▶ 山中産業株式会社の特許一覧 ▶ 東伸金属工業株式会社の特許一覧 ▶ 株式会社田代合金所の特許一覧
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B1)
(11)【特許番号】
(24)【登録日】2022-11-14
(45)【発行日】2022-11-22
(54)【発明の名称】ＡＩを用いた籠型回転子の欠陥検出装置
(51)【国際特許分類】
H02K 15/02 20060101AFI20221115BHJP
G01N 27/82 20060101ALI20221115BHJP
【ＦＩ】
H02K15/02 J
G01N27/82
【請求項の数】
3
(21)【出願番号】P 2022084040
(22)【出願日】2022-05-23
【審査請求日】2022-05-25
【早期審査対象出願】
(73)【特許権者】
【識別番号】594068022
【氏名又は名称】山中産業株式会社
(73)【特許権者】
【識別番号】522203684
【氏名又は名称】東伸金属工業株式会社
(73)【特許権者】
【識別番号】591014813
【氏名又は名称】株式会社田代合金所
(74)【代理人】
【識別番号】110001601
【氏名又は名称】弁理士法人英和特許事務所
(72)【発明者】
【氏名】新納 義昭
【審査官】谿花 正由輝
(56)【参考文献】
【文献】特開平９－３７５２７（ＪＰ，Ａ）
【文献】特開２０２０－７１１２５（ＪＰ，Ａ）
【文献】特開２０２０－９４２４５（ＪＰ，Ａ）
【文献】中国特許出願公開第１１３０７５２８９（ＣＮ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｈ０２Ｋ １５／０２
Ｇ０１Ｎ ２７／８２
(57)【特許請求の範囲】
【請求項1】
籠型回転子の導体棒に存在する欠陥を推定し報知するための欠陥検出装置であって、前記籠型回転子の１つの導体棒に跨って配置可能なコの字状の第１鉄心、該第１鉄心に巻回される第１コイル及び該第１コイルに接続される交流電源からなる変動磁場発生手段と、
前記籠型回転子の１つの導体棒に跨って配置可能なコの字状の第２鉄心、該第２鉄心に巻回される第２コイル及び該第２コイルに誘起される電流値又は電圧値を検出する計器からなる検出手段と、
前記籠型回転子について、１つの導体棒に存在する欠陥が異なる多数の回転子モデルを作成し、該多数の回転子モデルに関する構造データを出力する回転子モデルデータ出力手段と、
前記回転子モデルデータ出力手段から出力される前記構造データ及び交流電源データを受けて、前記第１鉄心と前記第２鉄心を各回転子モデルの１つの導体棒に跨って配置し、前記第１コイルに所定の交流を印加した場合に、前記第２コイルに誘起される電流値又は電圧値を数値解析する数値解析手段を有し、数値解析の対象となった回転子モデルを特定する特定情報及び該回転子モデルについて行われた数値解析により得られた数値解析データを学習データとして出力する回転子モデル解析手段と、
前記第１コイルに所定の交流が印加された時に前記検出手段で検出された時系列の電流値データ又は電圧値データを受けて逆解析を行い、欠陥有無推定情報を出力するニューラルネットワークと、
前記ニューラルネットワークから出力された前記欠陥有無推定情報に応じて、前記籠型回転子の導体棒に存在する欠陥の有無を報知する欠陥情報報知手段を備え、
前記ニューラルネットワークは、前記回転子モデル解析手段から出力される前記多数の回転子モデルについての学習データが予め与えられ、自己学習させることによって最適化されている
ことを特徴とする籠型回転子の欠陥検出装置。
【請求項2】
前記ニューラルネットワークは、欠陥有無推定情報に代えて欠陥規模推定情報を出力し、前記欠陥情報報知手段は、前記欠陥規模推定情報に応じて、前記籠型回転子の導体棒に存在する欠陥の規模を報知する
ことを特徴とする請求項１記載の籠型回転子の欠陥検出装置。
【請求項3】
前記変動磁場発生手段は、前記籠型回転子の一端側に配置され、前記検出手段は、前記籠型回転子の他端から前記変動磁場発生手段が配置されている箇所の間に設定した複数箇所に順次配置され、
前記数値解析手段は、前記第２鉄心を各回転子モデルの他端から前記第１鉄心が配置されている箇所の間に設定した複数箇所に順次配置し、前記第１コイルに所定の交流を印加した場合に、前記第２コイルに誘起される電流値又は電圧値を数値解析するものであり、
前記特定情報は、数値解析の対象であって、前記第２鉄心を前記複数箇所に順次配置した回転子モデルを特定する情報であり、
前記ニューラルネットワークは、前記時系列の電流値データ又は電圧値データ及び前記検出手段の配置位置データを受けて逆解析を行い、欠陥有無推定情報及び欠陥位置推定情報を出力し、
前記欠陥情報報知手段は、前記ニューラルネットワークから出力された前記欠陥有無推定情報及び欠陥位置推定情報に応じて、前記籠型回転子の導体棒に存在する欠陥の有無及び位置を報知する
ことを特徴とする請求項１記載の籠型回転子の欠陥検出装置。
【発明の詳細な説明】
【技術分野】
【0001】
この発明は、籠型回転子を構成する導体棒に存在している可能性のある鋳巣やバー切れ（以下「欠陥」という。）の状態（欠陥の有無、規模又は位置）を推定し、その推定結果を報知することができるＡＩを用いた籠型回転子の欠陥検出装置に関する。
【背景技術】
【0002】
電気自動車や工作機械の駆動部に利用される誘導電動機には、回転子鉄心、同回転子鉄心の外周面近傍に貫通している複数の穴に、アルミニウムや銅等の電気良導性金属材料の溶湯を流入させてなる導体棒及び回転子鉄心の両端部で全ての導体棒を連結する一対の端絡環からなる籠形回転子が利用されている。
そして、籠形回転子の導体棒や端絡環の一部に発生する欠陥及び導体棒と端絡環との接続部に発生する接続不良は、誘導電動機の性能や寿命に大きく影響する場合があるので、これらの欠陥や接続不良を検査する必要があるところ、端絡環や導体棒と端絡環との接続部については、回転子鉄心の外部に露出しているため比較的検査し易い。
しかし、導体棒については溶湯を流入させる際に空気を巻き込んでしまい、そのまま固化した場合には内部に欠陥を生じることがある。そして、その欠陥がバー切れに近いものであれば誘導電動機の性能に影響し、鋳巣であっても規模や形状によっては誘導電動機の性能や寿命に影響する場合があり、むしろ、寿命が短くなる程度の鋳巣は、当初の試験では発見されにくいため、質の悪い誘導電動機を生産してしまう原因となっている。
特に、回転子鉄心の貫通穴が外周面に開口しない閉鎖スロットである場合、導体棒を外部から視認できないため、作業者の目視による欠陥のチェックはできず、テスター等を用いて各導体棒の電気抵抗を計測することもできない。
そして、籠形回転子の導体棒や端絡環の一部に発生する欠陥及び導体棒と端絡環との接続部に発生する接続不良は、誘導電動機の性能や寿命に大きく影響する場合があるので、これらの欠陥や接続不良を検査する必要があるところ、端絡環や導体棒と端絡環との接続部については、回転子鉄心の外部に露出しているため比較的検査し易い。
しかし、導体棒については溶湯を流入させる際に空気を巻き込んでしまい、そのまま固化した場合には内部に欠陥を生じることがある。そして、その欠陥がバー切れに近いものであれば誘導電動機の性能に影響し、鋳巣であっても規模や形状によっては誘導電動機の性能や寿命に影響する場合があり、むしろ、寿命が短くなる程度の鋳巣は、当初の試験では発見されにくいため、質の悪い誘導電動機を生産してしまう原因となっている。
特に、回転子鉄心の貫通穴が外周面に開口しない閉鎖スロットである場合、導体棒を外部から視認できないため、作業者の目視による欠陥のチェックはできず、テスター等を用いて各導体棒の電気抵抗を計測することもできない。
【0003】
