KR100973527B1 - 반도체식 가스센서의 고장진단장치 및 방법 - Google Patents

Abstract

본 발명은, 가스를 감지하는 반도체식 가스센서에서 발생한 고장의 종류를 분류하여 이를 진단하는 센서고장진단장치 및 방법에 관한 것이다.

이를 위해, 반도체식 가스센서의 에너지 장벽 값을 추출하는 에너지 장벽 추출부와, 상기 추출된 에너지 장벽 값을 입력 패턴으로 하여 상기 센서에서 발생된 고장의 종류를 분류하는 고장분류기를 포함하는 센서 고장진단장치를 제공한다.

센서, 경계인수, 에너지 장벽, 신경회로망

Description

반도체식 가스센서의 고장진단장치 및 방법{Fault diagnosis apparatus for gas sensor and method at the same}

본 발명은 반도체식 가스센서에 관한 것으로, 보다 상세하게는 상기 센서에서 발생한 고장의 종류를 분류하여 이를 진단하는 센서 고장진단장치 및 방법에 관한 것이다.

최근에 전자코(electronic nose)의 응용에 대한 연구가 활발하게 이루어지고 있으며, 특히 가정 및 산업시스템에서의 가스누출에 의한 사고를 방지하기 위해서 유해 가스를 분류해내고 이를 경보하기 위한 가스 모니터링에 대한 중요성이 크게 증가하고 있다. 이러한 가스 모니터링 시스템은 전자코라 불리는 센서의 성능에 의존하므로 센서에서의 고장은 시스템의 모니터링 성능을 저하시킴으로써 잘못된 경보의 원인이 될 수 있으며 이로 인해 큰 인명피해가 발생할 수 있다. 그러므로, 가스 모니터링의 안정성 확보를 위해서는 센서에서의 고장을 알아내기 위한 고장진단 방법에 대한 연구가 필요하다.

고장진단은 시스템에서의 오동작 여부를 판단하고 고장을 분류하는 것을 말하는데, 기존의 고장진단 방법은 크게 모델에 근거한 방법과 모델에 근거하지 않는 방법으로 분류할 수 있다.

모델에 근거한 방법은 시스템의 수학적 모델에 의해 제공되는 해석적인 기법을 기초로 하는 것으로서 상태추정 접근법과 파라미터추정 접근법으로 나눌 수 있다. 먼저 추정된 상태와 공칭모델의 상태와의 오차로부터 고장의 발생 여부를 판단하는 상태추정 접근법으로는 패리티(parity) 검사, 칼만필터나 관측기(observer)를 이용한 이노베이션 검증법, 오류감지필터 접근법 등이 있다. 파라미터추정에 의한 고장진단 방법으로는 먼저, 파라미터추정에 의한 고장진단 방법 중에서 추정된 파라미터를 이용하여 모델 파라미터와 물리적 파라미터와의 관계로부터 물리적 파라미터의 변화를 계산하여 고장의 종류를 알아내는 간접적인 방법을 들 수 있다. 그러나, 모델 파라미터와 물리적 파라미터 사이의 비선형성으로 인해 두 파라미터 사이의 명확한 관계정립이 어렵다. 다음으로 추정된 파라미터를 직접 고장분류에 이용하는 방법은 추정된 모델과 정상적인 공칭모델과의 오차로부터 고장의 발생 유무를 결정하며, 미리 구축한 고장모델과 추정된 모델을 비교하여 고장상태를 분류한다. 그러나, 사전에 발생 가능한 모든 고장을 예측하여 고장모델로 구축한다는 것은 매우 어렵기 때문에 예기치 않은 고장상태도 자동 분류할 수 있는 수단이 필요하다.

