KR101539896B1 - Method for diagnosis of induction motor fault - Google Patents
Method for diagnosis of induction motor fault Download PDFInfo
- Publication number
- KR101539896B1 KR101539896B1 KR1020140138157A KR20140138157A KR101539896B1 KR 101539896 B1 KR101539896 B1 KR 101539896B1 KR 1020140138157 A KR1020140138157 A KR 1020140138157A KR 20140138157 A KR20140138157 A KR 20140138157A KR 101539896 B1 KR101539896 B1 KR 101539896B1
- Authority
- KR
- South Korea
- Prior art keywords
- signal
- characteristic
- feature
- calculating
- fault
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B5/00—Measuring arrangements characterised by the use of mechanical techniques
- G01B5/003—Measuring of motor parts
Abstract
Description
본 발명은 유도전동기 오류를 진단하는 방법에 관한 것으로, 더욱 상세하게는 경험적 모드 분해법(Empirical Mode Decomposition, EMD)를 이용하여 특징신호(Intrinsic Mode Functions, IMFs)를 선별하고, 선별된 특징신호를 이용하여 유도전동기의 오류를 진단하는 방법에 관한 것이다.
The present invention relates to a method of diagnosing an induction motor fault, and more particularly, to a method of diagnosing an induction motor fault, which comprises selecting an Intrinsic Mode Functions (IMFs) using Empirical Mode Decomposition (EMD) Thereby diagnosing an error of the induction motor.
유도전동기(Induction Motor)는 제품생산성에서 매우 중요한 역할을 한다. 이는 바로 회사의 이윤과 관련되기 때문에, 이러한 모터들은 반드시 효율적인 유지성이 보증되어야 한다.Induction motors play a very important role in product productivity. Since this is directly related to the profit of the company, these motors must be guaranteed to be efficient and maintainable.
종래에는 모터의 효율적인 유지를 위한 오류 진단방법으로 진단과정에 따라 모델 기반, 신호 기반 또는 데이터 기반의 세가지 진단방법이 있었다. 신호 처리 과정에서 이 세가지 타입은 매우 중요한 요소이면서, 또한 각기 다른 영향과 역할을 한다.In the past, there have been three types of diagnostic methods, namely, model-based, signal-based, or data-based, depending on the diagnostic process. In signal processing, these three types are very important, and they also play different roles.
오류 진단 방법에서 신호처리방법에 대한 단계의 가장 중요한 목적은 모터 동작환경에서 오류를 측정하고, 측정된 오류의 수를 획득하는 것이다. 이러한 목적에서 시간과 주파수의 분해능을 동시에 제공받을 수 있는 시간 주파수 분석 도구가 인기 있다. 하지만, 종래 대부분의 시간 주파수 분석 도구는 신호의 정상추정 방법을 기반으로 신호를 분해한다. 하지만 이러한 기술은 비선형적이거나 비정상적인 신호를 분석하기 적합하지 않다.
The most important objective of the phase of the signal processing method in the error diagnosis method is to measure the error in the motor operating environment and to obtain the number of the measured errors. For this purpose, a time frequency analysis tool that can provide time and frequency resolution simultaneously is popular. However, most conventional time-frequency analysis tools decompose the signal based on the normal estimation method of the signal. However, this technique is not suitable for analyzing nonlinear or abnormal signals.
본 발명은 상술한 종래기술의 문제점을 극복하기 위한 것으로서, 유도전동기에서 발생하는 오류의 정확한 진단을 바탕으로 높은 안전성과 유지성을 가지도록 하는 유도전동기의 오류 진단방법을 제공하는 데에 그 목적이 있다.
An object of the present invention is to provide a method for diagnosing an error of an induction motor which has high safety and maintainability based on an accurate diagnosis of an error occurring in the induction motor .
본 발명에 따른 유도 전동기 오류 진단방법은 유도전동기의 고장에서 발생하는 고장신호를 종류별로 분류하는 분류단계, 상기 고장신호를 경험적 모드 분해법(EMD)을 이용하여 특징신호(IMFs)들로 분해하는 분해단계, 분해된 상기 특징신호들의 배음 특성과 파워비(PHR)를 측정하고, 소정의 임계값 이상의 상기 배음 특성과 상기 파워비를 가지는 특징신호를 선택하는 선택단계, 상기 선택된 특징신호들로부터 분산을 계산하고, 상기 분산을 신경망(SVM)의 특징 벡터로 사용하여 유도 전동기의 고장을 진단하는 진단단계를 포함한다.A method for diagnosing an induction motor fault according to the present invention comprises a classification step of classifying a fault signal generated in a fault of an induction motor according to type, a step of decomposing the fault signal into characteristic signals (IMFs) using an empirical mode decomposition method (EMD) A selection step of measuring a harmonic characteristic and a power ratio (PHR) of the decomposed characteristic signals, selecting a characteristic signal having the harmonic characteristic and the power ratio equal to or greater than a predetermined threshold value, And diagnosing the fault of the induction motor by using the variance as the feature vector of the SVM.
상기 분해단계는 상기 고장신호의 유효성을 판단하는 유효성판단단계, 분해하고자 하는 상기 특징신호의 요소 수를 
상기 분해단계에서 상기 유효성판단단계에서부터 상기 요소설정단계까지를 (
상기 분해단계에서 N 값은 총 데이터 포인트(Data point) 수인 것을 특징으로 한다.The N value in the decomposition step is a total number of data points.