このような課題を解決するため、特許文献１（特開平９－３７５２７号公報）には、交流電源(48)が接続されている第１コイル(42)を巻付けた鉄心(46)と、処理装置(52)が接続されている第２コイル(44)を巻付けた鉄心(50)を有し、鉄心(46)及び鉄心(50)には、それぞれ籠形回転子(12)の回転子鉄心(18)に対向可能な一対の突歯(54)及び突歯(56)が設けられている欠陥検出装置(40)が記載されている（特に、段落００２２及び図４を参照）。
この欠陥検出装置(40)は、第１コイル(42)が形成する交番磁束によって検査対象の導体棒(22)に誘起される二次電流が、その導体棒(22)の周囲に誘導交番磁束を形成し、誘導交番磁束に誘起されて第２コイル(44)に微小な交流起電力が生じ、その交流起電力を処理装置(52)で検出して、籠形回転子(12)の電気的欠陥の有無を周辺貫通穴(20)の構成に係わらず正確に判定できるというものである。（特に、段落００２３～００２６を参照）。
この欠陥検出装置(40)は、第１コイル(42)が形成する交番磁束によって検査対象の導体棒(22)に誘起される二次電流が、その導体棒(22)の周囲に誘導交番磁束を形成し、誘導交番磁束に誘起されて第２コイル(44)に微小な交流起電力が生じ、その交流起電力を処理装置(52)で検出して、籠形回転子(12)の電気的欠陥の有無を周辺貫通穴(20)の構成に係わらず正確に判定できるというものである。（特に、段落００２３～００２６を参照）。
【0004】
しかし、特許文献１に記載されている発明によれば、導体棒(22)における電気的欠陥（バー切れ）の有無は判定できるものの、鋳巣の有無、規模及び位置を推定することはできず、段落００２５及び図３に示されるように、検査対象の導体棒(22)が複数個であって、その内の１個に電気的欠陥が有る場合、検査対象の導体棒(22)の全てが欠陥を有しない場合の検出信号に比べて振幅が小さくなるだけなので、判定には熟練者が必要であった。
【先行技術文献】
【特許文献】
【0005】
【文献】特開平９－３７５２７号公報（特許第３６０８８４６号公報）
【発明の概要】
【発明が解決しようとする課題】
【0006】
本発明は、このような問題を解決し、外観検査やテスター等による検査を行うことのできない閉鎖スロットに形成される導体棒の内部に存在している可能性のあるバー切れ又は鋳巣（以下「欠陥」という。）の有無を、熟練者に頼ることなくＡＩを用いて容易かつ確実に推定し報知する籠型回転子の欠陥検出装置を提供することを第１の課題としている。
また、籠型回転子の欠陥検出装置において、欠陥の規模を推定し報知できるようにすることを第２の課題とし、欠陥の位置についても推定し報知できるようにすることを第３の課題としている。
また、籠型回転子の欠陥検出装置において、欠陥の規模を推定し報知できるようにすることを第２の課題とし、欠陥の位置についても推定し報知できるようにすることを第３の課題としている。
【課題を解決するための手段】
【0007】
上記の課題を解決するための請求項１に係る発明は、籠型回転子の導体棒に存在する欠陥を推定し報知するための欠陥検出装置であって、
前記籠型回転子の１つの導体棒に跨って配置可能なコの字状の第１鉄心、該第１鉄心に巻回される第１コイル及び該第１コイルに接続される交流電源からなる変動磁場発生手段と、
前記籠型回転子の１つの導体棒に跨って配置可能なコの字状の第２鉄心、該第２鉄心に巻回される第２コイル及び該第２コイルに誘起される電流値又は電圧値を検出する計器からなる検出手段と、
前記籠型回転子について、１つの導体棒に存在する欠陥が異なる多数の回転子モデルを作成し、該多数の回転子モデルに関する構造データを出力する回転子モデルデータ出力手段と、
前記回転子モデルデータ出力手段から出力される前記構造データ及び交流電源データを受けて、前記第１鉄心と前記第２鉄心を各回転子モデルの１つの導体棒に跨って配置し、前記第１コイルに所定の交流を印加した場合に、前記第２コイルに誘起される電流値又は電圧値を数値解析する数値解析手段を有し、数値解析の対象となった回転子モデルを特定する特定情報及び該回転子モデルについて行われた数値解析により得られた数値解析データを学習データとして出力する回転子モデル解析手段と、
前記第１コイルに所定の交流が印加された時に前記検出手段で検出された時系列の電流値データ又は電圧値データを受けて逆解析を行い、欠陥有無推定情報を出力するニューラルネットワークと、
前記ニューラルネットワークから出力された前記欠陥有無推定情報に応じて、前記籠型回転子の導体棒に存在する欠陥の有無を報知する欠陥情報報知手段を備え、
前記ニューラルネットワークは、前記回転子モデル解析手段から出力される前記多数の回転子モデルについての学習データが予め与えられ、自己学習させることによって最適化されていることを特徴とする。
前記籠型回転子の１つの導体棒に跨って配置可能なコの字状の第１鉄心、該第１鉄心に巻回される第１コイル及び該第１コイルに接続される交流電源からなる変動磁場発生手段と、
前記籠型回転子の１つの導体棒に跨って配置可能なコの字状の第２鉄心、該第２鉄心に巻回される第２コイル及び該第２コイルに誘起される電流値又は電圧値を検出する計器からなる検出手段と、
前記籠型回転子について、１つの導体棒に存在する欠陥が異なる多数の回転子モデルを作成し、該多数の回転子モデルに関する構造データを出力する回転子モデルデータ出力手段と、
前記回転子モデルデータ出力手段から出力される前記構造データ及び交流電源データを受けて、前記第１鉄心と前記第２鉄心を各回転子モデルの１つの導体棒に跨って配置し、前記第１コイルに所定の交流を印加した場合に、前記第２コイルに誘起される電流値又は電圧値を数値解析する数値解析手段を有し、数値解析の対象となった回転子モデルを特定する特定情報及び該回転子モデルについて行われた数値解析により得られた数値解析データを学習データとして出力する回転子モデル解析手段と、
前記第１コイルに所定の交流が印加された時に前記検出手段で検出された時系列の電流値データ又は電圧値データを受けて逆解析を行い、欠陥有無推定情報を出力するニューラルネットワークと、
前記ニューラルネットワークから出力された前記欠陥有無推定情報に応じて、前記籠型回転子の導体棒に存在する欠陥の有無を報知する欠陥情報報知手段を備え、
前記ニューラルネットワークは、前記回転子モデル解析手段から出力される前記多数の回転子モデルについての学習データが予め与えられ、自己学習させることによって最適化されていることを特徴とする。
【0008】
上記の課題を解決するための請求項２に係る発明は、請求項１に係る発明の欠陥検出装置において、
前記ニューラルネットワークは、欠陥有無推定情報に代えて欠陥規模推定情報を出力し、
前記欠陥情報報知手段は、前記欠陥規模推定情報に応じて、前記籠型回転子の導体棒に存在する欠陥の規模を報知することを特徴とする。
前記ニューラルネットワークは、欠陥有無推定情報に代えて欠陥規模推定情報を出力し、
前記欠陥情報報知手段は、前記欠陥規模推定情報に応じて、前記籠型回転子の導体棒に存在する欠陥の規模を報知することを特徴とする。
【0009】
上記の課題を解決するための請求項３に係る発明は、請求項１に係る発明の欠陥検出装置において、
前記変動磁場発生手段は、前記籠型回転子の一端側に配置され、
前記検出手段は、前記籠型回転子の他端から前記変動磁場発生手段が配置されている箇所の間に設定した複数箇所に順次配置され、
前記数値解析手段は、前記第２鉄心を各回転子モデルの他端から前記第１鉄心が配置されている箇所の間に設定した複数箇所に順次配置し、前記第１コイルに所定の交流を印加した場合に、前記第２コイルに誘起される電流値又は電圧値を数値解析するものであり、
前記特定情報は、数値解析の対象であって、前記第２鉄心を前記複数箇所に順次配置した回転子モデルを特定する情報であり、
前記ニューラルネットワークは、前記時系列の電流値データ又は電圧値データ及び前記検出手段の配置位置データを受けて逆解析を行い、欠陥有無推定情報及び欠陥位置推定情報を出力し、