모델에 근거하지 않는 방법은 대상 시스템의 측정치, 경험 또는 물리적 검토를 기초로 하며, 시스템의 출력 값이 제한된 범위를 벗어나는지의 유무로써 고장을 감지해내는 한계치 검사(limit checking), 전문가 시스템 기법 및 신경회로망을 이용한 방법 등이 있는데, 전문가 시스템을 이용하는 방법은 명확한 규칙선정이 어렵 다는 문제점이 있다. 반면, 신경회로망은 병렬처리가 가능하므로 처리속도 면에서 이점이 있으며 입력이 다소 불완전하고 잡음을 포함한 경우라도 큰 효과를 발휘할 뿐만 아니라 학습의 기능도 있다. 이러한 장점으로 인해 신경회로망은 패턴인식, 신호처리 및 영상처리, 패턴분류 문제 등에 성공적으로 적용되고 있으며, 이를 토대로 신경회로망을 고장진단 문제에 이용하려는 많은 연구가 있었다. 대부분의 연구에서는 고장을 일종의 패턴으로 간주하여 신경회로망을 미리 획득한 고장패턴으로 학습을 시킨 뒤 고장을 분류하고 있으나, 사전에 모든 고장에 대한 학습 데이타를 얻기가 힘들다는 단점이 있다.

이러한 단점을 해결하기 위해 자율학습 신경회로망인 ART(adaptive resonance theory) 신경회로망을 이용하는 방법이 연구되고 있으나, 보다 정확한 고장분류를 위한 요구가 있다.

본 발명은 전술한 바와 같은 문제점을 해결하기 위한 것으로, 반도체식 가스센서의 다결정 입계에서의 에너지 장벽값을 추출하고, 이를 입력 패턴으로 하여 센서에서 발생된 고장의 종류를 분류하는 고장진단 장치 및 방법을 제공하는 것을 목적으로 한다.

또한, 고장의 종류 분류시 여러 경계인수를 갖는 ART2 신경회로망을 이용하여 예기치 않은 고장의 발생에 대해서도 고장 분류의 정확성을 향상시키는 고장진단장치 및 방법을 제공하는 것을 목적으로 한다.

상기의 과제를 해결하기 위하여, 본 발명의 일 실시예는, 반도체식 가스센서의 에너지 장벽 값을 추출하는 에너지 장벽 추출부와, 상기 추출된 에너지 장벽 값을 입력 패턴으로 하여 상기 센서에서 발생된 고장의 종류를 분류하는 고장분류기를 포함하는 센서 고장진단장치를 제공한다.

또한, 상기 고장분류기는 여러 경계 인수를 갖는 ART2 신경회로망을 이용하여 고장의 종류를 분류하는 것을 특징으로 한다.

또한, 상기 에너지 장벽 값은 상기 센서의 다결정 입계에서 추출하는 것을 특징으로 한다.

또한, 상기 에너지 장벽 값은 상기 센서의 동작온도를 변조하여 상기 동작온도에 따른 센서저항을 측정하고 이를 근거하여 추출하는 온도 변조 방법에 의해 계 산되는 것을 특징으로 한다.

본 발명의 다른 측면에 따르면, 센서에서 에너지 장벽 값을 추출하는 에너지 장벽 추출 단계와, 상기 추출된 에너지 장벽 값을 입력 패턴으로 하여 상기 센서에서 발생된 고장의 종류를 분류하는 고장분류단계와, 상기 분류된 고장의 종류에 따라 고장의 부위 및 정도를 진단하는 고장진단단계를 포함하는 센서고장진단방법을 제공한다.

상기 고장분류기는 여러 경계 인수를 갖는 ART2 신경회로망을 이용하여 고장의 종류를 분류하는 것을 특징으로 한다.

또한, 상기 에너지 장벽 값은 상기 센서의 다결정 입계에서 추출하는 것을 특징으로 한다.

또한, 상기 에너지 장벽 값은 상기 센서의 동작온도를 변조하여 상기 동작온도에 따른 센서저항을 측정하고 이를 근거하여 추출하는 온도 변조 방법에 의해 계산되는 것을 특징으로 한다.

본 발명은 센서의 고장진단을 위한 장치 및 방법에 관한 것으로 다음과 같은 효과를 가진다.

첫째, 고장 분류를 위한 입력 패턴으로 센서의 에너지 장벽 값을 이용하므로 용이하게 패턴을 도출할 수 있게 상황 변화에 안정성을 기할 수 있어 고장 분류의 정확성을 향상시킬 수 있다.

둘째, 여러 경계인수를 갖는 ART2 신경회로망을 이용하여 고장분류를 하므 로, 예상하지 못한 고장이 발생할 경우에도 새로운 고장 정보의 자동구축과 분류가 가능한 장점이 있다.

이를 통해, 운전중인 시스템에서 발생한 고장에 대해 정확한 정보를 줄 수 있으므로 적절한 대응을 가능하게 한다.

