得するためのモデルコイルユニットの側面図である。図６は実施の形態１における診断システムで学習されるデータを取得するためのモデルコイルユニットの上面図である。
　図５と図６とに示されるように、モデルコイルユニット４０は、例えば図２に示されるコア７ａとコイル７ｂとを模擬したコア７ａとコイル７ｂと同型のコイルである。例えば、同型のコイルとは、コア７ａとコイル７ｂとに対して相似形となっているコイルである。なお、同型のコイルとは、コア７ａとコイル７ｂとの占積率と等しい占積率を疑似的に有するコイルであってもよい。
　モデルコイルユニット４０は、モデルコア４１とモデルコイル４２と絶縁紙４３と端子４４とを備える。なお、モデルコイルユニット４０は、コイル７ｂの２スロット分を模擬し、同じ構成で２つのモデルコイル４２を備える。
　モデルコア４１は、コア７ａを模擬した素材で形成される。モデルコア４１は、コア７ａと同様の方向に長手方向のコア長Ｌｃを有する。モデルコイル４２は、コイル７ｂを模擬した素材で構成される。モデルコイル４２は、環状を呈する。モデルコイル４２のうち２つの辺は、モデルコア４１で覆われる。このようにして、モデルコイルユニット４０において、コア７ａの周囲にコイル７ｂが巻回されている状態が模擬される。２つのモデルコイルユニット４０は、並んで配置される。絶縁紙４３は、２つのモデルコイル４２のうちモデルコア４１に覆われていない部分の間に挟まれる。絶縁紙４３によって、２つのモデルコイル４２の間が絶縁される。端子４４は、図５と図６とには示されない測定端子７ｃ、７ｄ、７ｅを模擬した位置に設けられる。端子４４は、モデルコイル４２と電気的に接続される。
　試験回路は、閉回路を模擬して形成される。具体的には、例えば、試験用の検出器は、端子４４とモデルコア４１の一部とに試験電圧を印加可能なように電気的に接続される。試験用の検出器は、図５と図６とには図示されない検出器２２と同等以上の検出能力を有していてもよい。例えば、試験用の検出器によって測定された電流について、１分あたりの変化量が１×１０－１１［Ａ］以下になったときの電流値が、試験リーク電流の検出値とみなされてもよい。
　次に、図７から図１１を用いて、劣化試験の結果の一部を説明する。
　図７は実施の形態１における診断システムのために行われる劣化試験のうち水蒸気圧を変化させたデータを示す図である。図８は実施の形態１における診断システムのために行われる劣化試験のうち熱衝撃サイクルについてのデータを示す図である。図９は実施の形態１における診断システムのために行われる劣化試験のうち温度条件を変化させたデータを示す図である。図１０は実施の形態１における診断システムのために行われる劣化試験のうちモデルコアのコア長を変化させたデータを示す図である。図１１は実施の形態１における診断システムのために行われる劣化試験のうちモデルコアとモデルコイルとの接触面積を変化させたデータを示す図である。
　図７から図１１は、各劣化条件による時間等の変化と試験リーク電流との関係を表すグラフを示す。いずれのグラフにおいても、縦軸は、試験リーク電流［Ａ］である。
　図７において、横軸は、劣化条件が与えられた状態で経過した劣化日数［日］である。グラフの点群１、点群２、点群３、点群４、点群５、および点群６は、劣化条件である水蒸気圧が異なるデータを示す。図７より、一定以上の水蒸気圧のもとでは、３日間という比較的短い期間で試験リーク電流が増加することがわかる。試験リーク電流の上昇は、モデルコイル４２の絶縁性能が低下していることを示す。
　図８において、横軸は、モデルコイルユニット４０に熱衝撃が与えられた回数を意味する熱衝撃のサイクル回数［回］である。グラフの点群１、点群２、点群３、および点群４の熱衝撃の条件は同じである。グラフ上の点群１、点群２、点群３、および点群４は、初期試験リーク電流がそれぞれ異なる。図８より、いずれの初期試験リーク電流を示すモデルコイルユニット４０であっても、熱衝撃が与えられた場合、試験リーク電流が増加することが分かる。
　図９において、横軸は、劣化条件が与えられた状態で経過した劣化日数［日］である。グラフの点群１、点群２、および点群３は、劣化条件である雰囲気の温度が異なるデータを示す。図９より、一定以上の温度のもとでは、試験リーク電流が増加することがわかる。
　図７から図９より、いずれの試験条件においても、モデルコイルユニット４０の絶縁性能の劣化が進行することがわかる。このため、水蒸気圧の値、熱衝撃の回数、および温度が予測モデルに入力されることで、予測モデルによって推定される劣化水準の精度が向上されることが分かる。特に、水蒸気圧の条件が付加された場合、モデルコイルユニット４０の絶縁性能は、例えば温度変化の条件が付加された場合に比べて、顕著に劣化する。このため、予測モデルの精度を向上させるために、予測モデルが水蒸気圧の値を入力パラメータとすることが好ましい。
　図１０において、横軸は、モデルコア４１のコア長［ｍｍ］である。グラフの点群は、試験条件であるコア長が同じまたは異なるデータを示す。図１０より、コア長が長いほど試験リーク電流が増加することがわかる。
　図１１において、縦軸の単位は［ｎＡ］である。横軸は、モデルコア４１とモデルコイル４２とが接触する接触面積［ｍ２］である。グラフの点群は、試験条件である接触面積が同じまたは異なるデータを示す。図１１より、接触面積が大きいほど試験リーク電流が増加することがわかる。
　図１０と図１１とより、リーク電流は、コア７ａおよびコイル７ｂの構造的な特性によって規格化された上で余寿命の診断に利用された方が望ましいことがわかる。
　次に、図１２から図１４を用いて、リーク電流として採用される検出値の決定条件を説明する。
　図１２から図１４は実施の形態１における診断システムのために行われる劣化試験において試験回路に流れた電流の推移を示す図である。
　診断作業の際にリーク電流として採用される検出値の決定条件は、劣化試験での試験リーク電流の時間推移から定められることが可能である。図１２から図１４は、試験回路に流れた電流値の推移を表すグラフである。横軸は、経過時間［分］である。縦軸は、試験リーク電流［Ａ］である。
　図１２から図１４では、時点Ｐにおいて、試験回路に試験電圧が印加される。試験電圧の印加直後は、過大な電流が試験回路に流れる。その後、電流値は、試験リーク電流の理想値である平衡値へ向けてなだらかに低下する。従来では、電圧が印加されてから１０分後の電流値が、概ね平衡値に近い値として、リーク電流の検出値に採用されていた。