前記欠陥情報報知手段は、前記ニューラルネットワークから出力された前記欠陥有無推定情報及び欠陥位置推定情報に応じて、前記籠型回転子の導体棒に存在する欠陥の有無及び位置を報知することを特徴とする。
前記変動磁場発生手段は、前記籠型回転子の一端側に配置され、
前記検出手段は、前記籠型回転子の他端から前記変動磁場発生手段が配置されている箇所の間に設定した複数箇所に順次配置され、
前記数値解析手段は、前記第２鉄心を各回転子モデルの他端から前記第１鉄心が配置されている箇所の間に設定した複数箇所に順次配置し、前記第１コイルに所定の交流を印加した場合に、前記第２コイルに誘起される電流値又は電圧値を数値解析するものであり、
前記特定情報は、数値解析の対象であって、前記第２鉄心を前記複数箇所に順次配置した回転子モデルを特定する情報であり、
前記ニューラルネットワークは、前記時系列の電流値データ又は電圧値データ及び前記検出手段の配置位置データを受けて逆解析を行い、欠陥有無推定情報及び欠陥位置推定情報を出力し、
前記欠陥情報報知手段は、前記ニューラルネットワークから出力された前記欠陥有無推定情報及び欠陥位置推定情報に応じて、前記籠型回転子の導体棒に存在する欠陥の有無及び位置を報知することを特徴とする。
【発明の効果】
【0010】
請求項１に係る籠型回転子の欠陥検出装置は、変動磁場発生手段に所定の交流が印加された時に検出手段で検出された時系列の電流値データ又は電圧値データを、ニューラルネットワークに入力することによって逆解析を行い、欠陥有無推定情報を出力し、出力された欠陥有無推定情報に応じて、籠型回転子の導体棒に存在する欠陥の有無を報知する欠陥情報報知手段を備えているとともに、ニューラルネットワークは、回転子モデル解析手段から出力される多数の回転子モデルについての学習データが予め与えられ、自己学習させることによって最適化されているので、外観検査やテスター等による検査を行うことのできない閉鎖スロットに形成される導体棒の内部に存在している可能性のある欠陥の有無を、熟練者に頼ることなくＡＩを用いて容易かつ確実に推定し報知することができる。
そのため、導体棒の欠陥による誘導電動機の性能低下を、誘導電動機を組み上げる前に事前に推定し報知できることから、籠型回転子の性能低下を予防でき、製品の品質向上につなげることができるとともに、各種トラブルの発生を抑制することができる。
そのため、導体棒の欠陥による誘導電動機の性能低下を、誘導電動機を組み上げる前に事前に推定し報知できることから、籠型回転子の性能低下を予防でき、製品の品質向上につなげることができるとともに、各種トラブルの発生を抑制することができる。
【0011】
請求項２に係る籠型回転子の欠陥検出装置は、請求項１に係る発明が奏する上記の効果に加え、ニューラルネットワークは、欠陥有無推定情報に代えて欠陥規模推定情報を出力し、欠陥情報報知手段は、欠陥規模推定情報に応じて欠陥の規模を報知するので、籠型回転子の導体棒に存在する欠陥の規模を推定し報知することができる。
【0012】
請求項３に係る籠型回転子の欠陥検出装置は、請求項１に係る発明が奏する上記の効果に加え、ニューラルネットワークは、欠陥有無推定情報及び欠陥位置推定情報を出力し、欠陥情報報知手段は、欠陥有無推定情報及び欠陥位置推定情報に応じて欠陥の有無及び位置を報知するので、籠型回転子の導体棒に存在する欠陥の位置についても推定し報知することができる。
【図面の簡単な説明】
【0013】
【図1】実施例１に係る籠型回転子の欠陥検出装置のブロック図。
【図2】バー切れを模した円柱状の欠陥の例を示す図。
【図3】大きな鋳巣を模した半円柱状の欠陥の例を示す図。
【図4】小さな鋳巣を模した半円柱状の欠陥の例を示す図。
【図5】検出手段の第２コイルに誘導電流が発生する原理を説明する図。
【図6】実施例１に係る籠型回転子の欠陥検出装置のアルゴリズムを示すフロー図。
【図7】欠陥の規模のパターンと位置のパターンについての２０ケースを示す表。
【図9】検証用データを逆解析して得られた欠陥の規模及び位置の推定結果を示す表。
【図10】実施例２に係る籠型回転子の欠陥検出装置のブロック図。
【図11】実施例２に係る籠型回転子の欠陥検出装置のアルゴリズムを示すフロー図。
【発明を実施するための形態】
【0014】
以下、実施例によって、本発明の実施の形態を説明する。
【実施例1】
【0015】
図１は実施例１に係る籠型回転子の欠陥検出装置のブロック図である。
図１に示すように、実施例１に係る籠型回転子の欠陥検出装置は、誘導電動機の籠型回転子Ｒ（具体的には、円筒状の回転子鉄心の外周面近傍に導体棒を有するとともに、回転子鉄心の両端部において一対の端絡環によって全ての導体棒が連結されているもの）の導体棒内部に発生する可能性のある欠陥の有無、規模及び位置を推定し報知するためのものであって、次の各手段からなっている。
（１）籠型回転子Ｒの１つの導体棒に跨って配置可能なコの字状の第１鉄心、第１鉄心に巻回される第１コイル及び第１コイルに接続される交流電源からなる変動磁場発生手段１。
（２）籠型回転子Ｒの１つの導体棒に跨って配置可能なコの字状の第２鉄心、第２鉄心に巻回される第２コイル及び第２コイルに誘起される電流値を検出する検出手段２。
なお、籠型回転子Ｒを構成する回転子鉄心、導体棒及び端絡環並びに第１鉄心及び第２鉄心の材質や形状、さらに、第１コイル及び第２コイルの抵抗率、線径、巻き数等は事前に分かっており、交流電源は単相１００Ｖ、５０Ｈｚである。
図１に示すように、実施例１に係る籠型回転子の欠陥検出装置は、誘導電動機の籠型回転子Ｒ（具体的には、円筒状の回転子鉄心の外周面近傍に導体棒を有するとともに、回転子鉄心の両端部において一対の端絡環によって全ての導体棒が連結されているもの）の導体棒内部に発生する可能性のある欠陥の有無、規模及び位置を推定し報知するためのものであって、次の各手段からなっている。
（１）籠型回転子Ｒの１つの導体棒に跨って配置可能なコの字状の第１鉄心、第１鉄心に巻回される第１コイル及び第１コイルに接続される交流電源からなる変動磁場発生手段１。
（２）籠型回転子Ｒの１つの導体棒に跨って配置可能なコの字状の第２鉄心、第２鉄心に巻回される第２コイル及び第２コイルに誘起される電流値を検出する検出手段２。
なお、籠型回転子Ｒを構成する回転子鉄心、導体棒及び端絡環並びに第１鉄心及び第２鉄心の材質や形状、さらに、第１コイル及び第２コイルの抵抗率、線径、巻き数等は事前に分かっており、交流電源は単相１００Ｖ、５０Ｈｚである。
【0016】
（３）籠型回転子Ｒについて、１つの導体棒に存在する欠陥が異なる多数の回転子モデルＭ１～Ｍｎを作成し、回転子モデルＭ１～Ｍｎに関する構造データＫ１～Ｋｎを出力する回転子モデルデータ出力手段３。
（４）回転子モデルデータ出力手段３から出力される構造データＫ１～Ｋｎ及び交流電源データＡＣを受けて、変動磁場発生手段１と検出手段２を各回転子モデルの１つの導体棒に跨って配置し、第１コイルに所定の交流を印加した場合に、第２コイルに誘起される電流値を数値解析する数値解析手段を有し、回転子モデルＭ１については、特定情報ｋ１と数値解析により得られた数値解析データＡ１を学習データＬ１として出力し、以下同様に回転子モデルＭｎについては、特定情報ｋｎと数値解析により得られた数値解析データＡｎを学習データＬｎとして出力する回転子モデル解析手段４。
（５）変動磁場発生手段１に所定の交流が印加された時に、検出手段２で検出された時系列の電流値データＣを受けて逆解析を行い、籠型回転子Ｒの導体棒に存在する欠陥の有無、規模及び位置を示す欠陥状態推定情報を出力するニューラルネットワーク５。
（６）ニューラルネットワーク５から出力された欠陥状態推定情報に応じて、籠型回転子Ｒの導体棒に存在する欠陥の有無、規模及び位置を表示する欠陥情報表示手段６。