이하에서 첨부된 도면을 참조하면서 본 발명에 따른 고장진단장치 및 방법을 상세히 설명한다

도 1은 본 발명의 바람직한 실시예에 따른 센서 고장진단장치(100)의 구성을 나타낸 기능블럭도이고, 도 2는 도 1의 센서 고장진단장치를 통한 센서 고장 진단과정을 나타낸 흐름도이다.

도 1에 도시된 바와 같이, 본 발명에 따른 센서 고장진단장치(100)는, 반도체식 가스센서 모듈(110)에서 가스감지물질 내 에너지 장벽(energy barrier) 값을 추출하는 에너지 장벽 추출부(120)와, 상기 추출된 에너지 장벽 값을 입력 패턴으로 하고 여러 경계 인수를 갖는 ART2 신경회로망을 통해 상기 센서 모듈(110)에서 발생된 고장의 종류를 분류하는 고장분류기(130)로 구성된다.

여기서, 상기 에너지 장벽 추출부(120)는, 센서 모듈(110)에서 다결정 입계들의 접촉면(contacting surfaces)에서 에너지 장벽 값을 추출하고, 추출 방법은 온도 변조 방법(Temperature modulation method)에 따른다. 이러한 온도 변조 방법에 따르면, 상기 에너지 장벽 값은 상기 센서의 동작온도를 변조(modulation)하여 동작온도에 따른 센서 저항을 측정하고 이를 근거하여 추출한다. 이때, 다결정 입계에서의 에너지 장벽값은 Clifford 및 Tuma에 의해 제안된 장벽 이론(barrier theory)이 적용되고 모리슨 방정식(Morrison equation)에 따라 계산될 수 있다. 상기 모리슨 방정식에 따르면, 가스감지물질(가령, 산화주석막 등)의 컨덕턴스(conductance)(G)는 에너지 장벽(eVs)에 매우 민감하고, 흡수된 산소 이온들과 관련성이 있다. 아래 수학식 1은 이러한 모리슨 방정식을 나타낸다.

(여기서, Go는 절대온도 0도에서의 컨덕턴스 값을 의미한다.)

에너지 장벽 높이(energy barrier height) 대 온도의 관계식은 온도조절 컨덕턴스 측정방법을 사용하여 추출되며, 에너지 장벽을 추출하기 위한 방정식은 다음의 수학식 2와 같다.

이때, Gi는 Ti 온도에서의 컨덕턴스 값이고, Gn은 Tn 온도에서의 컨덕턴스 값이며, 에너지 장벽 값(eVs)은 Ti 및 Tn 온도에서 측정된 컨덕턴스 Gi 및 Gn을 이용하여 계산될 수 있다.

가스감지물질의 접촉면에서의 에너지 장벽값을 추출하는 방법은 이상에서 모리슨 방정식을 예로 들어 설명하였으나, 이에 한정되는 것은 아니며 다양한 방법에 의해 계산될 수 있다 할 것이다.
한편, ART(Adaptive Resonance Theory) 신경회로망 모델은 1976년 보스턴 대학의 스테픈 그로스버그(Stephen Grossberg)가 경쟁학습(Competitive Learning)의 약점인 안정성을 보강하여 제안한 모델이다. ART에 의거한 신경망 모델들은 ART1과 ART2로 불리는 두 개의 네트워크가 있다. ART1 신경회로망은 입력패턴이 이진수(binary)인 경우에만 처리가 가능하고, ART2 신경회로망은 아날로그 입력 데이터에 대해서도 처리가 가능하다.
ART2 신경회로망은 이미 학습된 패턴과 입력 패턴인 에너지 장벽값 간의 일치 정도를 검사하기 위한 경계인수 검사를 통해 유사하면 같은 클래스(class)로 학습하고, 그렇지 않으면 새로운 클래스를 생성시키는 증가 분류 알고리듬에 의해 고장 패턴을 분류함으로써 추가 학습이 가능하다는 장점이 있다. 그러므로, ART2 신경회로망을 고장분류기로 사용한다면 예상하지 않은 새로운 고장이 발생했을 때 이를 효과적으로 분류할 수 있다. 따라서, 본 발명에서는 하나의 경계인수를 사용하는 기존의 ART2 신경회로망의 단점을 보완한 복수개의 경계인수를 갖는 ART2 신경회로망을 센서의 고장분류를 위한 고장분류기(130)로 사용한다.