상기 선택단계는 상기 각 특징신호의 에너지 값을 측정하는 측정단계, 임계에너지 값을 설정하는 임계값 설정단계, 상기 임계에너지 값을 초과하는 에너지 값을 가지는 상기 특징신호를 선택하는 선택단계, 상기 특징신호와 오류신호의 퓨리에 스펙트럼(Fourier Spectrum)을 산출하는 산출단계, 상기 스펙트럼에 관하여 최대 주파수 값을 결정하는 최대 주파수 결정단계, 상기 최대 주파수 값의 에너지 값을 산출하고, 상기 특징신호와 상기 오류신호의 상기 배음 특성을 산출하는 배음 특성 산출단계, 상기 산출된 배음 특성을 이용하여 PHR(Power-Harmonic Ratio)을 산출하는 단계, 상기 PHR을 이용하여 특성함수를 재조정하는 단계;를 포함하는 것을 특징으로 한다.
Wherein the selecting step includes a measuring step of measuring an energy value of each characteristic signal, a threshold setting step of setting a threshold energy value, a selecting step of selecting the characteristic signal having an energy value exceeding the threshold energy value, A calculating step of calculating a Fourier spectrum of the signal and the error signal, a maximum frequency determining step of determining a maximum frequency value with respect to the spectrum, a step of calculating an energy value of the maximum frequency value, Calculating a PHR (Power-Harmonic Ratio) using the calculated harmonic characteristic, and re-adjusting the characteristic function using the PHR, do.
상기와 같이 구성된 본 발명에 따르면 특성함수 선택 알고리즘을 적용한 유도 전동기의 오류 진단방법은 고장신호 분류 시, 분류의 정확도가 향상되며, 오류의 원인을 정확하게 진단하여 유도전동기의 안전성과 유지성을 향상하는 효과가 있다.
According to the present invention configured as described above, the error diagnosis method of the induction motor using the characteristic function selection algorithm improves the classification accuracy and improves the safety and maintenance of the induction motor by accurately diagnosing the cause of the error. .
도 1은 본 발명의 바람직한 일 실시예에 따른 유도전동기의 고장을 진단하기 위한 방법의 흐름도,
도 2는 본 발명의 바람직한 일 실시예에 따른 특징신호의 분해방법에 관한 흐름도,
도 3은 본 발명의 바람직한 일 실시예에 따른 특징신호 선택방법에 관한 흐름도이다.1 is a flowchart of a method for diagnosing a fault of an induction motor according to a preferred embodiment of the present invention;
FIG. 2 is a flowchart illustrating a method of decomposing a feature signal according to an exemplary embodiment of the present invention;
3 is a flowchart illustrating a feature signal selecting method according to an exemplary embodiment of the present invention.
본 발명은 다양한 변형 및 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세한 설명에 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.The present invention may have various modifications and various embodiments, and specific embodiments are illustrated in the drawings and described in detail in the detailed description. DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, the present invention will be described in detail with reference to the accompanying drawings.
이하, 본 발명의 바람직한 실시예를 첨부된 도면을 참조하여 상세히 설명하기로 한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings.
본 발명은 경험적 모드 분해(EMD)를 기반으로 수행된다. 경험적 모드 분해는 입력되는 신호를 데이터의 시간 특성에 따라 특징함수들(IMFs)로 분해하는 신호 분해방법이다. 분해된 특징함수들은 입력되는 신호에 삽입되어 있는 자연적 진동 모드를 나타내고, 기존에 판단된 커널(Kernel)보다도 더 나은 입력신호 자체로부터 얻어 내는 기저함수와 같은 역할을 할 수 있다. 따라서 경험적 모드 분해는 기존의 STFT 또는 Wavelet과 같은 데이터 분석방법의 제한을 극복하기 위한 방법으로 응용되고 있다.The present invention is based on empirical mode decomposition (EMD). The empirical mode decomposition is a signal decomposition method in which an input signal is decomposed into characteristic functions (IMFs) according to a time characteristic of data. The decomposed feature functions represent the natural vibration mode inserted in the input signal and can function as a basis function obtained from the input signal itself which is better than the previously determined kernel. Therefore, empirical mode decomposition is applied as a method to overcome limitations of data analysis methods such as STFT or wavelet.
도 1은 본 발명의 바람직한 일 실시예에 따른 유도전동기의 고장을 진단하기 위한 방법의 흐름도이다.1 is a flowchart of a method for diagnosing a fault of an induction motor according to a preferred embodiment of the present invention.
본 발명의 바람직한 일 실시예에 따르면 먼저, 유도전동기의 고장에서 발생하는 고장신호를 종류별로 분류한다(S100). 유도전동기에서 발생하는 고장의 유형으로는 주로 베어링 오류(Faulty bearing), 로우터의 불균형(Rotor unbalance), 로우터 바의 파손(Broken rotor bar), 샤프트가 굽는 현상(Bowed shaft), 조정불량(Misalignment) 및 위상 불균형(Phase unbalance)등이 있으며, 상기 고장의 유형에 따라 전송되는 고장 신호를 분류한다.According to a preferred embodiment of the present invention, the fault signal generated in the failure of the induction motor is classified according to the type (S100). Fault bearing, rotor unbalance, broken rotor bar, bowed shaft, misalignment, and the like are the types of faults that occur in induction motors. And phase unbalance, and classifies the fault signal transmitted according to the type of the fault.