　一方で、図１２から図１４における破線Ｑの内部の領域および以下の表２に示されるように、試験電圧が印加されてから１０分前後経過した時点において、電流値の１分間の変化量は、概ね１×１０－１１［Ａ］以下の値をとる。図示はされないが、表２における範囲１および範囲２は、それぞれが試験電圧が印加されてから１０分前後の時間範囲である。即ち、試験電圧が印加されてからの時間ではなく、電流値の１分間の変化量を試験リーク電流の検出値の決定条件とすることが定量性の観点から望ましい。また、試験電圧が印加されてから１０分が経過する前に、電流値の１分間の変化量が１×１０－１１［Ａ］以下の値をとり得ることが分かる。このため、電流値の１分間の変化量が１×１０－１１［Ａ］以下となることを決定条件とすることで、劣化試験を効率的に行うことができる。なお、電流値の１分間の変化量が７×１０－１２［Ａ］以下となることを決定条件とすることで、より精度よく試験リーク電流の検出値を決定可能である。また、電流値の１分間の変化量が５×１０－１２［Ａ］以下となることを決定条件とすることで、さらに精度よく試験リーク電流の検出値を決定可能である。
Figure JPOXMLDOC01-appb-T000002
　試験リーク電流の決定条件は、診断作業におけるリーク電流の検出値の決定条件に適用可能である。このため、実施の形態１における診断作業において、閉回路を流れる電流値の１分間の変化量が１×１０－１１［Ａ］以下となることが、リーク電流の検出値の決定条件に設定される。なお、電流値の１分間の変化量が７×１０－１２［Ａ］以下となることが、リーク電流の検出値の決定条件に設定されてもよい。なお、電流値の１分間の変化量が５×１０－１２［Ａ］以下となることが、リーク電流の検出値の決定条件に設定されてもよい。
　次に、図１５を用いて、診断作業の一例を説明する。
　図１５は実施の形態１における診断システムによって行われる診断作業の概要を説明するためのフローチャートである。
　図１５に示される診断作業は、例えば、エレベーター装置２の定期点検のたびに作業員によって開始される。
　ステップＳ００１において、作業員によって、閉回路が構成される。即ち、２つの検出端子２１ａ、２１ｂは、それぞれコイル７ｂとモータ７の接地部分とに接続される。診断装置２０は、更に、制御盤１０と常設測定器１５とに接続される。
　その後、ステップＳ００２において、診断装置２０は、診断電圧をモータ７に印加する。診断装置２０は、リーク電流の検出値を取得する。
　その後、ステップＳ００３において、診断装置２０は、制御盤１０と常設測定器１５とからそれぞれ情報を取得する。
　その後、ステップＳ００４において、診断装置２０は、余寿命を演算し、出力する。例えば、診断装置２０は、出力として、余寿命を画面に表示する。
　その後、ステップＳ００５において、作業員によって、各配線が回収される。
　その後、診断作業が終了する。
　次に、図１６を用いて、第１学習装置３０が予測モデルを生成するという学習処理を説明する。
　図１６は実施の形態１における診断システムの第１学習装置が行う学習処理の概要を説明するためのフローチャートである。
　図１６の学習処理は、例えば、情報センター１３の保守員によって実行される。
　ステップＳ１０１において、第１データ取得部３０ｂは、第１学習用データセットを取得する。
　その後、ステップＳ１０２において、第１生成部３０ｃは、第１学習用データセットを用いて予測モデルを生成する。
　その後、ステップＳ１０３において、第１生成部３０ｃは、第１モデル記憶部３０ａにステップＳ１０２で生成した予測モデルの情報を記憶させる。
　その後、第１学習装置３０は、学習処理を終了する。
　次に、図１７を用いて、診断実行器２３が余寿命を演算する動作を説明する。
　図１７は実施の形態１における診断システムの診断実行器が行う動作の概要を説明するためのフローチャートである。
　図１７に示される処理は、図１５のフローチャートにおけるステップＳ００４の処理に対応する。即ち、図１７に示される処理は、図１５のフローチャートにおけるステップＳ００３の後に開始される。
　ステップＳ２０１において、前処理部２３ｃは、取得した情報からリーク電流の検出値を規格化する。
　その後、ステップＳ２０２において、取得部２３ｄは、データセットを作成する。
　その後、ステップＳ２０３において、診断部２３ｅの推論部２３ｆは、データセットと予測モデルとから疑似経過時間を推論する。
　その後、ステップ２０４において、診断部２３ｅの演算部２３ｇは、疑似経過時間と寿命経過時間から余寿命を演算する。
　その後、診断実行器２３は、処理を終了する。
　以上で説明した実施の形態１によれば、診断システム１は、受付部２３ｂと診断部２３ｅとを備える。診断部２３ｅは、予測モデルに基づいて、モータ７の絶縁性能による余寿命を推定するための情報を出力する。例えば、診断部２３ｅは、余寿命を推定するための情報として余寿命自体を出力する。予測モデルは、初期リーク電流とリーク電流の検出値とが対応付けられて含まれたデータセットに基づいて余寿命を推論するためのモデルである。予測モデルが利用されることで余寿命が出力される。このため、モータ７の交換が必要となる寿命時期を推定することができる。また、モータ７の絶縁性能による寿命を予測する精度を向上させることができる。さらに、初期リーク電流およびリーク電流は、部分放電が発生することが設計上予定されていない低電圧規格のモータでも測定が可能である。即ち、このような規格のモータを分解することなく、非破壊検査の検査項目に基づいて、余寿命が推定され得る。このため、モータ７の稼働時の性能に影響を与えることなく、絶縁性能の劣化を精密に診断することができる。ただし、診断システム１は、部分放電が発生することが設計として予定されているモータに対しても適用されることが可能である。
　なお、本開示における診断システム１は、上記の受付部２３ｂと診断部２３ｅとの構成が備わっていれば、その機能を発揮する。以下で説明される構成は、付加的な構成であり、本開示における診断システム１に必ずしも必要な構成ではない。
　診断システム１は、推論部２３ｆと演算部２３ｇとを有してもよい。予測モデルは、寿命関数を示す学習済モデルである。演算部２３ｇは、推論部２３ｆで出力された疑似経過時間から余寿命を演算する。このため、既存の寿命関数を利用しながら、余寿命を予測する精度を向上させることができる。
　なお、診断部２３ｅは、予測モデルに基づいて、余寿命を推定するための情報として寿命関数を出力してもよい。この場合、例えば、作業員は、出力された寿命関数にリーク電流の検出値の管理上限値等の入力パラメータを適用することで、余寿命を算出してもよい。また、診断部２３ｅは、余寿命を推定するための情報として、余寿命によって算出される交換推奨時期、等の情報を出力してもよい。これらの場合でも、モータ７の交換が必要となる寿命時期を推定することができる。
