KR101323714B1 - 전기화학 디바이스에서 결함의 검출 - Google Patents

Abstract

본 발명은 전기화학 디바이스에서 결함을 검출하는 방법에 관한 것으로서, 전기화학 디바이스로부터 수신된 적어도 하나의 변수(S)에 종속되는 적어도 하나의 특성값(Val_i)을 얻는 단계(103) 및 얻어진 특성값으로부터 상기 장치에서 적어도 하나의 결함(D_i)을 결정하는 단계를 포함한다. 상기 방법은 웨이브릿 변환을 포함하는 수학적 연산을 구비하며, 이러한 수학적 연산은 수신된 변수(S)로부터 특성값(Val_i)을 얻기 위해 실행된다. 또한, 본 발명은 이와 같은 방법을 수행하는 장치 및 컴퓨터 프로그램에 관한 것이다.

Description

전기화학 디바이스에서 결함의 검출 {DETECTION OF DEFECTS IN AN ELECTROCHEMICAL DEVICE}

본 발명은 전기화학 디바이스에서 결함을 검출하는 분야에 관한 것이다.

현재 화학 에너지를 전기 에너지로 변환 또는 그 역으로의 변환에 의존하는 "전기화학" 디바이스로 알려진 다양한 디바이스가 있다.

이러한 유형의 디바이스의 제 1 카테고리는 에너지를 전기 디바이스에 공급하거나 추후 사용을 위해 저장하도록 하기 위하여 화학 에너지를 전기 에너지로 변환하는 디바이스에 관한 것이다. 이와 같은 디바이스의 예로 배터리, 연료전지 또는 슈퍼 캐패시터가 있다.

이러한 유형의 디바이스의 제 2 카테고리는 화학 반응을 수행하거나 생성물 또는 시약을 분리하는데 있어 전기에 의존하는 다양한 방법을 이용하는 디바이스에 관한 것이다. 이러한 디바이스는 일반적으로 전해도금(electrodeposition), 방전 가공(electrical discharge machining) 또는 전기부상(electroflotation)과 같은 "전기화학" 방법을 사용한다.

이러한 전기화학 디바이스의 신뢰성 및 유효 수명은 다양한 현상에 의해 제한된다. 연료전지와 같이 화학 에너지를 전기 에너지로 변환하는 디바이스에 대해, 두 가지의 주요 현상이 성능 감소 또는 심지어 디바이스의 완전고장을 야기한다.

이러한 디바이스의 유효 수명은 충전/방전 사이클 또는 누적된 셧다운(shutdowns)에 따른 불규칙적 작동 및 전력 수요에서의 전원 공급(powerups) 또는 변동에 의해 감소된다.

또한, 예컨대 사용되는 전기화학 방법의 어느 파라미터에 대한 제어 고장(시료 공급 중단, 반응 생성물과 서브-생성물의 서투른 관리), 매질의 피독 현상(poisoning) 또는 구성 성분이나 모듈의 고장과 같은 어떤 사건이 작동 중에 발생할 수 있다.

이런 유해한 현상은 이를 검출하고, 가능하게는 보정하기 위한 진단 방법의 사용을 필요로 한다.

종래의 전기화학 디바이스에서, 종래의 진단 방법은 대개 이러한 시스템의 외부 또는 내부에 있을 수 있는 어느 파라미터에 대한 인지를 바탕으로 하며, 전기화학 디바이스 자체로 삽입되는 내부 센서와 같은 특정한 기구의 사용을 필요로 한다.

이러한 기구의 사용은 항상 바람직한 것은 아니다. 왜냐하면, 종종 비용이 많이 들며, 특히 디바이스의 내부에 센서들을 설치하기에 좀처럼 적합하지 않은 전기화학 시스템의 기하학적 구조로 인해 구현하기 어렵기 때문이다.

게다가, 이러한 삽입으로 인해, 이와 같은 내부 센서는 결함의 확률을 증가시킬 수 있고 부정확한 진단을 초래할 수 있는 것으로 디바이스를 바꾼다. 또한, 모바일 어플리케이션을 위한 전기화학 시스템을 사용하는 경우 디바이스의 크기는 가능한 한 작아야 하므로 진단 기구도 작아야 하기 때문에 종래 방법의 사용은 불가능하다.