상기 고장신호는 경험적 모드 분해법(EMD)를 이용하여 특징신호(IMFs)들로 분해된다(S110). 상기 경험적 모드 분해법(EMD)을 이용하여 분류된 고장신호로부터 특징신호를 분해하는 방법은 도 2에서 상세하게 설명한다.The fault signal is decomposed into feature signals IMFs using empirical mode decomposition (EMD) (S110). A method for decomposing a feature signal from a fault signal classified using the empirical mode decomposition method (EMD) will be described in detail with reference to FIG.
상기 경험적 모드 분해법(EMD)을 이용하여 상기 특징신호들(IMFs)을 획득하면, 상기 특징신호의 배음 특성과 파워비(Power-Harmonic Ratio, PHR)를 측정하고, 임계값 이상의 특징신호를 선택한다(S120).When the characteristic signals IMFs are acquired using the empirical mode decomposition method EMD, the power spectral characteristic and the power ratio (PHR) of the characteristic signal are measured and a characteristic signal of a threshold value or more is selected (S120).
상기 임계값 이상의 특징신호를 선택되면, 상기 선택된 특정신호의 분산을 계산한다(S130).If the feature signal of the threshold value or more is selected, the variance of the selected specific signal is calculated (S130).
상기 특정신호의 분상을 신경망(SVM)의 특징벡터로 사용하여 유도 전동기의 오류를 진단한다(S140).
The error of the induction motor is diagnosed using the split of the specific signal as a feature vector of the SVM (S140).
도 2는 본 발명의 바람직한 일 실시예에 따른 특징신호의 분해방법에 관한 흐름도이다.2 is a flowchart illustrating a method of decomposing a feature signal according to an exemplary embodiment of the present invention.
본 발명에서 경험적 모드 분해법(EMD)이 진행되는 과정은 다음과 같다.The process of the empirical mode decomposition method (EMD) in the present invention is as follows.
(1) 주어진 데이터(x(t))에 관하여 데이터 유효성을 검사한다(S200).(1) The data validity is checked with respect to the given data (x (t)) (S200).
(2) 특성신호 요소의 기대 값(
(3) 모든 극값에 대하여 데이터 x(t) 값을 식별한다.(3) Identify data x (t) values for all extreme values.
(4) 모든 최대값 과 최소값이 분리되어 자연 3차 스플라인 선의 상부와 하부, 포락선과 연결한다.(4) All the maximum and minimum values are separated and connected to the upper, lower, and envelopes of the natural tertiary spline line.
(5) 하기 수학식 1을 이용하여 포락선의 평균값을 결정한다.(5) The average value of the envelope is determined using the following equation (1).
여기서, 상기 m(t)는 포락선의 평균값, u(t)는 자연 3차 스플라인 선의 상부, l(t)는 자연 3차 스플라인 선의 하부를 의미한다.
Here, m (t) is the average value of the envelope, u (t) is the upper part of the natural cubic spline, and l (t) is the lower part of the natural cubic spline line.
(6) 하기 수학식 2를 이용하여 데이터 값과 평균 값의 차이를 임시특징신호로 산출한다(S220).(6) The difference between the data value and the average value is calculated as a provisional feature signal using the following equation (S220).
여기서, 상기 h(t)는 임시특징신호, x(t)는 모든 극값에 대한 데이터 값, m(t)는 포락선의 평균값을 의미한다.
Here, h (t) is a temporal feature signal, x (t) is a data value for all extreme values, and m (t) means an average value of an envelope.
(7) 반복횟수를 확인하고 반복횟수에 도달할 때까지 상기 (3)~(6)의 과정을 반복한다(S230).(3) to (6) are repeated until the number of repetition times is reached (step S230).
(8) 반복횟수에 도달하면, 산출된 상기 임시특징신호를 특징신호(c(t))로 설정한다(S240).(T), the calculated temporary characteristic signal is set as the characteristic signal c (t) (S240).
(9) 잔여물(Residue)에 하기 수학식 3을 상기 (1)~(8)의 과정을 반복한다(S250).(9) The above steps (1) to (8) are repeated on the residue (S250).
여기서, 상기 r(t)는 잔여물 함수, x(t)는 모든 극값에 대한 데이터 값, c(t)는 특징신호의 함수를 의미한다.
Here, r (t) is a residual function, x (t) is a data value for all extreme values, and c (t) is a function of a feature signal.
(10) 상기 특징함수가 (
(10) The method according to
도 3은 본 발명의 바람직한 일 실시예에 따른 특징신호 선택방법에 관한 흐름도이다.3 is a flowchart illustrating a feature signal selecting method according to an exemplary embodiment of the present invention.
상기 특징함수는 보통 특유의 특성을 나타낸다. 이러한 특성은 본 발명의 특징신호 선택방법의 기초가 된다. 특징함수의 첫번째 특성은 보통 경험적 모드 분해법에 의하여 분해된 목적물이 높은 파워를 가진다는 것이다. 경험적 모드 분해법은 주어진 신호로부터 효과적으로 자연적 진동모드를 추출한다. 오류에 의한 진동은 오류를 포함하지 않는 다른 진동과 비교하였을 때 높은 파워를 가진다. 따라서, 이러한 진동 모드들은 높은 파워에 의하여 특정 지어질 수 있다.The feature function usually exhibits unique characteristics. These characteristics form the basis of the feature signal selection method of the present invention. The first characteristic of the feature function is that the object decomposed by the ordinary empirical mode decomposition method has high power. The empirical mode decomposition method effectively extracts a natural vibration mode from a given signal. Vibration due to errors has high power when compared to other vibrations not including errors. Thus, these vibration modes can be specified by high power.