（４）回転子モデルデータ出力手段３から出力される構造データＫ１～Ｋｎ及び交流電源データＡＣを受けて、変動磁場発生手段１と検出手段２を各回転子モデルの１つの導体棒に跨って配置し、第１コイルに所定の交流を印加した場合に、第２コイルに誘起される電流値を数値解析する数値解析手段を有し、回転子モデルＭ１については、特定情報ｋ１と数値解析により得られた数値解析データＡ１を学習データＬ１として出力し、以下同様に回転子モデルＭｎについては、特定情報ｋｎと数値解析により得られた数値解析データＡｎを学習データＬｎとして出力する回転子モデル解析手段４。
（５）変動磁場発生手段１に所定の交流が印加された時に、検出手段２で検出された時系列の電流値データＣを受けて逆解析を行い、籠型回転子Ｒの導体棒に存在する欠陥の有無、規模及び位置を示す欠陥状態推定情報を出力するニューラルネットワーク５。
（６）ニューラルネットワーク５から出力された欠陥状態推定情報に応じて、籠型回転子Ｒの導体棒に存在する欠陥の有無、規模及び位置を表示する欠陥情報表示手段６。
【0017】
以下では、各手段について詳しく説明する。
（変動磁場発生手段１）
変動磁場発生手段１は、コの字状の第１鉄心を籠型回転子Ｒの一端側（図１の右側）において１つの導体棒に跨るように配置し、第１コイルに交流電源から所定の交流（１００Ｖ、１０Ａ、５０Ｈｚ）を印加し、第１コイルに流れる励磁電流によって、第１鉄心と回転子鉄心との間に１つの導体棒に鎖交する交番磁束を形成する手段である。
なお、コの字状の第１鉄心は１つの導体棒に跨っていれば、籠型回転子Ｒのどこに配置しても良いが、実施例１では一例として一端側に配置している。
また、所定の交流は高電圧及び大電流とした方が、推定精度を上げることができるので、第１コイルには太いものを使用し、できる限り多く巻回した方が良い。
（変動磁場発生手段１）
変動磁場発生手段１は、コの字状の第１鉄心を籠型回転子Ｒの一端側（図１の右側）において１つの導体棒に跨るように配置し、第１コイルに交流電源から所定の交流（１００Ｖ、１０Ａ、５０Ｈｚ）を印加し、第１コイルに流れる励磁電流によって、第１鉄心と回転子鉄心との間に１つの導体棒に鎖交する交番磁束を形成する手段である。
なお、コの字状の第１鉄心は１つの導体棒に跨っていれば、籠型回転子Ｒのどこに配置しても良いが、実施例１では一例として一端側に配置している。
また、所定の交流は高電圧及び大電流とした方が、推定精度を上げることができるので、第１コイルには太いものを使用し、できる限り多く巻回した方が良い。
【0018】
（検出手段２）
検出手段２は、コの字状の第２鉄心を籠型回転子Ｒの他端側（図１の左側）において、第１鉄心を跨らせたのと同じ１つの導体棒に跨るように配置し、第２コイルに接続されている電流計で電流値を検出し、第２コイルに誘起される時系列の電流値データＣを検出する手段である（第２コイルに電流が誘起される原理については後述する）。
なお、第２鉄心は上記１つの導体棒に跨っていれば、籠型回転子Ｒのどこに配置しても良いが、実施例１では処理を容易にするため他端側に固定的に配置している。
また、第２コイルに誘起される時系列の電流は比較的小さいため、第２コイルに使用する電線は第１コイルより細いもので良く、巻き数を多くした方が良い。
検出手段２は、コの字状の第２鉄心を籠型回転子Ｒの他端側（図１の左側）において、第１鉄心を跨らせたのと同じ１つの導体棒に跨るように配置し、第２コイルに接続されている電流計で電流値を検出し、第２コイルに誘起される時系列の電流値データＣを検出する手段である（第２コイルに電流が誘起される原理については後述する）。
なお、第２鉄心は上記１つの導体棒に跨っていれば、籠型回転子Ｒのどこに配置しても良いが、実施例１では処理を容易にするため他端側に固定的に配置している。
また、第２コイルに誘起される時系列の電流は比較的小さいため、第２コイルに使用する電線は第１コイルより細いもので良く、巻き数を多くした方が良い。
【0019】
（回転子モデルデータ出力手段３）
回転子モデルデータ出力手段３は、内部構造、すなわち欠陥の規模と位置が異なる（欠陥の無いものを含む）回転子モデルＭ１～Ｍｎとして、１つの導体棒に図２～４に示すようなバー切れ又は鋳巣を模した様々な大きさの半円柱状又は円柱状の欠陥１つを、ランダムに配置したものを作成する。
そして、欠陥の規模としては、次の（１）～（４）の全５００パターンを作成した。
（１）円柱状の欠陥によって導体棒の断面がほぼ全部（０．１ｍｍ2未満に）削れているもの（表では「バー切」と表示。）を３１パターン（図２はその一例）。
（２）導体棒の厚さと同じ半径を有する半円柱状の欠陥によって、導体棒の残っている断面積が０．１ｍｍ2以上８ｍｍ2未満のもの（表では「小」と表示。）を１９２パターン（図３はその一例）。
（３）導体棒の厚さの半分の半径を有する半円柱状の欠陥によって、導体棒の残っている断面積が８ｍｍ2以上２０ｍｍ2未満のもの（表では「大」と表示。）を２２１パターン（図４はその一例）。
（４）導体棒のどこにも欠陥がないもの（表では「傷無」と表示。）を５６パターン。
また、欠陥の位置としては、次の（ａ）～（ｃ）の全５００パターンを作成した。
（ａ）欠陥が検出手段の真下にあるもの（表では「真下」と表示。）を６５パターン。
（ｂ）欠陥が検出手段の真下にないもの（表では「外」と表示。）を３７９パターン（図２～４はいずれもこのパターン）。
（ｃ）導体棒のどこにも欠陥がないもの（表では「傷無」と表示。）を５６パターン。
なお、実施例１における回転子モデルの全５００パターンは、（１）及び（ａ）のパターン、（１）及び（ｂ）のパターン、（２）及び（ａ）のパターン、（２）及び（ｂ）のパターン、（３）及び（ａ）のパターン、（３）及び（ｂ）のパターン並びに（４）及び（ｃ）のパターンのいずれかに振り分けられる。
また、各回転子モデルに１対１に対応する構造データＫ１～Ｋｎを出力している。
回転子モデルデータ出力手段３は、内部構造、すなわち欠陥の規模と位置が異なる（欠陥の無いものを含む）回転子モデルＭ１～Ｍｎとして、１つの導体棒に図２～４に示すようなバー切れ又は鋳巣を模した様々な大きさの半円柱状又は円柱状の欠陥１つを、ランダムに配置したものを作成する。
そして、欠陥の規模としては、次の（１）～（４）の全５００パターンを作成した。
（１）円柱状の欠陥によって導体棒の断面がほぼ全部（０．１ｍｍ2未満に）削れているもの（表では「バー切」と表示。）を３１パターン（図２はその一例）。
（２）導体棒の厚さと同じ半径を有する半円柱状の欠陥によって、導体棒の残っている断面積が０．１ｍｍ2以上８ｍｍ2未満のもの（表では「小」と表示。）を１９２パターン（図３はその一例）。
（３）導体棒の厚さの半分の半径を有する半円柱状の欠陥によって、導体棒の残っている断面積が８ｍｍ2以上２０ｍｍ2未満のもの（表では「大」と表示。）を２２１パターン（図４はその一例）。
（４）導体棒のどこにも欠陥がないもの（表では「傷無」と表示。）を５６パターン。
また、欠陥の位置としては、次の（ａ）～（ｃ）の全５００パターンを作成した。
（ａ）欠陥が検出手段の真下にあるもの（表では「真下」と表示。）を６５パターン。
（ｂ）欠陥が検出手段の真下にないもの（表では「外」と表示。）を３７９パターン（図２～４はいずれもこのパターン）。
（ｃ）導体棒のどこにも欠陥がないもの（表では「傷無」と表示。）を５６パターン。
なお、実施例１における回転子モデルの全５００パターンは、（１）及び（ａ）のパターン、（１）及び（ｂ）のパターン、（２）及び（ａ）のパターン、（２）及び（ｂ）のパターン、（３）及び（ａ）のパターン、（３）及び（ｂ）のパターン並びに（４）及び（ｃ）のパターンのいずれかに振り分けられる。
また、各回転子モデルに１対１に対応する構造データＫ１～Ｋｎを出力している。
【0020】
（回転子モデル解析手段４）
実施例１の回転子モデル解析手段４では、数値解析手段として有限要素法による解析手段（以下「ＦＥＭ電磁解析手段」という。）を用いた。