삭제

이하에서 도 1에 설명한 센서고장진단장치에 따른 센서 고장진단과정을 도 2를 참조하여 설명한다.

먼저, 반도체식 가스센서 모듈(110)에서 에너지 장벽 값을 추출한다(S210). 상기 에너지 장벽 값은 가스 센서의 산화막(감지막)의 접촉면에서 상기 모리슨 방정식을 이용하여 측정한다.

이후, 추출된 에너지 장벽 값을 입력 패턴으로 하여 고장분류기에 입력한다(S220). 특히, 본 발명에서는 고장 분류를 위한 입력 패턴으로 에너지 장벽 값을 이용하므로, 에너지 장벽 이론에 따라 정확한 값을 산출할 수 있으므로 주위 상황변화에 대해서도 안정된 입력 패턴을 얻을 수 있으며, 손쉽게 그 값을 도출해 낼 수 있다. 이에 따라 정확한 고장 진단에 유리하므로 금속산화막을 감지막으로 사용하는 반도체식 가스센서에 보다 유용할 수 있다.

이후, 상기 추출된 에너지 장벽 값을 입력 패턴으로 하여 센서에서 발생하는 고장의 종류를 분류한다(S230). 여기서, 고장 분류시 여러 경계인수를 갖는 ART2 신경회로망을 이용하여 센서 모듈에서 발생된 고장의 종류를 분류하므로, 예기치 않은 고장이 발생했을 때 유연하게 대처할 수 있게 한다.

이어, ART2 신경회로망에 따라 분류된 고장에 따라 센서의 고장을 진단한다(S240).

이처럼, 고장 발생시 이를 조기에 감지하고, 고장의 부위 및 고장의 정도를 결정하여 이에 관한 정보를 운전자에게 제공함으로써 고장에 대한 적절한 대응 조치를 취할 수 있다.

이하에서 본 발명에 따른 ART2 신경회로망을 이용하는 고장분류기에 대하여 상세하게 설명한다.

도 3은 ART2 신경회로망을 이용한 고장분류기(130)의 구조도이다.

도 3에 도시된 바와 같이, ART2 신경회로망은, 저장된 패턴과 유사한 입력에 대하여 반응을 하여, 이를 학습하기 위한 계층1과, 저장된 패턴과 유사성이 없는 패턴이 입력될 경우 계층1을 차단시키고 새로운 클래스를 생성시키게 하는 계층2로 구성된다. 계층1은 입력층과 출력층을 가지는 두 층 신경회로망으로 구성되며, 입력층과 출력층 노드들은 학습 패턴들이 기억되는 가중치로 연결되어 있다. ART2 신경회로망에 최초의 입력 패턴이 전달되면, 출력층에는 생성된 클래스가 없으므로 첫번째 클래스로 분류하여 입력 패턴을 첫 번째 출력 노드와 입력 노드들 사이의 가중치로 저장한다. 다음에 다른 패턴이 입력되면 첫 번째 클래스와의 유사성을 검사하여 같은 클래스로 학습하거나 새로운 클래스를 생성시키게 된다.

유사성의 검사는 경계인수조건 검사를 통하여 판별되는데, 경계인수는 두 패턴을 같은 클래스로 학습할 것인지, 아니면 새로운 클래스로 분류할 것인지를 결정하는 값이다. 여기서, 본 발명에 따른 고장 진단장치에서 사용되는 ART2 신경회로망을 이용하는 고장분류기는 여러 경계 인수를 갖는 것을 특징으로 한다. 이는 예기치 않은 새로운 고장이 발생한 경우에도 이를 분류할 수 있도록 하기 위한 것이다.

도 4는 본 발명에 따른 고장진단장치에서 ART2 신경회로망을 이용하는 고장분류기(130)의 동작을 요약한 흐름도이다.

ART2 신경회로망의 구조는 도 3에 도시된 바와 같이, 기존의 ART-2 신경회로망과 같으나, 기존의 ART2 신경회로망에서 패턴을 분류할 때 하나의 경계인수를 사용함으로써 고장에 대한 각 시스템 파라미터의 민감도 차이를 고려하기 어려운 문제점을 보완하기 위해 새로운 거리측정 및 경계인수 조건을 사용한다. 즉, 새로운 패턴이 신경회로망에 입력되면, 입력패턴과 각 출력 노드와의 거리를 다음의 수학식 3과 같이 계산한다.