　また、診断システム１において、受付部２３ｂは、モータ７の周辺環境の水蒸気圧を算出するための測定値の入力を受け付けてもよい。診断部２３ｅは、水蒸気圧の値がリーク電流の検出値と対応付けられて含まれるデータセットを用いて余寿命を推定するための情報を出力してもよい。このため、余寿命の予測精度を向上させることができる。
　また、診断システム１は、検出器２２を更に備えてもよい。検出器２２は、リーク電流として１×１０－７［Ａ］以下の電流値を検出可能である。このため、余寿命を推定するための情報の予測精度を向上させることができる。
　また、リーク電流の検出値には、１分間あたりの変化量が１×１０－１１［Ａ］以下になったときの電流値が用いられてもよい。従来は、電圧が印加されてからの時間によって閉回路に流れる電流が平衡に達したとみなされていた。本実施の形態では、従来と比べて、電流が平衡に達したとみなす値をより正確に決定することができる。また、従来と比べて、より短い時間で電流が平衡に達したとみなすことができ、診断作業の効率を向上させることができる。
　また、診断システム１は、前処理部２３ｃを更に備えてもよい。前処理部２３ｃは、リーク電流の検出値を規格化する。診断部２３ｅでは、規格リーク電流値に基づいて余寿命を推定するための情報が出力される。このため、型番が異なる複数のモータに対して、各モータの構造的な特性による差異の影響が小さくなるように余寿命が予測される。その結果、余寿命の予測精度を向上させることができる。また、予測モデルを様々な構造のモータに適用させることができる。
　また、診断システム１は、学習装置である第１学習装置３０を備えてもよい。第１学習装置３０は、実機のモータ７を模擬した劣化試験で得られたデータを用いて予測モデルを生成する。このため、予測モデルを作成する際のデータ数を多くすることができる。様々な条件の下で劣化試験が行われたデータを予測モデルに反映させることができる。予測モデルが利用されることで、モータ７の交換が必要となる寿命時期を推定するための情報が出力可能となる。その結果、予測モデルによる予測精度を向上させることができる。
　また、第１学習用データセットには、劣化条件である水蒸気圧の値が含まれてもよい。水蒸気圧による絶縁性能の劣化の影響は、他の指標の影響よりも大きい。このため、予測モデルによる予測精度をより向上させることができる。
　また、第１学習用データセットには、モデルコイル４２に印加された試験電圧の値が含まれてもよい。このため、予測モデルによる予測精度をより向上させることができる。
　また、第１学習用データセットには、絶縁層の材料特性に起因する項目、モータ７の構造上の特性に疑似的に起因する項目、および劣化条件に関連する項目のうち少なくとも１つが含まれてもよい。このため、材料、構造等が異なるモータ７に対して診断システム１が適用されることができる。
　なお、検出器２２ではなく、診断実行器２３の受付部２３ｂがリーク電流値の変化量からリーク電流の検出値とする値を決定してもよい。即ち、この場合、検出器２２は、検出した電流値を示す信号を規定の周期で診断実行器２３に送信してもよい。受付部２３ｂは、リーク電流値の１分あたりの変化量が１×１０－１１［Ａ］以下になったときの電流値をリーク電流の検出値として採用してもよい。
　なお、検出器２２が検出したリーク電流の検出値は、診断装置２０に設けられた入力インターフェースを介して、診断実行器２３に直接入力されてもよい。
　なお、リーク電流の検出値に対して、当該検出値が検出された環境に対応する補正が行われた値が、リーク電流の検出値として利用されてもよい。検出値が検出された環境には、診断作業時における検出器２２の周辺の温度、湿度、等が含まれる。
　なお、記憶部２３ａは、寿命経過時間の代わりに、寿命関数に対応するリーク電流の検出値の管理上限値を記憶していてもよい。この場合、演算部２３ｇは、余寿命を演算する際に、当該寿命関数とリーク電流の検出値の管理上限値とを用いて、寿命経過時間を演算してもよい。
　なお、規格リーク電流値として、絶縁層厚みあたりのリーク電流の検出値が採用されてもよい。
　なお、予測モデルは、以上で説明した例に限らず、機械学習によって得られる学習済みのモデルであって、診断時のリーク電流を示す情報を含む１以上のパラメータとモータ７の絶縁性能の劣化具合を加味した累計の経過時間の推定値との関係、または、当該１以上のパラメータとリーク電流の検出元のモータの絶縁性能からみた余寿命との関係を示す学習済みのモデルであってもよい。
　なお、以上でデータセットに含まれてもよいとされた情報は、予測モデルへの入力データセットとしてだけでなく、複数の予測モデルのうちから利用する予測モデルを選択するための情報として用いられてもよく、さらに、リーク電流の検出値を含む入力データセットを補正するための情報として用いられてもよい。この場合、本開示の説明において「予測モデルに入力するデータセット」という表現を、「診断部２３ｅに入力するデータセット」と適宜読み替えてもよい。ここで、当該データセットに含まれてもよいとされた情報とは、初期リーク電流の検出値、規格初期リーク電流値、リーク電流の検出値、規格リーク電流値、水蒸気圧の値、稼働中のモータ７への印加電圧の平均値、当該印加電圧の印加回数、雰囲気の平均温度、熱衝撃回数、熱衝撃の平均温度、コイルの絶縁層を形成する樹脂の転移開始温度Ｔｇ、当該樹脂の加水分解度、当該樹脂の熱分解開始温度Ｔｄ、当該樹脂の各構成分子の平均分子量、当該樹脂の誘電率、モータコイルのコア長、占有率、線径、等の情報である。
　次に、診断システム１の変形例を説明する。
　図１８は実施の形態１における診断システムの変形例のブロック図である。
　変形例において、推論部２３ｆは、データセットから余寿命を推論し、余寿命を推定するための情報として出力する。このため、図１８に示されるように、変形例では、演算部２３ｇが設けられなくてもよい。
　具体的には、変形例において、予測モデルは、データセットから対応する余寿命を出力する学習済モデルである。なお、データセットは、実施の形態１と同じ情報が含まれてもよい。このため、推論部２３ｆは、データセットに含まれる各入力パラメータを予測モデルに入力することで、予測モデルに示される余寿命を推論する。診断部２３ｅは、当該余寿命を推定するための情報として、余寿命自体を出力する。