특별하나 배타적이지 않은 고분자 전해질형 연료전지(proton exchange membrane fuel cells, PEMFC)의 경우, 성능 저하 메커니즘을 이해하고 신뢰성 및 유효 수명을 개선시키기 위한 연구가 진행되어왔다. 어떠한 물리적 모델이 개발되었다. 그러나, 상기 모델은 이를 사용하기 위해 난해하거나 심지어 측정하기 불가능한 어떠한 다수의 파라미터를 필요로 한다. 게다가, 이러한 복잡성은 일반적으로 실시간 진단에서 적용하기 어렵게 하는 상당한 연산 시간을 필요로 한다.

본 발명은 이러한 단점을 극복하는 것을 목적으로 한다.

따라서, 본 발명의 목적은 비간섭적(non-intrusive) 방식으로 전기화학 디바이스에서 결함을 검출하기 위한 방법을 제공하는 것이다.

본 발명의 다른 목적은 최소의 기구를 사용하여 결함을 검출하는 방법을 제공하는 것이다.

본 발명의 또 다른 목적은 형태, 기하학적 구조, 크기 또는 어플리케이션에 관계 없이 서로 다른 시스템에 사용될 수 있는 전기화학 디바이스에서 결함을 검출하기 위한 포괄적인 방법을 제공하는 것이다.

마지막으로, 본 발명의 다른 목적은 실시간으로 사용가능한 결함을 검출하는 방법을 제공하는 것이다.

이를 위해, 본 발명은 전기화학 디바이스에서 결함을 검출하기 위한 결함 검출 방법으로서 상기 전기화학 디바이스로부터 수신된 적어도 하나의 변수로부터 적어도 하나의 특성값을 얻는 단계 및 상기 얻어진 값을 기초로 상기 전기화학 디바이스의 적어도 하나의 결함을 결정하는 단계(105)를 포함하며, 수신된 변수로부터 특성값을 얻기 위해 웨이브릿(wavelet) 변환을 포함하는 수학적 연산을 수행하는 결함 검출 방법을 제안한다.

이점적으로, 웨이브릿 변환은 수신된 특성값이 스케일 변수 값(a) 및 변환 변수 값(b)에 종속되는 적어도 하나의 웨이브릿 계수(S_{a ,b})를 포함하는 이산(discrete) 웨이브릿 변환이다. 이러한 이산화는 웨이브릿으로 분해하는데 필요한 연산 시간을 향상시킨다.

특히, 복수의 특성값은 a 미만인 스케일-레벨 변수(j)에 대한 웨이브릿 계수(W_{j ,p})의 세트를 복수의 웨이브릿 계수(W_{j +1,p})의 세트로 분해하여 얻어진다.

바람직하게는, 스케일 변수 값(a)은 a=a₀ ^j를 만족하는데 j는 스케일-레벨이고 a₀는 스케일 파라미터이며, 특성값의 a 세트는 0부터 소정의 분해 레벨까지의 각각의 값(j)에 대해 웨이브릿 계수(W_{j ,p})의 각 세트를 웨이브릿 계수(W_{j +1,p})의 a₀ 세트로 연속 분해하여 얻어진다. 이는 웨이브릿 분해 중에 높은 세밀도(level of detail)를 가져온다.

바람직하게는, 주어진 분해 레벨이 최대 분해 레벨과 일치하므로, 최대의 세밀도가 웨이브릿 분해 중에 얻어진다.

바람직한 실시예에서, 결정하는 단계는 제 2 결함 등급으로부터 적어도 하나의 제 1 결함 등급을 분리하는 적어도 하나의 결정 요소와 특성값을 비교하는 단계를 포함한다. 이점적으로, 상기 결정 요소는 복수의 결정값을 복수의 결합 등급으로 사전 분류하여 정의된다.