ＦＥＭ電磁解析手段によれば、回転子モデル及び籠型回転子Ｒの１つの導体棒に跨って配置される第１鉄心と第２鉄心を多数の四面体のメッシュに切り、各種の条件（回転子モデルの磁性体部分の透磁率、表皮部分の透磁率、導体棒の透磁率及び比抵抗、第１鉄心及び第２鉄心の透磁率並びに第１コイル及び第２コイルの巻き数）を設定すると、回転子モデルに変動磁場発生手段１及び検出手段２を設置したと仮定した場合において、第１コイルに所定の交流（１００Ｖ,１０Ａ,５０Ｈｚ）を印加することによって、第２コイルに発生する誘導電流の時系列データを求めることができる。
ここで、第２コイルに電流が発生する原理は、図５に示すように、第１コイル１ｃに所定の交流１ｐを印加すると、第１鉄心１ｉが跨っている導体棒Ｒｃの周囲に発生する変動磁場φ(t)によって導体棒Ｒｃに電流I(t)が誘起され、その電流I(t)によって第２鉄心に変動磁場が発生し、その変動磁場によって第２コイルに誘導電流が発生することによる。
そして、回転子モデルデータ出力手段３によって、内部構造（欠陥の規模と位置）が各々異なる回転子モデルＭ１～Ｍｎが作成され、各回転子モデルに関する構造データＫ１～Ｋｎ及び交流電源データＡＣが出力されると、各回転子モデルの１つの導体棒に変動磁場発生手段１及び検出手段２が配置され、第１コイルに所定の交流が印加された場合に、第２コイルに発生する誘導電流の数値解析データが得られるので、各回転子モデルを特定する特定情報ｋ１～ｋｎ及び各回転子モデルについて得られた数値解析データＡ１～Ａｎからなる大量の学習データＬ１～Ｌｎを短時間のうちに用意することができる。
実施例１の回転子モデル解析手段４では、数値解析手段として有限要素法による解析手段（以下「ＦＥＭ電磁解析手段」という。）を用いた。
ＦＥＭ電磁解析手段によれば、回転子モデル及び籠型回転子Ｒの１つの導体棒に跨って配置される第１鉄心と第２鉄心を多数の四面体のメッシュに切り、各種の条件（回転子モデルの磁性体部分の透磁率、表皮部分の透磁率、導体棒の透磁率及び比抵抗、第１鉄心及び第２鉄心の透磁率並びに第１コイル及び第２コイルの巻き数）を設定すると、回転子モデルに変動磁場発生手段１及び検出手段２を設置したと仮定した場合において、第１コイルに所定の交流（１００Ｖ,１０Ａ,５０Ｈｚ）を印加することによって、第２コイルに発生する誘導電流の時系列データを求めることができる。
ここで、第２コイルに電流が発生する原理は、図５に示すように、第１コイル１ｃに所定の交流１ｐを印加すると、第１鉄心１ｉが跨っている導体棒Ｒｃの周囲に発生する変動磁場φ(t)によって導体棒Ｒｃに電流I(t)が誘起され、その電流I(t)によって第２鉄心に変動磁場が発生し、その変動磁場によって第２コイルに誘導電流が発生することによる。
そして、回転子モデルデータ出力手段３によって、内部構造（欠陥の規模と位置）が各々異なる回転子モデルＭ１～Ｍｎが作成され、各回転子モデルに関する構造データＫ１～Ｋｎ及び交流電源データＡＣが出力されると、各回転子モデルの１つの導体棒に変動磁場発生手段１及び検出手段２が配置され、第１コイルに所定の交流が印加された場合に、第２コイルに発生する誘導電流の数値解析データが得られるので、各回転子モデルを特定する特定情報ｋ１～ｋｎ及び各回転子モデルについて得られた数値解析データＡ１～Ａｎからなる大量の学習データＬ１～Ｌｎを短時間のうちに用意することができる。
【0021】
（ニューラルネットワーク５）
ニューラルネットワーク５は、図１に示すように、入力層５Ｉ、出力層５Ｏ、学習データ蓄積手段５Ｌ、学習データ蓄積手段５Ｌに大量の学習データＬ１～Ｌｎを入力する学習データ入力手段５Ｔ並びに図示しない複数の中間層、その他で構築される。
また、中間層は、畳み込み層やプーリング層、全結合層など様々に工夫された層を、必要に応じて組み合わせて構成される。
そして、ニューラルネットワーク５は、学習データ蓄積手段５Ｌに大量の学習データＬ１～Ｌｎを蓄え、自己学習させることによって最適化される。すなわち、十分な数（欠陥の規模や位置をどの程度まで推定するかに応じて１万～数１０万）の学習データによって最適化されたパラメータを用いることにより９５％以上の推定精度を得ることができる。
そうした上で、入力層５Ｉに実際に検出手段２から出力された時系列の電流値データＣが入力されると、ニューラルネットワーク５は逆解析を行い、籠型回転子Ｒの導体棒に存在する欠陥の有無、規模及び位置を示す欠陥状態推定情報を出力層５Ｏから出力する。
ニューラルネットワーク５は、図１に示すように、入力層５Ｉ、出力層５Ｏ、学習データ蓄積手段５Ｌ、学習データ蓄積手段５Ｌに大量の学習データＬ１～Ｌｎを入力する学習データ入力手段５Ｔ並びに図示しない複数の中間層、その他で構築される。
また、中間層は、畳み込み層やプーリング層、全結合層など様々に工夫された層を、必要に応じて組み合わせて構成される。
そして、ニューラルネットワーク５は、学習データ蓄積手段５Ｌに大量の学習データＬ１～Ｌｎを蓄え、自己学習させることによって最適化される。すなわち、十分な数（欠陥の規模や位置をどの程度まで推定するかに応じて１万～数１０万）の学習データによって最適化されたパラメータを用いることにより９５％以上の推定精度を得ることができる。
そうした上で、入力層５Ｉに実際に検出手段２から出力された時系列の電流値データＣが入力されると、ニューラルネットワーク５は逆解析を行い、籠型回転子Ｒの導体棒に存在する欠陥の有無、規模及び位置を示す欠陥状態推定情報を出力層５Ｏから出力する。
【0022】
（欠陥情報表示手段６）
欠陥情報表示手段６は、ニューラルネットワーク５から出力された欠陥状態推定情報に応じて、籠型回転子Ｒの導体棒に存在する欠陥の有無、規模及び位置を表示するものであり、通常の表示態様では各導体棒を模した線分にナンバーを付しておくとともに、欠陥の規模と位置を示す表示を各線分の対応する位置に表示する。
なお、どの導体棒かを特定する数字と欠陥の規模と位置を示す文字、記号又は数字等を表にして表示する態様も選択できる。
欠陥情報表示手段６は、ニューラルネットワーク５から出力された欠陥状態推定情報に応じて、籠型回転子Ｒの導体棒に存在する欠陥の有無、規模及び位置を表示するものであり、通常の表示態様では各導体棒を模した線分にナンバーを付しておくとともに、欠陥の規模と位置を示す表示を各線分の対応する位置に表示する。
なお、どの導体棒かを特定する数字と欠陥の規模と位置を示す文字、記号又は数字等を表にして表示する態様も選択できる。
【0023】
図６は、実施例１に係る籠型回転子の欠陥検出装置のアルゴリズムを示すフロー図であり、以下の手順（Ｔ１）～（Ｔ４）で多数の学習データＬ１～Ｌｎを生成し、ニューラルネットワーク５に蓄積して自己学習させた上で、手順（１）～（６）で籠型回転子Ｒの導体棒に存在する欠陥の有無、規模及び位置を推定し、推定した欠陥の有無、規模及び位置を表示する。
（Ｔ１）事前に分かっている籠型回転子Ｒの回転子鉄心、導体棒及び端絡環等の材質や形状等に基づいて、多数の回転子モデル（Ｍ１～Ｍｎ）を作成する。
（Ｔ２）各回転子モデルの構造データＫ１～Ｋｎを作成する。
（Ｔ３）ＦＥＭ電磁解析手段により、各構造データＫ１～Ｋｎ及び交流電源データＡＣに基づいて、各回転子モデルにおいて第１コイルに所定の交流を印加した場合に、第２コイルに誘起される電流値の時系列データを示す数値解析データＡ１～Ａｎを出力する。
（Ｔ４）各回転子モデルを特定する特定情報ｋ１～ｋｎ及び上記Ｔ３で出力された数値解析データＡ１～Ａｎからなる学習データＬ１～Ｌｎを生成し、ニューラルネットワーク５に蓄積する。
（１）籠型回転子Ｒの一端側に配置した変動磁場発生手段１に所定の交流を印加する。
（２）変動磁場発生手段１の第１コイルに所定の交流を印加した場合に、検出手段２の第２コイルに誘起される時系列の電流値データＣを検出する。
（３）検出した時系列の電流値データＣをニューラルネットワーク５に送る。
（４）ニューラルネットワーク５は、入力された時系列の電流値データＣに基づいて逆解析を行う。
（５）逆解析により籠型回転子Ｒの導体棒に存在する欠陥の有無、規模及び位置を示す欠陥状態推定情報を出力し、欠陥情報表示手段６に送る。