　変形例において、第１学習装置３０において作成される第１学習用データセットには、更に余寿命がリーク電流の検出値と対応付けられて含まれる。第１学習用データベースには、各数値条件から個々に算出された余寿命が、当該数値条件と対応付けられて記憶される。当該余寿命は、実施の形態１において演算部２３ｇが行った方法と同様の方法に基づいて演算されてもよい。
　即ち、変形例において、以下の表３に示されるような第１学習用データセットの一部が作成される。表３において、余寿命の単位は［年］である。
Figure JPOXMLDOC01-appb-T000003
　一例として、第１学習装置３０は、いわゆる教師あり学習によって、第１学習用データセットを用いて予測モデルを生成する。例えば、第１学習装置３０が実行する学習処理は、図１６に示される学習処理と同様である。
　次に、図１９を用いて、第１学習装置３０が予測モデルを生成する際に用いる学習アルゴリズムの一例を説明する。
　図１９は実施の形態１における診断システムの変形例で用いられるニューラルネットワークモデルを利用した学習アルゴリズムの例を示す図である。
　図１９に示されるように、例えば、学習アルゴリズムには、ニューラルネットワークモデルが利用されてもよい。即ち、第１生成部３０ｃは、ニューラルネットワークモデルに従って、いわゆる教師あり学習により、余寿命を学習する。ここで、教師あり学習とは、入力と結果のデータの組である第１学習用データセットを第１学習装置３０に与えることで、それらの第１学習用データセットにある特徴を学習し、入力から結果を推論する手法をいう。
　ニューラルネットワークは、複数のニューロンからなる入力層、複数のニューロンからなる中間層、および複数のニューロンからなる出力層で構成される。中間層は、隠れ層とも呼称され、１層、または２層以上でもよい。
　例えば、図１９に示されるような３層のニューラルネットワークであれば、複数の入力が入力層（Ｘ１‐Ｘ３）に入力されると、その値に重みＷ１（ｗ１１‐ｗ１６）が乗算された上で中間層（Ｙ１‐Ｙ２）に入力される。その入力の結果である中間層（Ｙ１‐Ｙ２）からの出力に対して重みＷ２（ｗ２１‐ｗ２６）が乗算されたものが、出力層（Ｚ１‐Ｚ３）から出力される。最終的な出力結果は、重みＷ１とＷ２との値によって変わる。
　本変形例において、ニューラルネットワークは、第１データ取得部３０ｂによって取得される各値と余寿命との組み合わせに基づいて作成された第１学習用データセットに従って、いわゆる教師あり学習により、予測モデルを学習する。即ち、ニューラルネットワークは、入力層に各値を入力することで出力された結果が、余寿命に近づくように重みＷ１とＷ２とを調整することで、学習を行う。
　次に、図２０を用いて、変形例における診断実行器２３が余寿命を演算する動作の一例を説明する。
　図２０は実施の形態１における診断システムの変形例の診断実行器が行う動作の概要を説明するためのフローチャートである。
　図２０に示される処理は、図１５のフローチャートにおけるステップＳ００４の処理に対応する。即ち、図２０に示される処理は、図１５のフローチャートにおけるステップＳ００３の後に開始される。
　ステップＳ３０１において、前処理部２３ｃは、取得した情報からリーク電流の検出値を規格化する。
　その後、ステップＳ３０２において、取得部２３ｄは、データセットを作成する。
　その後、ステップＳ３０３において、診断部２３ｅの推論部２３ｆは、データセットから余寿命を推論する。
　その後、診断実行器２３は、処理を終了する。
　以上で説明した実施の形態１の変形例によれば、診断システム１は、診断部２３ｅに含まれる推論部２３ｆを有する。予測モデルは、余寿命を推定するための情報として、余寿命自体を出力する。余寿命を出力する際に、実施の形態１と比較して、寿命曲線等を演算する必要がない。このため、診断システム１は、精度の高い余寿命の予測を少ない演算コストで行うことができる。
　なお、変形例において、余寿命を出力するための情報は、余寿命でない別の情報でもよい。この場合、第１学習用データセットには、当該別の情報が、余寿命の代わりに出力されるべきデータとして含まれる。教師あり学習は、当該別の情報が余寿命の代わりに出力されるべきデータとして実行されてもよい。
　次に、図２１を用いて、診断実行器２３を構成するハードウェアの例を説明する。
　図２１は実施の形態１における診断システムの診断実行器のハードウェア構成図である。
　診断実行器２３の各機能は、処理回路により実現し得る。例えば、処理回路は、少なくとも１つのプロセッサ１００ａと少なくとも１つのメモリ１００ｂとを備える。例えば、処理回路は、少なくとも１つの専用のハードウェア２００を備える。
　処理回路が少なくとも１つのプロセッサ１００ａと少なくとも１つのメモリ１００ｂとを備える場合、診断実行器２３の各機能は、ソフトウェア、ファームウェア、またはソフトウェアとファームウェアとの組み合わせで実現される。ソフトウェアおよびファームウェアの少なくとも一方は、プログラムとして記述される。ソフトウェアおよびファームウェアの少なくとも一方は、少なくとも１つのメモリ１００ｂに格納される。少なくとも１つのプロセッサ１００ａは、少なくとも１つのメモリ１００ｂに記憶されたプログラムを読み出して実行することにより、診断実行器２３の各機能を実現する。少なくとも１つのプロセッサ１００ａは、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、ＤＳＰともいう。例えば、少なくとも１つのメモリ１００ｂは、ＲＡＭ、ＲＯＭ、フラッシュメモリ、ＥＰＲＯＭ、ＥＥＰＲＯＭ等の、不揮発性または揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤ等である。
　処理回路が少なくとも１つの専用のハードウェア２００を備える場合、処理回路は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、またはこれらの組み合わせで実現される。例えば、診断実行器２３の各機能は、それぞれ処理回路で実現される。例えば、診断実行器２３の各機能は、まとめて処理回路で実現される。
　診断実行器２３の各機能について、一部を専用のハードウェア２００で実現し、他部をソフトウェアまたはファームウェアで実現してもよい。例えば、前処理部２３ｃが実行する機能については専用のハードウェア２００としての処理回路で実現し、前処理部２３ｃが実行する機能以外の機能については少なくとも１つのプロセッサ１００ａが少なくとも１つのメモリ１００ｂに格納されたプログラムを読み出して実行することにより実現してもよい。