두번째 특성은 특성함수의 고조파 성분에 존재한다. 보통 대부분의 오류의 특징은 기본주파수의 몇몇 배음 특성을 나타낸다. 경험적 모드 분해법에 의하여 산출된 특성함수는 퓨리에 스펙트럼의 낮은 지표에서 하모닉 피크가 관찰되고 이에 비하여 기본 오류 주파수의 피크 값은 높은 지표의 특성함수에서 관찰된다.The second characteristic exists in the harmonic component of the characteristic function. Typically, most of the errors are characteristic of some harmonic characteristics of the fundamental frequency. The characteristic function calculated by the empirical mode decomposition method has a harmonic peak at the lower edge of the Fourier spectrum, whereas the peak value of the fundamental error frequency is observed at the characteristic function of the higher index.
두가지 병치된 사실을 고려하였을 때, 각각의 특징함수에 대하여 PHR(Power-Harmonic Ratio)이 계산된다. 이러한 PHR이 높은 파워를 가지는 특성은 높은 주파수 값을 가지는 오류와 관련된 식별하는데 도움을 준다. 또한, 낮은 PHR 값을 가지는 특성함수는 낮은 파워를 갖거나 많은 낮은 진폭 배음을 가지는 것을 의미한다.When considering two juxtaposed facts, the power-harmonic ratio (PHR) is calculated for each feature function. The high power of these PHRs helps to identify errors associated with high frequency values. In addition, a characteristic function having a low PHR value means that it has low power or a lot of low amplitude harmonics.
본 발명의 특징함수 선택 알고리즘의 수행과정은 다음과 같다.The process of the feature selection algorithm of the present invention is as follows.
(1) 하기 수학식 4에 의하여 각 특징신호의 에너지 값을 측정(S300)한다.(1) The energy value of each feature signal is measured (S300) by the following equation (4).
여기서, Ej 는 특징신호의 에너지 값, cj(i)는 각 특징신호의 함수를 의미한다.
Here, E j denotes an energy value of the feature signal, and c j (i) denotes a function of each feature signal.
(2) 하기 수학식 5에 의하여 임계에너지 값을 설정한다(S310).(2) The threshold energy value is set according to the following equation (5) (S310).
여기서, Ej는 특징신호의 에너지 값, El은 특징신호 에너지의 평균, nl은 특징 신호 에너지 평균보다 큰 에너지를 갖는 특징신호의 개수를 의미한다.
Here, E j denotes the energy value of the feature signal, E l denotes the average of the feature signal energies, and n l denotes the number of feature signals having energy greater than the feature signal energy average.
(3) 상기 임계에너지 값을 초과하는 에너지 값을 가지는 상기 특징신호를 선택한다(S320).(3) The characteristic signal having an energy value exceeding the critical energy value is selected (S320).
(4) 상기 선택된 특징신호와 오류신호에 관하여 퓨리에 스펙트럼(Fourier Spectrum)을 산출한다(S330).(4) A Fourier spectrum is calculated with respect to the selected characteristic signal and the error signal (S330).
(5) 상기 스펙트럼의 성분 중 직류 성분만을 포함하는 특성신호를 제외한다(S340).(5) The characteristic signal including only the DC component of the spectrum is excluded (S340).
(6) 상기 스펙트럼에 관하여 최대 주파수 값을 결정한다(S350).(6) The maximum frequency value is determined with respect to the spectrum (S350).
(7) 상기 최대 주파수 값의 에너지 값을 산출하고, 상기 특징신호와 상기 오류신호의 상기 배음 특성을 산출한다(S360).(7) The energy value of the maximum frequency value is calculated, and the characteristic signal and the harmonic characteristic of the error signal are calculated (S360).
(8) 하기 수학식 6을 이용하여 PHR을 산출한다(S370).(8) The PHR is calculated using the following equation (6) (S370).
여기서, PHRj는 특징함수의 PHR을 나타내는 함수, Hj는 특징함수의 고조파를 나타내는 함수, Hx는 오류신호의 고조파를 나타내는 함수이다.
Here, PHR j is a function representing the PHR of the characteristic function, H j is a function representing the harmonic of the characteristic function, and H x is a function representing the harmonic of the error signal.
(9) 상기 PHR을 이용하여 특성함수를 재조정한다(S380).
(9) The characteristic function is readjusted using the PHR (S380).
상기와 같은 과정을 통하여 선택된 특징신호는 오류 특징을 포함한다. 따라서 상기 선택된 특징신호들은 유도전동기의 오류 검출 또는 오류 진단을 위한 기능을 수행할 수 있다. 특징함수들을 산출한 다음 차후 오류 정보의 분류를 위하여 상기 각각의 특징신호들에 대하여 분산을 계산한다. 오류의 특징과 특징함수의 높은 상관관계에 의하여 작은 수의 특징 파라미터들에 의하여 충분히 효율적으로 분류된다.The feature signal selected through the above process includes an error feature. Accordingly, the selected characteristic signals can perform functions for error detection or error diagnosis of the induction motor. After calculating the feature functions, the variance is calculated for each of the feature signals for classification of the error information. By the correlation between the characteristics of the error and the feature function, it is classified efficiently by a small number of feature parameters.