（６）欠陥情報表示手段６は、欠陥状態推定情報に基づいて籠型回転子Ｒの導体棒に存在する欠陥の有無、規模及び位置の表示を行う。
そして、推定及び表示を行っていない導体棒があれば、変動磁場発生手段１及び検出手段２を、その導体棒に跨らせるように移動させて上記手順（１）～（６）を実行し、全部の導体棒について推定した欠陥の有無、規模及び位置を表示したら終了する。
（Ｔ１）事前に分かっている籠型回転子Ｒの回転子鉄心、導体棒及び端絡環等の材質や形状等に基づいて、多数の回転子モデル（Ｍ１～Ｍｎ）を作成する。
（Ｔ２）各回転子モデルの構造データＫ１～Ｋｎを作成する。
（Ｔ３）ＦＥＭ電磁解析手段により、各構造データＫ１～Ｋｎ及び交流電源データＡＣに基づいて、各回転子モデルにおいて第１コイルに所定の交流を印加した場合に、第２コイルに誘起される電流値の時系列データを示す数値解析データＡ１～Ａｎを出力する。
（Ｔ４）各回転子モデルを特定する特定情報ｋ１～ｋｎ及び上記Ｔ３で出力された数値解析データＡ１～Ａｎからなる学習データＬ１～Ｌｎを生成し、ニューラルネットワーク５に蓄積する。
（１）籠型回転子Ｒの一端側に配置した変動磁場発生手段１に所定の交流を印加する。
（２）変動磁場発生手段１の第１コイルに所定の交流を印加した場合に、検出手段２の第２コイルに誘起される時系列の電流値データＣを検出する。
（３）検出した時系列の電流値データＣをニューラルネットワーク５に送る。
（４）ニューラルネットワーク５は、入力された時系列の電流値データＣに基づいて逆解析を行う。
（５）逆解析により籠型回転子Ｒの導体棒に存在する欠陥の有無、規模及び位置を示す欠陥状態推定情報を出力し、欠陥情報表示手段６に送る。
（６）欠陥情報表示手段６は、欠陥状態推定情報に基づいて籠型回転子Ｒの導体棒に存在する欠陥の有無、規模及び位置の表示を行う。
そして、推定及び表示を行っていない導体棒があれば、変動磁場発生手段１及び検出手段２を、その導体棒に跨らせるように移動させて上記手順（１）～（６）を実行し、全部の導体棒について推定した欠陥の有無、規模及び位置を表示したら終了する。
【0024】
図７は欠陥の規模のパターンと位置のパターンに関する２０種類のケースを示す表であり、図８は図７に示すケース１～２０の回転子モデルについて、第２コイルに発生する誘導電流の数値解析データ（時系列の電流値データ）を示すグラフである。
図８に示すグラフのうち、振幅が最も小さい破線のグラフは、ケース７の欠陥（検出手段２の真下にないバー切れ）を有する回転子モデルについての数値解析データであり、振幅が次に小さい二点鎖線のグラフは、ケース８の欠陥（検出手段２の真下にないバー切れ）を有する回転子モデルについての数値解析データである。
なお、同じ検出手段２の真下にないバー切れの欠陥であるにもかかわらず異なるグラフとなる原因は、バー切れの程度が違っているからである。
また、振幅が３番目に小さい二点鎖線のグラフは、ケース２０の欠陥（検出手段２の真下にない断面積０．１～８ｍｍ2）を有する回転子モデルについての数値解析データであり、振幅が４番目に小さい鎖線のグラフは、ケース９の欠陥（検出手段２の真下にない断面積０．１～８ｍｍ2）を有する回転子モデルについての数値解析データである。
この２つのグラフについても、同じ検出手段２の真下にない断面積０．１～８ｍｍ2の欠陥であるにもかかわらず、異なるグラフとなる原因は導体棒に残っている断面積が違っているからである。
さらに、振幅が最も大きい実線のグラフは、ケース１の欠陥（傷無）である回転子モデルについての数値解析データであり、ケース４の欠陥（傷無）である回転子モデルについての一点鎖線のグラフは、ケース１のグラフと完全に重なっている。
その他のグラフについては、導体棒の残っている断面積が比較的大きいため、振幅の変化の差が小さく図８では判別し難いが、実際には異なるグラフとなっている。
図８に示すグラフのうち、振幅が最も小さい破線のグラフは、ケース７の欠陥（検出手段２の真下にないバー切れ）を有する回転子モデルについての数値解析データであり、振幅が次に小さい二点鎖線のグラフは、ケース８の欠陥（検出手段２の真下にないバー切れ）を有する回転子モデルについての数値解析データである。
なお、同じ検出手段２の真下にないバー切れの欠陥であるにもかかわらず異なるグラフとなる原因は、バー切れの程度が違っているからである。
また、振幅が３番目に小さい二点鎖線のグラフは、ケース２０の欠陥（検出手段２の真下にない断面積０．１～８ｍｍ2）を有する回転子モデルについての数値解析データであり、振幅が４番目に小さい鎖線のグラフは、ケース９の欠陥（検出手段２の真下にない断面積０．１～８ｍｍ2）を有する回転子モデルについての数値解析データである。
この２つのグラフについても、同じ検出手段２の真下にない断面積０．１～８ｍｍ2の欠陥であるにもかかわらず、異なるグラフとなる原因は導体棒に残っている断面積が違っているからである。
さらに、振幅が最も大きい実線のグラフは、ケース１の欠陥（傷無）である回転子モデルについての数値解析データであり、ケース４の欠陥（傷無）である回転子モデルについての一点鎖線のグラフは、ケース１のグラフと完全に重なっている。
その他のグラフについては、導体棒の残っている断面積が比較的大きいため、振幅の変化の差が小さく図８では判別し難いが、実際には異なるグラフとなっている。
【0025】
実施例１では様々な欠陥の規模と位置（傷無を含む）を有する回転子モデルを全５００パターン作成し、４５０パターンの回転子モデルについての数値解析データを学習用に用い、残り５０パターンの回転子モデルについての数値解析データは検証用とした。
図９は検証用の数値解析データのうちの２５個（２５組の時系列の電流値データ）をニューラルネットワーク５に入力し、逆解析して得られた欠陥状態推定情報（欠陥の規模と位置についての確率）及び推測した状態と実際の状態とを比較した結果の表である。
なお、推測欄における「バー切」、「小」、「大」、「傷無」、「外」、「真下」及び「傷無」の記載は、それぞれの確率が７５％以上であることを示しており、「小切」、「小大」、「大切」、「大小」、「大無」、「外下」及び「外無」は、７５％以上の確率のものが無い場合に、最大確率のものを左側に、次に大きい確率のものを右側に記載してある。
ただし、「小切」及び「大切」の「切」は「バー切」を、「外下」の「下」は「真下」を、「大無」及び「外無」の「無」は「傷無」を示している。
そして、推測した欠陥の規模（残部の面積）と実際の欠陥の規模を比較してみると、１４個は完全一致「◎」、９個は一致「○」（７５％以上の確率ではないが最大確率のものが一致）、２個は次点一致「△」（最大確率が７５％未満で２番目に高い確率のものが一致）であり、次点一致を外れとしても９２％の正答率であった。
また、７５％以上の確率となったものは全て完全一致しており、完全に外れとなったものはなかったので、損傷の程度については学習データが４５０個（４５０組の時系列の電流値データ）しかなくても、高い精度で推定できていることを確認できた。
次に、推測した欠陥の位置と実際の欠陥の位置を比較してみると、１３個は完全一致「◎」、８個は一致「○」、１個は次点一致「△」、３個は外れ「×」（７５％以上の確率のものが不一致又は次点一致も無し）であり、次点一致を外れとしても８４％の正答率であった。
図９は検証用の数値解析データのうちの２５個（２５組の時系列の電流値データ）をニューラルネットワーク５に入力し、逆解析して得られた欠陥状態推定情報（欠陥の規模と位置についての確率）及び推測した状態と実際の状態とを比較した結果の表である。
なお、推測欄における「バー切」、「小」、「大」、「傷無」、「外」、「真下」及び「傷無」の記載は、それぞれの確率が７５％以上であることを示しており、「小切」、「小大」、「大切」、「大小」、「大無」、「外下」及び「外無」は、７５％以上の確率のものが無い場合に、最大確率のものを左側に、次に大きい確率のものを右側に記載してある。