　このように、処理回路は、ハードウェア２００、ソフトウェア、ファームウェア、またはこれらの組み合わせで診断実行器２３の各機能を実現する。また、処理回路の演算は、１つの場所に設けられた処理回路によって実現されるだけでなく、複数の場所に分散して設けられた処理回路がネットワーク等を介して一体となって機能することで実現されてもよい。例えば、このように実現されたいわゆるクラウドサーバ上で、処理回路と同等の演算が実現されるように構成されてもよい。
　例えば、記憶部２３ａ、前処理部２３ｃおよび取得部２３ｄの機能は、ネットワーク等を介して診断実行器２３と接続された情報センター装置１２において実現されてもよい。即ち、情報センター装置１２は、記憶部２３ａ、前処理部２３ｃおよび取得部２３ｄを有してもよい。
　図示されないが、制御盤１０の各機能、情報センター装置１２の各機能、検出器２２の各機能、および第１学習装置３０の各機能も、それぞれが診断実行器２３の各機能を実現する処理回路と同等の処理回路で実現される。
　なお、変形例を含む実施の形態１において、診断システム１には、第１学習装置３０が備えられなくてもよい。図２２は実施の形態１における診断システムの別の例を示すブロック図である。図２２に示されるように、診断システム１において、予測モデルによって余寿命が推論されるのであれば、診断システム１に第１学習装置３０が含まれる必要はない。
実施の形態２．
　図２３は実施の形態２における診断システムのブロック図である。なお、実施の形態１の部分と同一又は相当部分には同一符号が付される。当該部分の説明は省略される。
　図２３に示されるように、実施の形態２において、診断実行器２３が情報センター１３に設けられる。例えば、診断実行器２３は、情報センター装置１２の機能の一部である。
　診断装置２０には、検出器２２が備えられる。作業員は、診断作業において、検出器２２を用いてリーク電流の検出を行う。例えば、遠隔監視装置１１は、診断装置２０からの指令に基づいて、検出したリーク電流とその時間推移との情報、制御盤１０が記憶する運行情報、および常設測定器１５が記憶する測定結果の情報を情報センター装置１２に送信する。
　その後、情報センター装置１２の診断実行器２３は、実施の形態１と同様の方法で、余寿命の演算を行う。例えば、当該余寿命の演算結果は、情報センター１３の保守員に報知されてもよい。
　なお、検出器２２の測定結果の情報は、遠隔監視装置１１を介してではなく、作業員が情報センター１３に戻った後に、情報センター装置１２に直接送信されてもよい。
　以上で説明した実施の形態２に示されるように、診断実行器２３は、診断装置２０に設けられなくてもよい。この場合であっても、診断システム１には、受付部２３ｂと診断部２３ｅとが含まれる。このため、診断システム１において、診断実行器２３が設けられた位置に関わらず、余寿命の予測精度を向上させることができる。
　なお、図示されないが、実施の形態１の予測モデルおよび診断部２３ｅの構成が実施の形態２の診断システム１に適用されてもよい。
実施の形態３．
　図２４は実施の形態３における診断システムのブロック図である。なお、実施の形態１または実施の形態２の部分と同一又は相当部分には同一符号が付される。当該部分の説明は省略される。
　図２４に示されるように、実施の形態３において、診断システム１は、第２学習装置５０を更に備える。例えば、第２学習装置５０は、診断装置２０の内部に設けられる。
　第２学習装置５０は、リーク電流の検出値の情報、常設測定器１５が測定した情報、およびエレベーター装置２の運行情報を用いて予測モデルを更新して、更新後の予測モデルを生成する。第２学習装置５０は、第２モデル記憶部５０ａと第２データ取得部５０ｂと第２生成部５０ｃとを備える。
　第２モデル記憶部５０ａは、予測モデルの情報を記憶する。第２モデル記憶部５０ａが記憶する予測モデルは、更新前の予測モデルでもよいし更新後の予測モデルでもよい。
　第２データ取得部５０ｂは、診断実行器２３からリーク電流の検出値の情報、常設測定器１５が測定した情報、およびエレベーター装置２の運行情報を取得する。この際、第２データ取得部５０ｂは、データセットの情報を併せて取得してもよい。第２データ取得部５０ｂは、取得した情報に基づいて、第２学習用データセットを作成する。
　第２学習用データセットには、診断実行器２３によって直前の診断に利用されたリーク電流の検出値、常設測定器１５の測定結果に基づく水蒸気圧の値、および運行情報のうち少なくとも１つが診断時のリーク電流の検出値と対応付けられて含まれる。具体的には、第２学習用のデータセットには、モータ７の起動回数とモータ７の起動時間とモータ７の累計の運転時間とかご８の累計の走行距離とのうち少なくとも１つが診断時のリーク電流の検出値と対応付けられて含まれてもよい。第２学習用データセットには、直前の診断に利用されたデータセットの情報が診断時のリーク電流の検出値と対応付けられて更に含まれていてもよい。
　第２生成部５０ｃは、第２データ取得部５０ｂが取得した第２学習用データセットに基づいて、予測モデルを学習することで、当該予測モデルを更新する。即ち、第２学習用データセットに基づいて、予測モデルとして１以上の寿命関数を改めて生成する。例えば、当該寿命関数の関数パラメータが調整される。なお、第２生成部５０ｃが実行する学習アルゴリズムは、公知のアルゴリズムであってよい。第２生成部５０ｃは、更新した予測モデルの情報を、第２モデル記憶部５０ａに更新後の予測モデルとして記憶させる。
　予測モデルが更新された場合、診断実行器２３は、更新後の予測モデルの情報を第２学習装置５０から取得し、記憶部２３ａが記憶する予測モデルを更新後の予測モデルに書き換える。次回の診断作業において、診断実行器２３の診断部２３ｅは、第２生成部５０ｃが生成した更新後の予測モデルを用いて余寿命を推定するための情報を出力する。例えば、診断部２３ｅは、更新後の予測モデルを用いて、余寿命自体を出力する。
　次に、図２５から図２７を用いて、第２学習用データセットに運行情報が含まれることの理由を説明する。
　図２５から図２７は一般的なエレベーター装置における巻上機のモータで測定された運行実績とリーク電流との関係を示す図である。
　図２５は、一般的なエレベーター装置における複数の巻上機のモータで測定された測定時間と単位面積リーク電流との関係を表すグラフである。縦軸は、モータのコアとコイルとの接触面積あたりのリーク電流の検出値である単位面積リーク電流である。単位面積リーク電流の単位は、［ｎＡ］／［ｍ２］である。当該リーク電流の検出値は、実施の形態１と同様の方法によって測定された。横軸は、巻上機によって走行したかごの走行時間である。走行時間の単位は、［時間］である。