바람직하게는, 상기 복수의 특성값을 얻는 단계와 결함을 결정하는 단계 사이에, 얻어진 복수의 특성값 중에서 적어도 하나의 관련 값(Val_i')을 선택하는 단계가 있으며, 결함 결정은 상기 관련 값으로부터 행해진다. 이는 연산 시간을 단축시킨다.

특히, 상기 방법이 전기화학 디바이스로부터 수신된 변수에 대한 예비 처리 단계를 포함한다면 이점적이다. 특히, 필요한 연산 시간을 최적화하기 위해 상기 예비 처리 단계는 전기화학 디바이스로부터 수신된 변수의 적어도 하나의 주파수 성분을 제거하는 단계를 포함한다.

또한, 본 발명은 상기 방법의 단계를 구현하기 위한 명령어를 포함하는 컴퓨터 프로그램을 제안한다.

또한, 본 발명은 웨이브릿 변환을 포함하는 수학적 연산을 수행하여, 전기화학 디바이스로부터 적어도 하나의 변수를 수신하고 이 변수로부터 적어도 하나의 특성값을 생성하도록 형성된 프로세싱 모듈 및 프로세싱 모듈로부터 수신된 적어도 하나의 값에서 이 전기화학 디바이스의 적어도 하나의 결함을 결정하도록 형성된 결정 모듈을 포함하는 전기화학 디바이스의 결함 검출 장치를 제안한다.

본 발명의 내용 중에 포함되어 있다.

본 발명의 대상인 상기 방법, 컴퓨터 프로그램 및 결함 검출 장치는 하기의 설명을 읽고 수반하는 도면을 검토하여 더 잘 이해될 것이다.
도 1은 본 발명에 따른 전기화학 디바이스에서 결함을 검출하는 방법의 단계를 도시한다.
도 2는 이산 웨이브릿 변환의 사용 결과에 의한 완전 트리인 제 1 유형의 트리 구조를 도시한다.
도 3은 이산 웨이브릿 변환의 사용 결과에 의한 부분 트리인 제 2 유형의 트리 구조를 도시한다.
도 4는 사전 분류 방법에서 정의된 것처럼 마진의 개념, 서포트 벡터(support vector) 및 분리 하이퍼플레인(hyperplane)을 도시한다.
도 5는 본 발명에 따른 사전 결함 분류의 예로서, 특히 연료전지의 예를 도시한다.
도 6은 본 발명에 따른 전기화학 디바이스에서의 결함 검출 장치를 도식적으로 나타낸다.

먼저, 도 1을 참조하면 본 발명의 전기화학 디바이스에서 결함을 검출하는 방법의 단계를 도시한다.

본 명세서에 사용된 용어 "전기화학 디바이스"는 화학 에너지의 변환에 의해 전기 에너지를 생성하고 공급(직접적으로 또는 일시적으로 저장하여)할 수 있는 임의의 장치뿐만 아니라, 예컨대 화학 반응을 달성하거나 생성물 또는 시료를 분리시키기 위해 전기 에너지를 화학 에너지로 변환하는데 사용할 수 있는 임의의 장치도 포함한다.

이와 같은 장치는 배터리, 연료전지 또는 슈퍼캐패시터로 구성될 수 있다. 또는, 이러한 장치는 전기도금(electroplating), 방전 가공(electrical discharge machining), 전기합성(electrosynthesis), 전기정제(electropurification), 전기농축(electrocentration) 또는 전기부상(electroflotation)을 위한 셀(cell)과 같은 전해조(electrolyzer)로 구성될 수 있다. 또한, 이와 같은 장치는 전기투석기(electrodialyzer)로 구성될 수 있다.

전기화학 디바이스에서 가능한 결함을 검출하기 위해, 본 발명의 방법은 전기화학 디바이스로부터 수신된 변수(S)에 수행되는 어느 다수의 연속적 연산을 포함하며, 소스 내부에 센서를 삽입할 필요 없이 비간섭적 진단을 실행할 수 있게 한다.

소스로부터 수신된 변수(S)는 전기화학 디바이스의 특성을 나타내게 하는 임의의 타입의 신호로 구성될 수 있다.