ただし、「小切」及び「大切」の「切」は「バー切」を、「外下」の「下」は「真下」を、「大無」及び「外無」の「無」は「傷無」を示している。
そして、推測した欠陥の規模（残部の面積）と実際の欠陥の規模を比較してみると、１４個は完全一致「◎」、９個は一致「○」（７５％以上の確率ではないが最大確率のものが一致）、２個は次点一致「△」（最大確率が７５％未満で２番目に高い確率のものが一致）であり、次点一致を外れとしても９２％の正答率であった。
また、７５％以上の確率となったものは全て完全一致しており、完全に外れとなったものはなかったので、損傷の程度については学習データが４５０個（４５０組の時系列の電流値データ）しかなくても、高い精度で推定できていることを確認できた。
次に、推測した欠陥の位置と実際の欠陥の位置を比較してみると、１３個は完全一致「◎」、８個は一致「○」、１個は次点一致「△」、３個は外れ「×」（７５％以上の確率のものが不一致又は次点一致も無し）であり、次点一致を外れとしても８４％の正答率であった。
【実施例2】
【0026】
図１０は実施例２に係る籠型回転子の欠陥検出装置のブロック図である。なお、基本的な構成は実施例１とほとんど同じなので、図１と同じ番号及び記号を用いて説明する。
実施例２は、実施例１において、実際の欠陥の位置が「真下」である３つの検証用データを検証した結果、２つが外れとなったことに鑑み、検出手段２の真下にある欠陥を有する回転子モデルについての数値解析データが多く得られるようにしたものである。
すなわち、実施例１では処理を容易にするため他端側に固定的に配置していた検出手段２を、回転子モデルの他端から変動磁場発生手段１が配置されている箇所の間に設定した複数箇所（ｍ箇所、ただしｍ≧２）に順次配置し、１つの回転子モデルについて検出手段２の配置位置を変更した複数個の数値解析データを得て、検出手段２の配置位置及び回転子モデルを特定する特定情報ｋ１１～ｋ１ｍ、ｋ２１～ｋ２ｍ・・・ｋｎ１～ｋｎｍ（以下「ｋ１１～ｋｎｍ」と略記する。）及び検出手段２を配置した各回転子モデルについて得られた数値解析データＡ１１～Ａ１ｍ、Ａ２１～Ａ２ｍ・・・Ａｎ１～Ａｎｍ（以下「Ａ１１～Ａｎｍ」と略記する。）からなる大量の学習データＬ１１～Ｌ１ｍ、Ｌ２１～Ｌ２ｍ・・・Ｌｎ１～Ｌｎｍ（以下「Ｌ１１～Ｌｎｍ」と略記する。）を用意する。
そして、学習データＬ１１～Ｌｎｍをニューラルネットワーク５に蓄積し自己学習させて最適化した上で、図１０に示すように検出手段２を籠型回転子Ｒの他端から変動磁場発生手段１が配置されている箇所の間に設定した複数箇所に順次配置し、第１コイルに所定の交流を印加して検出手段２で時系列の電流値データＣ１～Ｃｍを検出し、検出手段２の配置位置データＰ１～Ｐｍととともにニューラルネットワーク５の入力層５Ｉに入力する。
すると、ニューラルネットワーク５は逆解析を行い、籠型回転子Ｒの導体棒に存在する欠陥の有無、規模及び位置を示す欠陥状態推定情報を出力層５Ｏから出力する。
なお、逆解析を行うに際して、検出手段２を設定した複数箇所に順次配置して時系列の電流値データＣ１～Ｃｍを検出するが、複数箇所は等間隔とした方が良く、その間隔は小さい方が検出手段２の真下にある欠陥を高い精度でつきとめることができる。
実施例２は、実施例１において、実際の欠陥の位置が「真下」である３つの検証用データを検証した結果、２つが外れとなったことに鑑み、検出手段２の真下にある欠陥を有する回転子モデルについての数値解析データが多く得られるようにしたものである。
すなわち、実施例１では処理を容易にするため他端側に固定的に配置していた検出手段２を、回転子モデルの他端から変動磁場発生手段１が配置されている箇所の間に設定した複数箇所（ｍ箇所、ただしｍ≧２）に順次配置し、１つの回転子モデルについて検出手段２の配置位置を変更した複数個の数値解析データを得て、検出手段２の配置位置及び回転子モデルを特定する特定情報ｋ１１～ｋ１ｍ、ｋ２１～ｋ２ｍ・・・ｋｎ１～ｋｎｍ（以下「ｋ１１～ｋｎｍ」と略記する。）及び検出手段２を配置した各回転子モデルについて得られた数値解析データＡ１１～Ａ１ｍ、Ａ２１～Ａ２ｍ・・・Ａｎ１～Ａｎｍ（以下「Ａ１１～Ａｎｍ」と略記する。）からなる大量の学習データＬ１１～Ｌ１ｍ、Ｌ２１～Ｌ２ｍ・・・Ｌｎ１～Ｌｎｍ（以下「Ｌ１１～Ｌｎｍ」と略記する。）を用意する。
そして、学習データＬ１１～Ｌｎｍをニューラルネットワーク５に蓄積し自己学習させて最適化した上で、図１０に示すように検出手段２を籠型回転子Ｒの他端から変動磁場発生手段１が配置されている箇所の間に設定した複数箇所に順次配置し、第１コイルに所定の交流を印加して検出手段２で時系列の電流値データＣ１～Ｃｍを検出し、検出手段２の配置位置データＰ１～Ｐｍととともにニューラルネットワーク５の入力層５Ｉに入力する。
すると、ニューラルネットワーク５は逆解析を行い、籠型回転子Ｒの導体棒に存在する欠陥の有無、規模及び位置を示す欠陥状態推定情報を出力層５Ｏから出力する。
なお、逆解析を行うに際して、検出手段２を設定した複数箇所に順次配置して時系列の電流値データＣ１～Ｃｍを検出するが、複数箇所は等間隔とした方が良く、その間隔は小さい方が検出手段２の真下にある欠陥を高い精度でつきとめることができる。
【0027】
図１１は、実施例２に係る籠型回転子の欠陥検出装置のアルゴリズムを示すフロー図であり、以下の手順（Ｔ１’）～（Ｔ４’）で多数の学習データＬ１１～Ｌｎｍを生成し、ニューラルネットワーク５に蓄積して自己学習させた上で、手順（１’）～（６’）で籠型回転子Ｒの導体棒に存在する欠陥の有無、規模及び位置を推定し、推定した欠陥の有無、規模及び位置を表示する。
（Ｔ１’）事前に分かっている籠型回転子Ｒの回転子鉄心、導体棒及び端絡環等の材質や形状等に基づいて、多数の回転子モデル（Ｍ１～Ｍｎ）を作成する。
（Ｔ２’）各回転子モデルの構造データＫ１～Ｋｎを作成する。
（Ｔ３’）ＦＥＭ電磁解析手段により、各構造データＫ１～Ｋｎ及び交流電源データＡＣに基づいて、各回転子モデルにおいて検出手段２を設定した複数箇所に順次配置し、第１コイルに所定の交流を印加した場合に、第２コイルに誘起される電流値の時系列データを示す数値解析データＡ１１～Ａｎｍを出力する。
（Ｔ４’）検出手段２を設定した複数箇所に順次配置した各回転子モデルを特定する特定情報ｋ１１～ｋｎｍ及び上記Ｔ３’で出力された数値解析データＡ１１～Ａｎｍからなる学習データＬ１１～Ｌｎｍを生成し、ニューラルネットワーク５に蓄積する。
（１’）検出手段２を籠型回転子Ｒの他端から変動磁場発生手段１が配置されている箇所の間に設定した複数箇所に順次配置し、籠型回転子Ｒの一端側に配置した変動磁場発生手段１に所定の交流を印加する。
（２’）変動磁場発生手段１の第１コイルに所定の交流を印加した場合に、順次配置した検出手段２の第２コイルに誘起される時系列の電流値データＣ１～Ｃｍを検出する。
（３’）検出した時系列の電流値データＣ１～Ｃｍと、順次配置した検出手段２の配置位置データＰ１～Ｐｍとをニューラルネットワーク５に送る。
（４’）ニューラルネットワーク５は、入力された時系列の電流値データＣ１～Ｃｍと配置位置データＰ１～Ｐｍに基づいて逆解析を行う。
（５’）逆解析により籠型回転子Ｒの導体棒に存在する欠陥の有無、規模及び位置を示す欠陥状態推定情報を出力し、欠陥情報表示手段６に送る。
（６’）欠陥情報表示手段６は、欠陥状態推定情報に基づいて籠型回転子Ｒの導体棒に存在する欠陥の有無、規模及び位置の表示を行う。
そして、推定及び表示を行っていない導体棒があれば、変動磁場発生手段１及び検出手段２を、その導体棒に跨らせるように移動させて上記手順（１’）～（６’）を実行し、全部の導体棒について推定した欠陥の有無、規模及び位置を表示したら終了する。
（Ｔ１’）事前に分かっている籠型回転子Ｒの回転子鉄心、導体棒及び端絡環等の材質や形状等に基づいて、多数の回転子モデル（Ｍ１～Ｍｎ）を作成する。
（Ｔ２’）各回転子モデルの構造データＫ１～Ｋｎを作成する。