　グラフにおける点群は、それぞれ走行時間が異なるモータの初期リーク電流の検出値およびリーク電流の検出値である。図２５より、走行時間が増加するほど、単位面積リーク電流の値が増加するという相関関係が存在することがわかる。
　図２６は、図２５で示された複数のモータと同様のモータにおける経過年数と単位面積リーク電流との関係を表すグラフである。縦軸は、単位面積リーク電流である。横軸は、当該モータが設置されてから経過した経過年数である。図２６より、経過年数と単位面積リーク電流の値との間に明確な相関関係は見られない。
　図２７は、図２５で示された複数のモータと同様のモータで測定された走行距離と単位面積リーク電流との関係を表すグラフである。縦軸は、単位面積リーク電流である。横軸は、当該モータによって走行したかごの累計の走行距離である。走行距離の単位は、［千ｋｍ］である。図２７より、走行距離が増加するほど、単位面積リーク電流の値が増加するという相関関係が存在することが分かる。
　また、図２５から図２７より、走行距離と単位面積リーク電流の値との相関が最も強いことがわかる。このため、第２学習用データセットには、かご８の累計の走行距離を含む運行情報が含まれる。
　また、特に、単位面積リーク電流の値は、経過年数との相関関係が弱い。このことから、単位面積リーク電流の値の増加、即ち絶縁性能の劣化には、モータの回転速度による影響が大きいと考えられる。モータの回転速度の平均値が大きいほど、絶縁性能の劣化の進行が速いと考えられる。モータの回転速度は、出力電力［Ｗ］が影響する。ここで、一般的にエレベーターの運転電圧は一定であるため、出力電力は出力電流に比例する。実施の形態１等において、第１学習用データセットには、モデルコイルユニットに印加された電圧の平均値および印加された回数のうち少なくとも一方が劣化条件として含まれる場合がある。この劣化条件は、モデルコイル４２に電圧を印加して電流を流すことで、当該出力電流による絶縁性能の劣化の影響を模擬するために設定されるものである。
　次に、図２８を用いて、第２学習装置５０が更新後の予測モデルを生成するという学習処理を説明する。
　図２８は実施の形態３における診断システムの第２学習装置が行う学習処理の概要を説明するためのフローチャートである。
　図２８の学習処理は、例えば、診断作業を行った作業員によって実行される。作業員は、診断作業を行った後、当該学習処理を開始させる指令を入力する。
　ステップＳ４０１において、第２データ取得部５０ｂは、第２学習用データセットを取得する。
　その後、ステップＳ４０２において、第２生成部５０ｃは、第２学習用データセットを用いて予測モデルを生成する。
　その後、ステップＳ４０３において、第２生成部５０ｃは、第２モデル記憶部５０ａにステップＳ４０２で生成した予測モデルの情報を記憶させる。
　その後、第２学習装置５０は、学習処理を終了する。
　以上で説明した実施の形態３に示されるように、診断システム１は、第２学習装置５０を更に備えてもよい。第２学習装置５０は、エレベーター装置２の運行情報がリーク電流と対応付けられた第２学習用データセットを用いて予測モデルを更新する。診断部２３ｅは、更新後の予測モデルに基づいて余寿命を推定するための情報を出力する。このため、モータ７の実際の劣化の進行度合いに基づいて、余寿命を予測することができる。その結果、余寿命の予測精度を向上させることができる。
　なお、第２学習装置５０は、モータ７とは別のエレベーター装置に設けられたモータに対して、モータ７に対応する更新後の予測モデルとは別の更新後の予測モデルを生成してもよい。
　なお、実施の形態３の診断システム１における予測モデルは、実施の形態１の変形例における予測モデルと同様に余寿命を推定するための情報を出力するものであってもよい。この場合、一例として、第２データ取得部５０ｂは、診断実行器２３からリーク電流に対応する余寿命の情報を取得し、余寿命がリーク電流の検出値と対応付けられて含まれる第２学習用データセットを作成する。第２生成部５０ｃは、余寿命を出力する更新後の予測モデルを生成する。
実施の形態４．
　図２９は実施の形態４における診断システムのブロック図である。なお、実施の形態１、実施の形態２、および実施の形態３のいずれかの部分と同一又は相当部分には同一符号が付される。当該部分の説明は省略される。
　実施の形態４において、第１学習装置３０が、実施の形態３における第２学習装置５０の機能を有する。例えば、作業員は、モータ７の診断を行って情報センター１３へ帰ってきた後に、第１学習装置３０に学習処理を行わせる。この際、作業員は、診断装置２０を情報センター装置１２に接続してもよい。
　即ち、第１モデル記憶部３０ａは、更新前または更新後の予測モデルを記憶する。第１データ取得部３０ｂは、実施の形態３と同様の第２学習用データセットを作成する。この際、第１データ取得部３０ｂは、診断装置２０と直接接続することでまたは遠隔監視装置１１を介して診断実行器２３が診断に利用した情報を取得する。
　第１生成部３０ｃは、実施の形態３の第２生成部５０ｃと同様の方法で、予測モデルを生成する。その後、第１生成部３０ｃは、第１モデル記憶部３０ａに更新後の予測モデルを記憶させる。
　以上で説明した実施の形態４に示されるように、第１学習装置３０は、実施の形態３における第２学習装置５０と同様の学習処理を行う。即ち、作業員は、第２学習装置５０を追加で持ち運ばなくてもよい。その結果、診断作業の作業性を向上させることができる。
　以上のように、本開示に係る診断システムは、エレベーター装置の診断作業に利用できる。
　１　診断システム、　２　エレベーター装置、　３　建築物、　４　昇降路、　５　機械室、　６　巻上機、　７　モータ、　７ａ　コア、　７ｂ　コイル、　７ｃ　測定端子、　７ｄ　測定端子、　７ｅ　測定端子、　７ｆ　基台、　８　かご、　９　主ロープ、　１０　制御盤、　１１　遠隔監視装置、　１２　情報センター装置、　１３　情報センター、　１４　ネットワーク、　１５　常設測定器、　２０　診断装置、　２１ａ，２１ｂ　検出端子、　２２　検出器、　２３　診断実行器、　２３ａ　記憶部、　２３ｂ　受付部、　２３ｃ　前処理部、　２３ｄ　取得部、　２３ｅ　診断部、　２３ｆ　推論部、　２３ｇ　演算部、　３０　第１学習装置、　３０ａ　第１モデル記憶部、　３０ｂ　第１データ取得部、　３０ｃ　第１生成部、　４０　モデルコイルユニット、　４１　モデルコア、　４２　モデルコイル、　４３　絶縁紙、　４４　端子、　５０　第２学習装置、　５０ａ　第２モデル記憶部、　５０ｂ　第２データ取得部、　５０ｃ　第２生成部、　１００ａ　プロセッサ、　１００ｂ　メモリ、　２００　ハードウェア、　Ｌｃ　コア長