전기를 발생시키는 디바이스의 경우, 변수(S)는 단순히 디바이스로부터의 출력으로 전달되는 전압, 전류 또는 전력과 같은 임의의 신호일 수 있다.

화학적 변환을 수행하는데 전기를 사용하는 디바이스의 경우, 이러한 변수(S)는 이러한 디바이스로의 입력인 특정 파라미터에 대한 디바이스의 응답일 수 있다. 예컨대, 특정 전류가 입력이라면 변수(S)는 이러한 디바이스의 전압 응답일 수 있다. 반대로, 특정 전압이 입력이라면 변수는 이러한 디바이스의 전류 응답일 수 있다. 마지막으로, 특정 전력이 입력이라면 변수는 디바이스의 전류 응답 또는 전압 응답일 수 있다.

아래에 상세히 열거되는 비제한적인 예에서, 변수(S)는 특정 전류에서 동작하는 배터리의 단자에서 측정된 출력 전압이다. 그러나, 당업자는 전압이나 전력이 특정되는 것에 대한 배터리로부터의 전류, 전압이나 전류가 특정되는 것에 대한 배터리로부터의 전력, 또는 임의의 작동 모드에 대한 생성물이나 시료의 압력 또는 농도, 시료나 생성물의 유량, 온도 또는 이들 변수에 있어서 임의의 시간적 또는 공간적 변화를 사용하는 것을 쉽게 고려할 수 있다.

제 1 주요 단계(103) 동안, 제 1 처리는 전기화학 디바이스의 하나 이상의 결함(들)의 특징을 나타내는 하나 이상의 값(Val_i)을 얻기 위해 진단되는 전기화학 디바이스로부터 수신된 변수(S)에 적용되는데, 여기서 1≤i≤n 이다.

특히, 변수(S)가 실제로 아날로그인 경우 얻어진 특성값(Val_i)은 차후의 디지털 프로세싱에서 사용될 수 있는 디지털 변수일 것이다.

이러한 얻어진 특성값(Val_i)으로부터, 전기화학 디바이스의 하나 이상의 결함(들)은 그 후 제 2 주요 단계(105) 동안 결정될 수 있다.

단계(105)는 특성값(Val_i)이 정의된 기준에 따라 이를 그룹화하여 다소 조직된 구조로 분할되는 것으로 비통제(unsupervised)되거나, 이미 분류된 데이터의 세트를 기반으로 통제될 수 있다.

예컨대, 통제된 경우에 있어서, 얻어진 특성값(Val_i)은 전기화학 디바이스의 특정 상태, 가령 특정 타입의 결함이 존재하는 상태와 각각 관련되는 일련의 기분류된 값들과 비교된다. 이러한 비교로부터 전기화학 디바이스의 적어도 하나의 가능한 결함(D_i)이 추론될 수 있다.

따라서, 본 발명의 방법은 수신된 변수(S)로부터 특성값(Val_i)을 얻기 위해 제 1 주요 단계(103) 동안 웨이브릿 변환을 포함하는 수학적 연산을 사용하는 것을 특징으로 한다.

웨이브릿은 중심의 시간 주위로 국부화되는 제한된 지속시간의 수학적 함수(ψ)이다. 그 명칭(웨이브릿)은 조밀하고(compact) 진동하는(oscillating) 성질을 반영한다. 임의의 수학적 함수는 진동하고 유한 에너지이며 평균이 0인 성질을 갖는다면 웨이브릿으로 간주될 수 있다.

변수를 분석하는 다른 방법에 비하여 웨이브릿 분석의 제 1 이점은 "마더(mother) 웨이브릿"으로 사용될 수 있는 많은 함수들이 있다는 것이다.