상기 수학식 3에서, 입력 노드 i, i=1, 2, ..... N, N은 입력노드 수이고, 출력 노드 j, j=1, 2, .... M, M은 출력노드 수이다. 또한, W_j 와 w_ij 는 각각 j번째 출력노드에 대한 N차원의 가중치벡터 및 i번째 입력노드와 j번째 출력노드 사이의 가중치이며, X와 x_i 는 각각 N차원의 입력벡터 및 i번째 입력이다.

는 가중치가 부여된 무한대 노옴이며, E = diag(1/ε₁, 1/ε₂, ....1/ε_N) 로서 N×N 차원의 대각 가중치 행렬이고, ε_i 는 i번째 입력노드의 입력패턴에 대한 경계인수이며 ｜·｜는 절대값을 의미한다.

출력노드 중에서 상기 수학식1에 의하여 계산된 거리가 최소인 노드만이 활성화되며, 입력패턴과 활성화된 출력노드에 대한 템플리트 패턴과의 유사성은 계층2에서의 경계인수조건 검사를 통해서 판별되는데, 여러 경계 인수를 갖는 ART2 신경회로망에서는 다음의 수학식 4 같은 경계 인수 조건을 사용한다.

경계인수 조건:

상기 수학식 4에서 W_J 는 활성화된 J번째 출력노드에 관한 N차원의 템플리트 패턴 벡터이며, J는 활성화된 출력 노드이다.

만일 입력 패턴이 경계 인수 검사를 통과한다면 다음의 수학식 5와 같은 가중치 조정식을 이용하여 같은 클래스로 학습한다.

W_J ^new = {X + W_J ^old [class_J ^old]}/{ [class_J ^old + 1] }

상기 수학식 5에서, W_J ^old 와 W_J ^new 는 각각 J번째 출력 노드에서의 조정 전후의 가중치이며, [class i]는 클래스 i에 속한 패턴들의 개수이다. 그러나, 경계 인수 검사를 통과하지 못하면 입력 패턴을 새로운 클래스에 저장한다.

상기한 수학식 3과 수학식 4에서, ε_i 는 입력 패턴과 활성화된 출력 노드의 템플리트 패턴간의 일치 정도를 판별하기 위한 경계 인수들로서, 두 패턴을 동일한 클래스로 학습할 것인지 또는 새로운 클래스로 분류할 것인지를 결정하는 값이다. 입력 패턴인 추정 파라미터 중에서 고장으로 인하여 많이 변하는 파라미터에 대해서는 ε_i 를 크게 설정하고, 적게 변하는 경우에는 작게 설정하므로써 고장 유형에 따른 각 파라미터의 민감도 차이를 충분히 고려한 분류가 가능하다. 예를 들어서, N=2이고, x₁ 이 x₂ 보다 크게 변하는 경우에는 ε₁ 를 ε₂ 보다 크게 설정한다.

도 5는 본 발명에 따른 센서고장진단장치를 이용하여 온라인 상에서 센서의 고장진단 실험을 한 예를 나타낸 도면이다.

도 5에 도시된 바와 같이, 고장진단 실험을 위한 측정 시스템은, 혼합 공기의 가스통과, MFC(Mass flow controller), 가스 라인(Bypass line), 습도 발생기(Saturator) 및 테스트 용기(Chamber)로 구성되어 있다. 상기 테스트 용기는 가스측정을 위한 센서와 상기 센서와 온라인 상으로 연결되어 가스고장진단을 위한 PC로 이루어져 있다. 이때, 실험(test) 가스는 n-C₄H₁₀ 이고, 캐리어(carrier) 가스는 건조한 공기 및 습한 공기가 사용되며, 동작 온도 240 ~ 380℃ 범위가 해당된다.

가스의 측정절차는 먼저, 건조한 혼합공기가 습도 발생기에 보내져 MFC에 의해 조절된 원하는 실험가스와 혼합되며, 이 혼합가스는 테스트 용기에 보내지게 되고, 센서의 출력값을 RS232 통신을 통해 컴퓨터로 전송한다.