본 발명에서는 유도전동기의 오류분류를 위하여 신경망(Support vector machine, SVM)을 사용한다. 상기 신경망(SVM)은 작은 수의 샘플로부터 학습 문제를 해결하는 동작을 수행할 수 있다. 게다가, 상기 신경망(SVM)은 One-against-all(OAA) 또는 몇몇의 two-class problem을 이용하여 다중 분류를 지원한다. 이 중에서 본 발명에서는 이진법적인 분류기인 One-against-all(OAA)를 적용하였다.In the present invention, a support vector machine (SVM) is used for error classification of the induction motor. The neural network (SVM) can perform operations to solve learning problems from a small number of samples. In addition, the neural network (SVM) supports multiple classification using one-against-all (OAA) or some two-class problem. In the present invention, the binary legal classifier One-against-all (OAA) is applied.
다음은 본 발명의 바람직한 실시예에 따른 시뮬레이션 결과에 관한 내용이다.The following is a description of a simulation result according to a preferred embodiment of the present invention.
본 시뮬레이션에서는 풀로드 상태(Full load condition)에서의 오류데이터 생성을 위하여 6개의 0.5kW, 60Hz, 2-pole 의 유도 전동기가 사용되었다. 이중 하나의 모터는 다른 오류 모터와의 비교를 위하여 정상상태로 동작되었다. 다른 모터들은 각각 오류를 가지고 있고, 각 모터에 발생되는 진동신호는 각도 부정합 손실(Angular Misalignment, AMIS), 로우터 샤프트 변형(Bowed Rotor Shaft, BRS), 로우터 바 결함(Broken Rotor Bar, BRB), 오류 베어링(Faulty Bearing (outer raceway), FBO), 로우터 불균형(Rotor Unbalance, RUN), 노멀 모터(Normal Motor, NOM), 평형 부정합 손실(Parallel Misalignment) 및 위상 불균형(Phase Unbalance, PUN)의 총 8가지 카테고리로 구분된다.In this simulation, six 0.5 kW, 60 Hz, and 2-pole induction motors were used to generate error data in a full load condition. One of the motors was operated in steady state for comparison with the other fault motor. The other motors have their own faults, and the vibration signals generated by each motor include angular misalignment (AMIS), bowed rotor shaft (BRS), broken rotor bar (BRB) 8 types of bearings (Faulty Bearing (outer raceway), FBO), Rotor unbalance (RUN), Normal motor (NOM), Parallel misalignment and Phase unbalance Categories.
본 시뮬레이션에서는 수직, 수평, 축방향 진동을 감지하기 위하여 총 3개의 가속도계가 사용된다. 데이터 획득을 위한 샘플링 주파수는 7.68 0kHz가 사용되었고, 각 카테고리 마다 12개의 샘플 신호가 제공되었다. 각 신호는 1~2초 정도 지속되고 7,680개의 샘플을 포함한다. 
In this simulation, a total of three accelerometers are used to detect vertical, horizontal, and axial vibration. The sampling frequency for data acquisition was 7.68 0 kHz, and 12 sample signals were provided for each category. Each signal lasts 1 to 2 seconds and contains 7,680 samples.
주요한 특성함수를 획득한 후, 특성함수들의 특성분석을 위한 파라미터로서 분산을 계산한다. 3개의 센서 데이터로부터 총 8개의 특성 파라미터가 계산되고, 각각의 오류신호의 경우에 따라 특성벡터가 생성된다. 본 발명에서의 진단 방법의 주요 이점은 특성 벡터의 크기가 작은 경우에는 특성 선택과정이 필요하지 않다는 것이다.After obtaining the main characteristic function, the variance is calculated as a parameter for characterization of the characteristic functions. A total of eight characteristic parameters are calculated from the three sensor data, and a characteristic vector is generated according to the case of each error signal. The main advantage of the diagnostic method of the present invention is that the feature selection process is not required when the feature vector is small.
본 발명의 신경망(SVM)은 One-against-all(OAA)를 적용하여 다중 분류를 지원한다. 교차-타당성과정(Cross-validation)은 과적합 문제를 방지할 수 있으므로, 본 발명에서는 정확한 분류를 위하여 4-fold 교차-타당성이 적용되었다.The present invention's neural network (SVM) supports multiple classification by applying one-against-all (OAA). Cross-validation can prevent over sum problems, so 4-fold cross-validity is applied for accurate classification in the present invention.
4-fold 교차-타당성을 사용하여 입력 특징 벡터가 무작위적으로 트레이닝 데이터와 테스팅 데이터로 구성되는 4개의 서브세트로 구분된다. 어떠한 반복에서도 72개의 트레이닝 데이터와 24개의 테스팅 데이터가 주어진다. 1개의 서브세트가 신경망(SVM)을 이용하여 테스트되면 나머지 3개의 서브세트에 관하여 트레이닝이 시행된다. 따라서, 전체 트레이닝 세트의 각각의 경우가 예측되고, 그러므로 교차-타당성의 정확도는 정확하게 분류된 데이터의 퍼센트로 측정된다. 하기 표 2에서 본 발명을 이용한 분류 결과가 나타나 있다.