Claims (16)

  1. 　モータの絶縁性能の劣化を診断するための診断システムであって、
    　前記モータのコイルと前記モータの接地部分とを含む閉回路に流されたリーク電流の検出値の入力を受け付ける受付部と、
    　基点となる時点で検出された前記リーク電流である初期リーク電流の検出値および前記受付部で受け付けた前記リーク電流の検出値が対応付けられて含まれるデータセット、並びに前記データセットから前記モータの絶縁性能による余寿命を推論するための予測モデル、を用いて前記余寿命を推定するための情報を出力する診断部と、
    を備えた診断システム。
  2. 　前記予測モデルは、前記リーク電流の検出値と前記モータの累計の経過時間の推定値との関係を示す寿命関数の学習済モデルであり、
    　前記診断部は、
    　前記データセットを前記予測モデルに入力することで、前記データセットに含まれる前記リーク電流の検出値に対応する疑似経過時間を推論する推論部と、
    　前記予測モデルにおいて前記リーク電流の管理上限値に対応する前記モータの寿命経過時間を演算し、前記疑似経過時間から前記寿命経過時間までの期間を前記余寿命として演算し、前記余寿命を推定するための情報として出力する演算部と、
    を有した請求項１に記載の診断システム。
  3. 　前記予測モデルは、前記データセットから前記余寿命を推論するための学習済モデルであり、
    　前記診断部は、
    　前記データセットを前記予測モデルに入力することで前記余寿命を推論し、前記余寿命を推定するための情報として出力する推論部、
    を有した請求項１に記載の診断システム。
  4. 　前記受付部は、前記モータが稼働している期間における前記モータの周辺環境の水蒸気圧を算出するための測定値の入力を受け付け、
    　前記診断部は、前記受付部が受け付けた測定値から得た前記水蒸気圧の値が前記リーク電流の検出値と対応付けられて含まれる前記データセットを用いて前記余寿命を推定するための情報を出力する請求項１から請求項３のいずれか一項に記載の診断システム。
  5. 　前記コイルと前記モータの接地部分とに電気的に接続可能で、前記リーク電流として１×１０－７［Ａ］以下の電流値を検出可能な検出器、
    を更に備え、
    　前記受付部は、前記検出器から前記リーク電流の検出値を受け付ける請求項１から請求項４のいずれか一項に記載の診断システム。
  6. 　前記リーク電流の検出値には、前記検出器で検出された前記リーク電流の１分間あたりの変化量が１×１０－１１［Ａ］以下になったときの電流値が用いられる請求項５に記載の診断システム。
  7. 　前記モータの構造的な特性の情報と前記受付部が受け付けた前記リーク電流の検出値とを用いて前記リーク電流の検出値を前記構造的な特性に応じて規格化した規格リーク電流値を演算する前処理部と、
    を更に備え、
    　前記診断部は、前記リーク電流の検出値の代わりに前記規格リーク電流値が含まれた前記データセットおよび前記予測モデルを用いて前記余寿命を推定するための情報を出力する請求項１から請求項６のいずれか一項に記載の診断システム。
  8. 　前記予測モデルを生成する第１学習装置、
    を更に備え、
    　前記第１学習装置は、
    　前記コイルを模擬したモデルコイルが含まれる回路であって前記閉回路を模擬した試験回路に電圧を印加することで得られた電流の検出値が含まれる第１学習用データセットを取得する第１データ取得部と、
    　前記第１学習用データセットを用いて、前記データセットから前記余寿命を推論するための学習済モデルである前記予測モデルを生成する第１生成部と、
    を有し、
    　前記第１学習用データセットには、前記試験回路に流された初期試験リーク電流の検出値と、前記初期試験リーク電流の検出後であって前記モデルコイルに対して規定の劣化条件のもとで劣化試験が行われた後に前記試験回路に流された試験リーク電流の検出値と、が対応付けられて含まれる請求項１から請求項７のいずれか一項に記載の診断システム。
  9. 　前記第１学習用データセットには、前記劣化試験において前記劣化条件として設定された前記モデルコイルの周辺環境の水蒸気圧の値が前記試験リーク電流と対応付けられて含まれ、
    　前記第１生成部は、前記モータの周辺環境の水蒸気圧の検出値が前記リーク電流の検出値と対応付けられて含まれる前記データセットから前記余寿命を推論するための前記予測モデルを生成する請求項８に記載の診断システム。
  10. 　前記第１学習用データセットには、前記劣化試験において、前記劣化条件として前記モデルコイルに印加された試験電圧の値が前記試験リーク電流と対応付けられて含まれる請求項８または請求項９に記載の診断システム。
  11. 　前記第１学習用データセットには、前記モデルコイルの絶縁層を構成する樹脂の転移開始温度、前記樹脂の加水分解度、前記樹脂の熱分解開始温度、前記モデルコイルにおけるコア長に対応する部分の長さ、前記モデルコイルの疑似的な占積率、前記モデルコイルの線径、前記劣化条件として変化された前記モデルコイルの周辺環境の温度、および前記劣化条件として前記モデルコイルに与えられた熱衝撃の回数のうち少なくとも１つが前記試験リーク電流と対応付けられて含まれる請求項８から請求項１０のいずれか一項に記載の診断システム。
  12. 　前記モータは、エレベーターのかごを昇降移動させる巻上機に設けられ、
    　前記第１データ取得部は、前記モータの起動回数と前記モータの起動時間と前記モータの累計の運転時間と前記かごの累計の走行距離とのうち少なくとも１つが前記リーク電流の検出値と対応付けられて含まれた第２学習用データセットを取得し、
    　前記第１生成部は、前記第２学習用データセットを用いて、前記モータの起動回数と前記モータの起動時間と前記モータの累計の運転時間と前記かごの累計の走行距離とのうち少なくとも１つが前記リーク電流の検出値と対応付けられて更に含まれた前記データセットから前記余寿命を推論するための更新後の前記予測モデルを生成する請求項８から請求項１１のいずれか一項に記載の診断システム。
  13. 　前記受付部は、前記モータの起動回数と前記モータの起動時間と前記モータの累計の運転時間と前記かごの累計の走行距離とのうち少なくとも１つが含まれる情報を受け付け、
    　前記診断部は、前記モータの起動回数と前記モータの起動時間と前記モータの累計の運転時間と前記かごの累計の走行距離とのうち少なくとも１つが前記リーク電流の検出値と対応付けられて含まれる前記データセットおよび前記第１生成部が生成した更新後の前記予測モデルを用いて前記余寿命を推定するための情報を出力する請求項１２に記載の診断システム。
  14. 　前記予測モデルを更新した更新後の前記予測モデルを生成する第２学習装置、
    を更に備え、
    　前記モータは、エレベーターのかごを昇降移動させる巻上機に設けられ、
    　前記第２学習装置は、
    　前記モータの起動回数と前記モータの起動時間と前記モータの累計の運転時間と前記かごの累計の走行距離とのうち少なくとも１つが前記リーク電流の検出値と対応付けられて含まれた第２学習用データセットを取得する第２データ取得部と、
    　前記第２学習用データセットを用いて、前記モータの起動回数と前記モータの起動時間と前記モータの累計の運転時間と前記かごの累計の走行距離とのうち少なくとも１つが前記リーク電流の検出値と対応付けられて更に含まれた前記データセットから前記余寿命を推論するための更新後の前記予測モデルを生成する第２生成部と、
    請求項１から請求項１１のいずれか一項に記載の診断システム。
  15. 　前記受付部は、前記モータの起動回数と前記モータの起動時間と前記モータの累計の運転時間と前記かごの累計の走行距離とのうち少なくとも１つが含まれる情報を受け付け、
    　前記診断部は、前記モータの起動回数と前記モータの起動時間と前記モータの累計の運転時間と前記かごの累計の走行距離とのうち少なくとも１つが前記リーク電流の検出値と対応付けられて含まれる前記データセットおよび前記第２生成部が生成した更新後の前記予測モデルを用いて前記余寿命を推定するための情報を出力する請求項１４に記載の診断システム。
  16. 　モータのコイルと前記モータの接地部分とを含む閉回路の電気的な特性から前記モータの絶縁性能による余寿命を推論するための予測モデルを生成する学習装置であって、
    　前記モータのコイルを模擬したモデルコイルを用いて、前記閉回路を模擬した試験回路に流された初期試験リーク電流の検出値と、前記初期試験リーク電流の検出後であって前記モデルコイルに対して規定の劣化条件のもとで劣化試験が行われた後に前記試験回路に流された試験リーク電流の検出値と、が対応付けられて含まれた第１学習用データセットを取得するデータ取得部と、
    　前記第１学習用データセットを用いて、前記閉回路において基点となる時点で流された初期リーク電流の検出値と前記閉回路に流されたリーク電流の検出値とが対応付けられて含まれるデータセットから、前記モータの余寿命を推論するための学習済モデルである前記予測モデルを生成する生成部と、
    を備えた学習装置。
PCT/JP2022/038985 2022-10-19 2022-10-19 診断システムおよび学習装置 WO2024084632A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2022/038985 WO2024084632A1 (ja) 2022-10-19 2022-10-19 診断システムおよび学習装置
JP2024508993A JP7517627B1 (ja) 2022-10-19 2022-10-19 診断システムおよび学習装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/038985 WO2024084632A1 (ja) 2022-10-19 2022-10-19 診断システムおよび学習装置