이하에서 도 5의 시스템을 이용하여 본 발명에 따른 센서고장진단장치를 이용하여 시뮬레이션한 결과를 설명한다.

표 1은 고장진단을 위한 에너지 장벽 패턴을 나타낸 것으로, ART2 신경회로망 고장분류기의 입력은 센서에서 측정된 에너지 장벽값을 획득하여 A/D 변환한 신호 패턴 4개를 사용하고, 고장분류기의 경계인수 파라미터벡터로 설정한다.

고장 유형	패턴 번호	에너지 장벽 패턴 (ART NN 입력)	ART2 신경회로망 진단 결과
정상상태	P01	0.162706977 0.06682311 0.079371199 0.012247735	클래스 #1
고장 #1	P11	0.119768806 0.011592535 0.311628172 0.203503277	새로운 클래스 #2 생성
고장 #2	P21	0.08548775 0.010417576 0.659277323 0.345808442	새로운 클래스 #3 생성
고장 #3	P31	0.084133396 0.007053137 0.159576723 0.072001424	새로운 클래스 #4 생성

표 1에서 가스측정을 위한 센서의 고장 원인으로는 크게 세 가지 유형을 들 수 있는데, 도 6a 내지 도 6d에 도시된 바와 같이, 본 발명에서는 상기 세 가지 유형의 고장을 인위적으로 발생시켜 센서의 고장진단 실험을 행하였다.

첫 번째, 고장 #1(Fault #1)은 센서에 기름때가 흡착되는 경우로서, 이는 센서의 감도를 떨어뜨려 오동작을 일으키는 원인이 된다(도 6a 및 도 6b).

두 번째, 고장 #2는 센서가 실리콘 실런트(silicone sealants) 가스에 노출된 경우에도 센서의 감도가 떨어지고 센서 오동작의 주요한 원인이 된다(도 6c).

세 번째, 고장 #3은 센서가 습기에 노출된 경우로서 이는 오동작의 원인이 된다(도 6d).

도 7a 내지 도 7c는, 각각 표 1과 같은 고장 #1, 고장 #2 및 고장 #3에 의한 센서 감도 변화 결과를 나타낸 그래프이다.

이때, 전기회로는 로드 저항(R_L)이 센서의 감지막과 직렬로 연결되고, 센서에 DC 전압공급장치(V_CC)가 인가되고, 접속된 PC는 로드 저항에서의 출력 전압(V_L)을 기록한다. 로드 전압(V_L)이 측정될 때, 감지막의 저항(R_S)이 다음 수학식 7, 수학식 8에 따라 계산된다.

여기서, R_sa 및 R_sg 는 각각 공기 및 실험 가스에서의 센서 저항을 나타내고, 이에 따른 센서 감도(S)는 아래 수학식 9와 같다.

도 8a 내지 도 8c는, 각각 표1과 같은 정상상태(Normal), 고장(Fault) #1, 고장 #2 및 고장 #3의 센서 고장패턴에 대한 실험 결과를 나타낸 그래프이다.

도 8a는 센서가 정상 상태(P01)이다가 100번째 순간에 센서에 고장 #1(P11)이 발생한 경우의 고장진단결과를 도시한 것으로서 고장 #1 패턴 P11이 ART-2 신경회로망에 입력되면 클래스 #1(정상상태)과의 경계인수검사를 통과하지 못하여 자동으로 새로운 클래스 #2를 생성시키고 새로운 고장으로 선언함을 알 수 있다. 다음으로, 100번째 순간에 센서에 새로운 고장 #2가 발생한 경우의 고장진단 결과가 도 8b에 도시되어 있으며 새로운 클래스 #3을 생성시킴을 알 수 있다. 마지막으로 100번째 순간에 센서에 새로운 고장 #3이 발생한 경우의 고장진단 결과는 도 8c와 같으며, 현재 발생한 센서의 고장을 새로운 고장으로 인식하여 클래스 #4를 자동 생성시킴을 알 수 있다.

즉, 정상상태 패턴(P01)이 입력되면 이 패턴들은 경계인수검사를 통과하여 고장클래스 #1로 분류됨을 알 수 있다. 다음으로 고장 #1 패턴 (P11)이 입력되면 이 패턴들은 클래스 #2와의 경계인수검사를 통과하여 고장클래스 #2로 분류되어 현재의 센서의 상태를 고장 #1로 진단함을 알 수 있다. 마찬가지로 고장 #2 패턴 (P21)과 고장 #3 패턴 (P31)이 입력되면 각각 고장클래스 #3과 #4로 분류됨을 알 수 있다.