Using the 4-fold cross-validity, the input feature vectors are randomly divided into four subsets consisting of the training data and the testing data. In any iteration, 72 training data and 24 testing data are given. When one subset is tested using a neural network (SVM), training is performed for the remaining three subsets. Thus, each case of the entire training set is predicted, and therefore the accuracy of the cross-validity is measured as a percentage of correctly categorized data. Table 2 shows the result of classification using the present invention.
본 발명의 특징함수 선택의 효율성을 정의하기 위해서 특징함수 선택을 제외하고 실시한 결과가 하기 표 3에 나타나 있다.
Features of the present invention In order to define the efficiency of function selection, the results are shown in Table 3, except for the selection of the feature function.
상기 표 2와 표 3을 비교하였을 때, 표 2에서는 96개의 신호에서 오직 2개의 신호만이 잘못 분류되어 97.92%의 정확도를 획득하였으나, 반면에 표 3에서는 BRB, FBO, BRS의 경우를 제외하고는 모든 분류에서 잘못 분류된 신호가 존재하여 88.54%의 정확도를 획득하였다.In Table 2, only two signals of 96 signals were wrongly classified to obtain 97.92% accuracy in Table 2, whereas Table 3 shows that the signals of BRB, FBO, and BRS Had 88.54% accuracy due to the presence of misclassified signals in all categories.
따라서, 본원 발명의 특징함수 선택을 적용한 유도전동기의 오류 진단방법이 오류의 분류 과정에서 더욱 높은 정확도를 가지는 것으로 나타났다.
Therefore, it has been shown that the error diagnosis method of the induction motor employing the feature selection of the present invention has a higher accuracy in the error classification process.
본 명세서에 기재된 본 발명의 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 실시예에 관한 것이고, 발명의 기술적 사상을 모두 포괄하는 것은 아니므로, 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다. 따라서 본 발명은 상술한 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형실시가 가능한 것은 물론이고, 그와 같은 변경은 청구범위 기재의 권리범위 내에 있게 된다.The embodiments of the present invention described in the present specification and the configurations shown in the drawings relate to the most preferred embodiments of the present invention and are not intended to encompass all of the technical ideas of the present invention so that various equivalents It should be understood that water and variations may be present. Therefore, it is to be understood that the present invention is not limited to the above-described embodiments, and that various modifications may be made without departing from the spirit and scope of the invention as defined in the appended claims. , Such changes shall be within the scope of the claims set forth in the claims.
Claims (7)
상기 고장신호를 경험적 모드 분해법(EMD)을 이용하여 특징신호(IMFs)들로 분해하는 분해단계;
분해된 상기 특징신호들의 배음 특성과 파워비(PHR)를 측정하고, 소정의 임계값 이상의 상기 배음 특성과 상기 파워비를 가지는 특징신호를 선택하는 선택단계;
상기 선택된 특징신호들로부터 분산을 계산하고, 상기 분산을 신경망(SVM)의 특징 벡터로 사용하여 유도 전동기의 고장을 진단하는 진단단계;를 포함하는 유도전동기 오류 진단 방법.
A classifying step of classifying the fault signal generated in the fault of the induction motor by type;
A decomposition step of decomposing the fault signal into feature signals (IMFs) using an empirical mode decomposition method (EMD);
Measuring a harmonic characteristic and a power ratio (PHR) of the decomposed characteristic signals, and selecting a characteristic signal having the harmonic characteristic and the power ratio equal to or greater than a predetermined threshold value;
Calculating a variance from the selected feature signals, and diagnosing a fault in the induction motor using the variance as a feature vector of the SVM.
상기 분해단계는,
상기 고장신호의 유효성을 판단하는 유효성판단단계;
분해하고자 하는 상기 특징신호의 요소 수를
상기 고장신호와 평균고장신호의 차이를 비교하여 임시특징신호를 산출하는 임시특징신호산출단계;
상기 반복횟수에 도달할 때까지 임시특징신호산출단계를 반복하는 반복수행단계;
상기 반복횟수에 도달하면, 산출된 상기 임시특징신호를 상기 특징신호로 설정하는 요소설정단계;를 포함하며,
상기 N 값은 총 데이터 포인트(Data point) 수를 나타내는 것을 특징으로 하는 유도전동기 오류 진단 방법.
The method according to claim 1,
Wherein said decomposing step comprises:
A validity determination step of determining the validity of the failure signal;
The number of elements of the characteristic signal to be decomposed is
A temporary feature signal calculation step of calculating a temporary feature signal by comparing the difference between the failure signal and the average failure signal;
Repeating the provisional feature signal calculation step until the number of repetition times is reached;
And an element setting step of setting the calculated temporary feature signal as the feature signal when the number of repetition times is reached,
Wherein the N value represents a total number of data points.
상기 유효성판단단계에서부터 상기 요소설정단계까지를 (
3. The method of claim 2,
From the validity determination step to the element setting step
상기 선택단계는,
상기 각 특징신호의 에너지 값을 측정하는 측정단계;
임계에너지 값을 설정하는 임계값 설정단계;
상기 임계에너지 값을 초과하는 에너지 값을 가지는 상기 특징신호를 선택하는 선택단계;
상기 특징신호와 오류신호의 퓨리에 스펙트럼(Fourier Spectrum)을 산출하는 산출단계;
상기 스펙트럼에 관하여 최대 주파수 값을 결정하는 최대 주파수 결정단계;
상기 최대 주파수 값의 에너지 값을 산출하고, 상기 특징신호와 상기 오류신호의 상기 배음 특성을 산출하는 배음 특성 산출단계;
상기 산출된 배음 특성을 이용하여 PHR(Power-Harmonic Ratio)을 산출하는 단계;
상기 PHR을 이용하여 특성함수를 재조정하는 단계;를 포함하는 것을 특징으로 하는 유도 전동기 오류 진단 방법.