Publications (1)

Publication Number Publication Date
WO2024084632A1 true WO2024084632A1 (ja) 2024-04-25

Family

ID=90737165

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/038985 WO2024084632A1 (ja) 2022-10-19 2022-10-19 診断システムおよび学習装置

Country Status (2)

Country Link
JP (1) JP7517627B1 (ja)
WO (1) WO2024084632A1 (ja)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002136023A (ja) * 2000-10-20 2002-05-10 Matsushita Electric Ind Co Ltd 電動機、全密閉型冷凍圧縮機および冷凍サイクル
JP2002340972A (ja) * 2001-05-15 2002-11-27 Toyo Electric Mfg Co Ltd 高電圧回転電機コイルの絶縁劣化判定法
JP2006170721A (ja) * 2004-12-14 2006-06-29 Toshiba Elevator Co Ltd 回転機の絶縁劣化診断システム及びその診断方法
JP2006325357A (ja) * 2005-05-20 2006-11-30 Mitsubishi Electric Corp 回転電機の固定子コイル及びその製造方法
JP2007159289A (ja) * 2005-12-06 2007-06-21 Fanuc Ltd モータ駆動装置
JP2009060767A (ja) * 2007-09-03 2009-03-19 Toshiba Elevator Co Ltd 回転機の絶縁劣化診断システム
JP2012044831A (ja) * 2010-08-23 2012-03-01 Toyota Motor Corp コイル固定用絶縁樹脂シート、コイル固定用絶縁樹脂シートを用いたモータ用ステータおよびモータ用ステータの製造方法
JP2015220897A (ja) * 2014-05-20 2015-12-07 株式会社日立製作所 回転電機
JP2020008347A (ja) * 2018-07-04 2020-01-16 公益財団法人鉄道総合技術研究所 状態診断装置及び状態診断方法
JP2020024139A (ja) * 2018-08-07 2020-02-13 ファナック株式会社 製品検査装置
US20200348363A1 (en) * 2017-08-09 2020-11-05 Verdigris Technologies, Inc. System and methods for fault detection
JP2021043030A (ja) * 2019-09-10 2021-03-18 ファナック株式会社 機械学習装置、学習モデルの生成方法、絶縁抵抗推定装置及び制御装置
JP2021116160A (ja) * 2020-01-27 2021-08-10 フジテック株式会社 学習モデル生成装置、推定装置、学習モデル生成方法および推定方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204967487U (zh) 2015-09-24 2016-01-13 抚顺煤矿电机制造有限责任公司 一种电机防爆呼吸排水结构
KR102221051B1 (ko) 2020-06-09 2021-02-26 (주)세종오토메이션 이중 네트워크 기반의 지능형 스마트 모터 진단/제어 시스템

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002136023A (ja) * 2000-10-20 2002-05-10 Matsushita Electric Ind Co Ltd 電動機、全密閉型冷凍圧縮機および冷凍サイクル
JP2002340972A (ja) * 2001-05-15 2002-11-27 Toyo Electric Mfg Co Ltd 高電圧回転電機コイルの絶縁劣化判定法
JP2006170721A (ja) * 2004-12-14 2006-06-29 Toshiba Elevator Co Ltd 回転機の絶縁劣化診断システム及びその診断方法
JP2006325357A (ja) * 2005-05-20 2006-11-30 Mitsubishi Electric Corp 回転電機の固定子コイル及びその製造方法
JP2007159289A (ja) * 2005-12-06 2007-06-21 Fanuc Ltd モータ駆動装置
JP2009060767A (ja) * 2007-09-03 2009-03-19 Toshiba Elevator Co Ltd 回転機の絶縁劣化診断システム
JP2012044831A (ja) * 2010-08-23 2012-03-01 Toyota Motor Corp コイル固定用絶縁樹脂シート、コイル固定用絶縁樹脂シートを用いたモータ用ステータおよびモータ用ステータの製造方法
JP2015220897A (ja) * 2014-05-20 2015-12-07 株式会社日立製作所 回転電機
US20200348363A1 (en) * 2017-08-09 2020-11-05 Verdigris Technologies, Inc. System and methods for fault detection
JP2020008347A (ja) * 2018-07-04 2020-01-16 公益財団法人鉄道総合技術研究所 状態診断装置及び状態診断方法
JP2020024139A (ja) * 2018-08-07 2020-02-13 ファナック株式会社 製品検査装置
JP2021043030A (ja) * 2019-09-10 2021-03-18 ファナック株式会社 機械学習装置、学習モデルの生成方法、絶縁抵抗推定装置及び制御装置
JP2021116160A (ja) * 2020-01-27 2021-08-10 フジテック株式会社 学習モデル生成装置、推定装置、学習モデル生成方法および推定方法

Also Published As

Publication number Publication date
JPWO2024084632A1 (ja) 2024-04-25
JP7517627B1 (ja) 2024-07-17

Similar Documents

Publication Publication Date Title
US10408879B2 (en) Method and apparatus for diagnosing a fault condition in an electric machine
JP4859557B2 (ja) コンクリート建物の健全性判定方法
CN106464195B (zh) 电梯的控制装置、电梯装置以及求出旋转角度误差的方法
KR102576327B1 (ko) 전기 구동 시스템에서의 센서 결함 모니터링 및 식별 방법
CN111337514B (zh) 臂架监测方法、系统、工程机械及机器可读存储介质
CN105705450A (zh) 电梯诊断装置
EP3147681A1 (en) Rotary machine diagnostic system
JP2009257862A (ja) 回転機械等の設備の音信号による健全性診断方法
WO2024084632A1 (ja) 診断システムおよび学習装置
JP7226671B2 (ja) エレベーターの故障診断装置
JP2023179851A (ja) 装置状態評価システムおよび装置状態評価方法
JP2009060767A (ja) 回転機の絶縁劣化診断システム
JP5476413B2 (ja) 回転機械の健全性診断方法
CN105293231A (zh) 电梯控制装置
JP6999823B2 (ja) 異常診断装置
KR100901855B1 (ko) 삼상 교류 회전 기기 절연 상태 진단 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 매체
JPH07117563B2 (ja) 機器／設備の診断システム
RU2451299C1 (ru) Устройство диагностирования в реальном времени системы электродвижения судна
RU2719507C1 (ru) Способ оценки технического состояния потребителя-регулятора на основе нейросетевого диагностирования
US20230213375A1 (en) Vibro-electric condition monitoring
WO2019244245A1 (ja) 温度推移特定装置、保守計画システム及びエレベーターシステム
JPH06167385A (ja) 音響診断方法
WO2023026879A1 (ja) 診断装置、診断システムおよび診断方法
JP7353259B2 (ja) 回転機の監視制御システム
Xue et al. Sensor fusion for machine condition monitoring

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2024508993

Country of ref document: JP

Kind code of ref document: A

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

Ref document number: 22962741

Country of ref document: EP

Kind code of ref document: A1