이처럼 실제 가스모니터링 시스템에서 실험 데이타를 이용한 시뮬레이션 결과 본 발명은 센서고장진단에 잘 적용됨을 알 수 있다.

따라서, 본 발명을 실제 가스모니터링 시스템에 적용하여 운용한다면 시스템의 신뢰성 향상에 크게 기여할 것으로 기대되며, 다중고장상황에서의 고장진단과정에도 확대 적용될 수 있을 것으로 판단된다.

이상에서, 반도체식 가스센서의 고장진단에 대해 설명하였으나, 센서 이외의 다양한 반도체 디바이스의 고장진단에 적용가능하며, 본 발명은 상기의 실시예에 국한되는 것은 아니며 당해 기술분야에 있어서 통상의 지식을 가진자가 본 발명의 기술적 사상의 범위를 벗어나지 않는 범위내에서 설계 변경이나 회피설계를 한다 하여도 본 발명의 범위 안에 있다 할 것이다.

도 1은 본 발명의 바람직한 실시예에 따른 센서 고장진단장치의 구성을 나타낸 기능 블럭도,

도 2는 도 1의 센서 고장진단장치를 통한 센서 고장 진단과정을 나타낸 흐름도,

도 3은 ART2 신경회로망을 이용한 고장분류기의 구조도,

도 4는 본 발명에 따른 고장진단장치에서 ART2 신경회로망을 이용하는 고장분류기의 동작을 요약한 흐름도,

도 5는 본 발명에 따른 센서고장진단장치를 이용하여 온라인 상에서 센서의 고장진단 실험을 한 예를 나타낸 도면,

도 6a 내지 도 6d는 본 발명에서 인위적으로 발생시킨 세 가지 유형의 고장의 유형을 나타낸 도면,

도 7a 내지 도 7c는, 각각 표 1과 같은 고장 #1, 고장 #2 및 고장 #3에 의한 센서 감도 변화 결과를 나타낸 그래프,

도 8a 내지 도 8c는, 각각 표1과 같은 정상상태(Normal), 고장(Fault) #1, 고장 #2 및 고장 #3의 센서 고장패턴에 대한 실험 결과를 나타낸 그래프이다.

*도면의 주요 부호에 대한 설명*

110: 센서 모듈

120: 에너지 장벽 추출부

130: 고장분류기

Claims (8)

1. 센서저항을 측정할 수 있는 센서모듈과,

   상기 센서모듈에서 센서의 동작온도를 변조하여 상기 동작온도에 따른 상기 센서저항을 측정하고 이를 근거하여 에너지 장벽 값을 추출하는 에너지 장벽 추출부와,

   상기 추출된 에너지 장벽 값을 입력 패턴으로 하여 복수개의 경계 인수를 갖는 ART2 신경회로망 모델을 이용하여 상기 센서에서 발생된 고장의 종류를 분류하는 고장분류기를 포함하는 것을 특징으로 하는 반도체식 가스센서 고장진단장치.
2. 삭제
3. 제1항에 있어서,

   상기 에너지 장벽 값은 상기 센서의 다결정 입계(grain boundary)에서의 값인 것을 특징으로 하는 반도체식 가스센서 고장진단장치.
4. 삭제
5. 반도체식 가스센서의 동작온도를 변조하여 상기 동작온도에 따른 센서저항을 측정하고 이를 근거하여 에너지 장벽 값을 추출하는 단계와,

   상기 추출된 에너지 장벽 값을 입력 패턴으로 하여 복수개의 경계 인수를 갖는 ART2 신경회로망 모델을 이용하여 상기 센서에서 발생된 고장의 종류를 분류하는 고장분류단계와,

   상기 분류된 고장의 종류에 따라 고장의 부위 및 정도를 진단하는 고장진단단계를 포함하는 것을 특징으로 하는 반도체식 가스센서 고장진단방법.
6. 삭제
7. 제5항에 있어서,

   상기 에너지 장벽 값은 상기 센서의 다결정 입계(grain boundary)에서의 값인 것을 특징으로 하는 반도체식 가스센서 고장진단방법.
8. 삭제

Images