The method according to claim 1,
In the selecting step,
A measurement step of measuring an energy value of each feature signal;
A threshold setting step of setting a threshold energy value;
Selecting the characteristic signal having an energy value exceeding the critical energy value;
A calculating step of calculating a Fourier spectrum of the characteristic signal and the error signal;
Determining a maximum frequency value for the spectrum;
A harmonic characteristic calculating step of calculating an energy value of the maximum frequency value and calculating the characteristic sound and the harmonic characteristic of the error signal;
Calculating a power-harmonic ratio (PHR) using the calculated harmonic characteristic;
And re-calibrating the characteristic function using the PHR.
상기 스펙트럼을 산출하는 산출단계에서 산출된 상기 스펙트럼의 성분 중 직류 성분만을 포함하는 특성신호를 제외하는 배제단계를 더 포함하는 것을 특징으로 하는 유도 전동기 오류 진단 방법.
6. The method of claim 5,
Further comprising the step of excluding the characteristic signal including only the DC component of the components of the spectrum calculated in the calculation step of calculating the spectrum.
상기 신경망(SVM)은 one-against-all(OAA)를 적용하여 다중 분류를 지원하는 것을 특징으로 하는 유도전동기 오류 진단 방법.
The method according to claim 1,
Wherein said neural network (SVM) supports multiple classification by applying one-against-all (OAA).
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140138157A KR101539896B1 (en) | 2014-10-14 | 2014-10-14 | Method for diagnosis of induction motor fault |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140138157A KR101539896B1 (en) | 2014-10-14 | 2014-10-14 | Method for diagnosis of induction motor fault |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101539896B1 true KR101539896B1 (en) | 2015-08-06 |
Family
ID=53885489
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020140138157A KR101539896B1 (en) | 2014-10-14 | 2014-10-14 | Method for diagnosis of induction motor fault |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101539896B1 (en) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105738107A (en) * | 2016-01-28 | 2016-07-06 | 西安交通大学 | Locomotive wheelset bearing fault diagnosis method based on approximate complete variable mode decomposition |
| CN105784364A (en) * | 2016-03-02 | 2016-07-20 | 西安交通大学 | Bearing fault diagnosis method based on total experience mode decomposition and fractal box dimensions |
| CN106841949A (en) * | 2017-03-09 | 2017-06-13 | 杭州安脉盛智能技术有限公司 | Three-phase asynchronous Ac motor stator insulation on-line monitoring method and device |
| KR101842792B1 (en) * | 2016-10-05 | 2018-03-27 | 국방과학연구소 | An anti-jamming method and system based on Empirical Mode Decomposition and wavelet de-noising scheme |
| CN108458871A (en) * | 2017-12-22 | 2018-08-28 | 浙江工业大学 | A kind of gearbox fault recognition methods based on improvement experience wavelet transformation |
| CN109416849A (en) * | 2016-06-16 | 2019-03-01 | 卡塔尔大学 | By convolutional neural networks come the method and apparatus of actuating motor fault detection |
| CN109581211A (en) * | 2018-11-13 | 2019-04-05 | 国网江苏省电力有限公司南京供电分公司 | A kind of load ratio bridging switch mechanical breakdown on-line monitoring method based on current of electric |
| CN109782168A (en) * | 2018-12-29 | 2019-05-21 | 西安交通大学 | Induction electromotor rotor broken bar fault diagnostic method based on wavelet packet support vector machines |
| KR20190118339A (en) | 2018-04-10 | 2019-10-18 | 서울과학기술대학교 산학협력단 | Fault diagnosis method and system of induction motor using inverter input current analysis |
| CN113158769A (en) * | 2021-03-03 | 2021-07-23 | 安徽大学 | CEEMDAN and FastICA-based electromechanical device bearing vibration signal denoising method |
| CN113376470A (en) * | 2021-07-08 | 2021-09-10 | 广西电网有限责任公司电力科学研究院 | Remote monitoring system for running state of lightning protection device |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090326419A1 (en) | 2006-09-26 | 2009-12-31 | Hernan Alberto Gonzalez Rojas | Methods for a Movement and Vibration Analyzer |
| US20110247490A1 (en) | 2008-12-15 | 2011-10-13 | Grundfos Management A/S | Method and device for degassing the transport chamber of a metering pump |
-
2014
- 2014-10-14 KR KR1020140138157A patent/KR101539896B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090326419A1 (en) | 2006-09-26 | 2009-12-31 | Hernan Alberto Gonzalez Rojas | Methods for a Movement and Vibration Analyzer |
| US20110247490A1 (en) | 2008-12-15 | 2011-10-13 | Grundfos Management A/S | Method and device for degassing the transport chamber of a metering pump |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105738107B (en) * | 2016-01-28 | 2019-07-23 | 西安交通大学 | The train wheel Method for Bearing Fault Diagnosis decomposed based on approximate complete changeable mode |
| CN105738107A (en) * | 2016-01-28 | 2016-07-06 | 西安交通大学 | Locomotive wheelset bearing fault diagnosis method based on approximate complete variable mode decomposition |
| CN105784364A (en) * | 2016-03-02 | 2016-07-20 | 西安交通大学 | Bearing fault diagnosis method based on total experience mode decomposition and fractal box dimensions |