（Ｔ３’）ＦＥＭ電磁解析手段により、各構造データＫ１～Ｋｎ及び交流電源データＡＣに基づいて、各回転子モデルにおいて検出手段２を設定した複数箇所に順次配置し、第１コイルに所定の交流を印加した場合に、第２コイルに誘起される電流値の時系列データを示す数値解析データＡ１１～Ａｎｍを出力する。
（Ｔ４’）検出手段２を設定した複数箇所に順次配置した各回転子モデルを特定する特定情報ｋ１１～ｋｎｍ及び上記Ｔ３’で出力された数値解析データＡ１１～Ａｎｍからなる学習データＬ１１～Ｌｎｍを生成し、ニューラルネットワーク５に蓄積する。
（１’）検出手段２を籠型回転子Ｒの他端から変動磁場発生手段１が配置されている箇所の間に設定した複数箇所に順次配置し、籠型回転子Ｒの一端側に配置した変動磁場発生手段１に所定の交流を印加する。
（２’）変動磁場発生手段１の第１コイルに所定の交流を印加した場合に、順次配置した検出手段２の第２コイルに誘起される時系列の電流値データＣ１～Ｃｍを検出する。
（３’）検出した時系列の電流値データＣ１～Ｃｍと、順次配置した検出手段２の配置位置データＰ１～Ｐｍとをニューラルネットワーク５に送る。
（４’）ニューラルネットワーク５は、入力された時系列の電流値データＣ１～Ｃｍと配置位置データＰ１～Ｐｍに基づいて逆解析を行う。
（５’）逆解析により籠型回転子Ｒの導体棒に存在する欠陥の有無、規模及び位置を示す欠陥状態推定情報を出力し、欠陥情報表示手段６に送る。
（６’）欠陥情報表示手段６は、欠陥状態推定情報に基づいて籠型回転子Ｒの導体棒に存在する欠陥の有無、規模及び位置の表示を行う。
そして、推定及び表示を行っていない導体棒があれば、変動磁場発生手段１及び検出手段２を、その導体棒に跨らせるように移動させて上記手順（１’）～（６’）を実行し、全部の導体棒について推定した欠陥の有無、規模及び位置を表示したら終了する。
【0028】
実施例の変形例を列記する。
（１）実施例１及び２に係る検出手段２は、第２コイルに誘起される電流値を検出するものであったが、電圧値を検出するものとしても良い。
（２）実施例１及び２の回転子モデルデータ出力手段３は、１つの導体棒に様々な大きさの半円柱状又は円柱状の欠陥１つをランダムに配置したが、欠陥の形状は半円柱状又は円柱状に限られず、実際に形成される鋳巣に近い形状としても良い。
また、１又は複数の欠陥をランダムに配置しても良い。
（１）実施例１及び２に係る検出手段２は、第２コイルに誘起される電流値を検出するものであったが、電圧値を検出するものとしても良い。
（２）実施例１及び２の回転子モデルデータ出力手段３は、１つの導体棒に様々な大きさの半円柱状又は円柱状の欠陥１つをランダムに配置したが、欠陥の形状は半円柱状又は円柱状に限られず、実際に形成される鋳巣に近い形状としても良い。
また、１又は複数の欠陥をランダムに配置しても良い。
【0029】
（３）実施例１及び２のニューラルネットワーク５は、籠型回転子Ｒの導体棒に存在する欠陥の有無、規模及び位置を示す欠陥状態推定情報を出力するものであったが、欠陥の有無のみを示す欠陥有無推定情報を出力するものとしても良く、欠陥の有無及び規模を示す欠陥規模推定情報を出力するものとしても良く、欠陥の有無を示す欠陥有無推定情報と欠陥の位置を示す欠陥位置推定情報を出力するものとしても良い。
（４）実施例１及び２に係る欠陥情報表示手段６は、籠型回転子Ｒの導体棒に存在する欠陥の有無、規模及び位置を表示するものであったが、表示に代え又は加えて、音声で知らせても良く、他の処理装置に欠陥の有無、規模及び位置に関する情報を送信しても良い。
そのため、特許請求の範囲では「欠陥情報報知手段」という表現を用いている。
（４）実施例１及び２に係る欠陥情報表示手段６は、籠型回転子Ｒの導体棒に存在する欠陥の有無、規模及び位置を表示するものであったが、表示に代え又は加えて、音声で知らせても良く、他の処理装置に欠陥の有無、規模及び位置に関する情報を送信しても良い。
そのため、特許請求の範囲では「欠陥情報報知手段」という表現を用いている。
【0030】
（５）実施例１及び２に係る籠型回転子の欠陥検出装置においては、推定及び表示を行っていない導体棒が有るか否かの判断を手順（６）の後に行ったが、その判断を手順（５）の後に行い、全部の導体棒についての推定が終了してから、手順（６）として、欠陥情報表示手段６で、籠型回転子Ｒの全ての導体棒に存在する欠陥の有無、規模及び位置の表示を、まとめて行うようにしても良い。
（６）実施例１及び２に係る籠型回転子の欠陥検出装置では、学習データや検証データの生成にＦＥＭ電磁解析手段を用いたが、ＦＥＭ電磁解析手段に限らず、差分法や境界要素法等に基づく数値解析手段を用いても良い。
（６）実施例１及び２に係る籠型回転子の欠陥検出装置では、学習データや検証データの生成にＦＥＭ電磁解析手段を用いたが、ＦＥＭ電磁解析手段に限らず、差分法や境界要素法等に基づく数値解析手段を用いても良い。
【符号の説明】
【0031】
１ 変動磁場発生手段 １ｃ 第１コイル １ｉ 第１鉄心 １ｐ 交流
２ 検出手段 ３ 回転子モデルデータ出力手段 ４ 回転子モデル解析手段
５ ニューラルネットワーク ５Ｉ 入力層 ５Ｌ 学習データ蓄積手段
５Ｏ 出力層 ５Ｔ 学習データ入力手段 ６ 欠陥情報表示手段
Ａ１～Ａｎ 数値解析データ ＡＣ 交流電源データ
Ｃ 時系列の電流値データ Ｃ１～Ｃｍ 時系列の電流値データ I(t) 電流
Ｋ１～Ｋｎ 構造データ ｋ１～ｋｎ 特定情報 ｋ１１～ｋｎｍ 特定情報
Ｌ１～Ｌｎ 学習データ Ｌ１１～Ｌｎｍ 学習データ
Ｍ１～Ｍｎ 回転子モデル Ｒ 籠型回転子 Ｒｃ 導体棒
φ(t) 変動磁場
２ 検出手段 ３ 回転子モデルデータ出力手段 ４ 回転子モデル解析手段
５ ニューラルネットワーク ５Ｉ 入力層 ５Ｌ 学習データ蓄積手段
５Ｏ 出力層 ５Ｔ 学習データ入力手段 ６ 欠陥情報表示手段
Ａ１～Ａｎ 数値解析データ ＡＣ 交流電源データ
Ｃ 時系列の電流値データ Ｃ１～Ｃｍ 時系列の電流値データ I(t) 電流
Ｋ１～Ｋｎ 構造データ ｋ１～ｋｎ 特定情報 ｋ１１～ｋｎｍ 特定情報
Ｌ１～Ｌｎ 学習データ Ｌ１１～Ｌｎｍ 学習データ
Ｍ１～Ｍｎ 回転子モデル Ｒ 籠型回転子 Ｒｃ 導体棒
φ(t) 変動磁場
【要約】 （修正有）
【課題】熟練者に頼ることなくＡＩを用いて容易かつ確実に推定し報知する籠型回転子の欠陥検出装置を提供する。
【解決手段】籠型回転子Ｒの１つの導体棒に跨って配置可能な変動磁場発生手段１及び検出手段２、回転子モデルＭ１～Ｍｎを作成し、それらの構造データＫ１～Ｋｎを出力する回転子モデルデータ出力手段３、構造データＫ１～Ｋｎ及び交流電源データＡＣを受けて第２コイルに誘起される電流値を数値解析し、大量の学習データＬ１～Ｌｎを生成する回転子モデル解析手段４、予め学習データＬ１～Ｌｎが与えられて最適化されており、検出手段２で検出された時系列の電流値データＣを受けて逆解析を行い籠型回転子Ｒの導体棒に存在する欠陥の有無、規模及び位置を示す欠陥状態推定情報を出力するニューラルネットワーク５及び欠陥情報報知手段６を備える籠型回転子の欠陥検出装置。
【選択図】図１
【解決手段】籠型回転子Ｒの１つの導体棒に跨って配置可能な変動磁場発生手段１及び検出手段２、回転子モデルＭ１～Ｍｎを作成し、それらの構造データＫ１～Ｋｎを出力する回転子モデルデータ出力手段３、構造データＫ１～Ｋｎ及び交流電源データＡＣを受けて第２コイルに誘起される電流値を数値解析し、大量の学習データＬ１～Ｌｎを生成する回転子モデル解析手段４、予め学習データＬ１～Ｌｎが与えられて最適化されており、検出手段２で検出された時系列の電流値データＣを受けて逆解析を行い籠型回転子Ｒの導体棒に存在する欠陥の有無、規模及び位置を示す欠陥状態推定情報を出力するニューラルネットワーク５及び欠陥情報報知手段６を備える籠型回転子の欠陥検出装置。
【選択図】図１
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