| CN109416849A (en) * | 2016-06-16 | 2019-03-01 | 卡塔尔大学 | By convolutional neural networks come the method and apparatus of actuating motor fault detection |
| CN109416849B (en) * | 2016-06-16 | 2021-07-27 | 卡塔尔大学 | Method and apparatus for performing motor fault detection through convolutional neural network |
| KR101842792B1 (en) * | 2016-10-05 | 2018-03-27 | 국방과학연구소 | An anti-jamming method and system based on Empirical Mode Decomposition and wavelet de-noising scheme |
| CN106841949A (en) * | 2017-03-09 | 2017-06-13 | 杭州安脉盛智能技术有限公司 | Three-phase asynchronous Ac motor stator insulation on-line monitoring method and device |
| CN106841949B (en) * | 2017-03-09 | 2020-01-10 | 杭州安脉盛智能技术有限公司 | Method and device for monitoring stator insulation of three-phase asynchronous alternating current motor on line |
| CN108458871A (en) * | 2017-12-22 | 2018-08-28 | 浙江工业大学 | A kind of gearbox fault recognition methods based on improvement experience wavelet transformation |
| CN108458871B (en) * | 2017-12-22 | 2020-12-01 | 浙江工业大学 | Gearbox fault identification method based on improved empirical wavelet transform |
| KR20190118339A (en) | 2018-04-10 | 2019-10-18 | 서울과학기술대학교 산학협력단 | Fault diagnosis method and system of induction motor using inverter input current analysis |
| KR102040397B1 (en) | 2018-04-10 | 2019-11-04 | 서울과학기술대학교 산학협력단 | Fault diagnosis method and system of induction motor using inverter input current analysis |
| CN109581211A (en) * | 2018-11-13 | 2019-04-05 | 国网江苏省电力有限公司南京供电分公司 | A kind of load ratio bridging switch mechanical breakdown on-line monitoring method based on current of electric |
| CN109782168A (en) * | 2018-12-29 | 2019-05-21 | 西安交通大学 | Induction electromotor rotor broken bar fault diagnostic method based on wavelet packet support vector machines |
| CN113158769A (en) * | 2021-03-03 | 2021-07-23 | 安徽大学 | CEEMDAN and FastICA-based electromechanical device bearing vibration signal denoising method |
| CN113376470A (en) * | 2021-07-08 | 2021-09-10 | 广西电网有限责任公司电力科学研究院 | Remote monitoring system for running state of lightning protection device |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101539896B1 (en) | Method for diagnosis of induction motor fault | |
| Hong et al. | Early fault diagnosis and classification of ball bearing using enhanced kurtogram and Gaussian mixture model | |
| Huo et al. | Incipient fault diagnosis of roller bearing using optimized wavelet transform based multi-speed vibration signatures | |
| Bazan et al. | Stator short-circuit diagnosis in induction motors using mutual information and intelligent systems | |
| Ghate et al. | Cascade neural-network-based fault classifier for three-phase induction motor | |
| CN108985279B (en) | Fault diagnosis method and device for MVB waveform of multifunctional vehicle bus | |
| Minhas et al. | A novel method to classify bearing faults by integrating standard deviation to refined composite multi-scale fuzzy entropy | |
| Baccarini et al. | SVM practical industrial application for mechanical faults diagnostic | |
| CN115688018B (en) | Method for monitoring state and diagnosing faults of bearing under multiple working conditions | |
| US10634621B2 (en) | Information processing method, information processing apparatus, and program | |
| EP2988187A1 (en) | A method for assessing the condition of rotating machinery connected to an electric motor | |
| Edomwandekhoe et al. | Advanced feature selection for broken rotor bar faults in induction motors | |
| CN111964909A (en) | Rolling bearing operation state detection method, fault diagnosis method and system | |
| Ali et al. | Threshold-based induction motors single-and multifaults diagnosis using discrete wavelet transform and measured stator current signal | |
| JP7407382B2 (en) | Sound data processing method, sound data processing device and program | |
| Cho et al. | Identification of significant intrinsic mode functions for the diagnosis of induction motor fault | |
| Hiruta et al. | Unsupervised learning based diagnosis model for anomaly detection of motor bearing with current data | |
| CN110781612A (en) | Fault diagnosis method and device for ball screw, computer device and storage medium | |
| Brigham et al. | Simplified automatic fault detection in wind turbine induction generators | |
| CN111474476B (en) | Motor fault prediction method | |
| Altaf et al. | Fault diagnosis in a distributed motor network using Artificial Neural Network | |
| US20230351158A1 (en) | Apparatus, system and method for detecting anomalies in a grid | |
| Grandhi et al. | Machine-learning based fault diagnosis of electrical motors using acoustic signals | |
| CN110736888A (en) | method for monitoring abnormal electricity consumption behavior of user | |
| Popescu et al. | Change detection in vibration analysis—A review of problems and solutions |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20180620 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20190605 Year of fee payment: 5 |