빈번하게 마더 웨이브릿으로 사용되는 함수는 멕시칸 햇(Mexican hat) 함수이다. 이 함수의 수학적 표현은 다음과 같다:

(1)

상기 마더 웨이브릿으로부터 웨이브릿 패밀리((ψ_a,b(t))_a,b)가 다음의 공식에 따라 시간적 변환 및 확장(또는 웨이브릿 압축)에 의해 정의된다:

(2)

이것이 분해(decomposition)를 위한 기초로서 제공되는 웨이브릿 패밀리이며, 소정의 변수(S)의 분석을 가능하게 한다. "스케일 변수(scale variable)"로 불리는 변수(a)는 스케일 인자에 대응하는 반면, "변환 변수(translation variable)"로 불리는 변수(b)는 시간 위치(localization) 파라미터이다. 큰 스케일은 신호의 전체적인 조망(overall view)에 해당하며, 작은 스케일은 상세한 묘사에 해당한다. 웨이브릿 변환을 사용하여 변수는 모든 스케일에서 분석될 수 있으며, 다중 해상도 분석(multiresolution analysis)을 할 수 있다.

따라서, 이러한 신호에 포함되는 서로 다른 스케일에서 발생하는 서로 다른 현상(및 그에 따른 결함)에 대한 정보를 얻을 수 있다. 분해의 각 레벨에서, 신호는 다른 스케일에서 얻어지며, 분해의 한 스케일로부터 다음(더 상세한) 스케일로 진행되는 경우 현상의 위치를 알아내게 한다.

웨이브릿 변환을 수행함에 있어서, 각 스케일 변수(a)에 대해 웨이브릿은 서로 간에 일련의 상관관계(correlation)를 계산하기 위해 시간축의 원점으로부터 분석되는 변수에 의해(변환 변수(b)를 변화시켜) 이동된다.

이러한 상관관계의 결과는 "웨이브릿 계수"(S_{a ,b})의 세트에 상응하는데, 웨이브릿의 폼(form)이 분석되는 변수의 폼에 접근할 때 가장 크며, 다음의 식을 만족한다:

(3)

여기서, * 는 컨주게이트(conjugate)를 나타내며 R은 실수의 집합이다. 그 다음에, 변수(S)는 이들 계수(S_{a ,b})로 표현되며, 디바이스의 결함을 결정하기 위한 특성값(Val_i)으로 제공될 수 있다.

변수 a와 b가 연속적으로 변화하는 경우, 이를 변수(S)의 연속 웨이브릿 변환(CWT)이라 부른다. 이러한 연속 웨이브릿 변환은 신호 S(g)의 완전한 묘사를 제공한다. 그러나, 비용면에서 식(2)를 구현하기 어려우며 높은 중복성(redundancy)을 초래한다.

이러한 어려움을 극복하기 위해 이산 웨이브릿 변환이란 웨이브릿 변환의 한 타입을 사용하는 것이 이점적인데, 이는 변수 a와 b에 대한 몇몇의 이산 값을 사용하는 것으로 제한된다. 많은 적용에 대해, a 및 b의 값은 이하 정의된 것처럼 선택된다:

(4) a = a₀ ^j , 여기서 a₀ > 1

(5) b = k.b₀.a₀ ^j, 여기서 b₀ > 0 이고 j 및 k는 정수

변수 j와 k는 각각 스케일 및 변환 레벨이다. 얻어진 결과는 일련의 이산 값인데, 웨이브릿 시리즈 분해라고 불린다. 단지 설명의 목적으로, 여기서 선택된 값은 b₀ = 1 이고 a₀ = 2 이며, 스케일 변수가 연속적인 값들 1,2,4,8 등을 취하는 이분 분해(dyadic decomposition)에 해당한다.

이러한 특별한 경우에, 신호를 분해하는데 사용되는 웨이브릿은 다음 식을 만족한다:

(6)

그리고 웨이브릿 계수는 이하로 정의된다:

(7)

그리고 기존의 변수(S)는 다음에 따른 대응하는 웨이브릿을 기초로 정의된다:

(8)

간단히 신호처리의 관점으로 볼 때, 단지 두 타입의 요소가 고려된다: 분석되는 변수 및 이를 분석하고 필터하는 함수. 이러한 관점에서, 신호의 이산 웨이브릿 변환은 필터 뱅크(filter bank)를 통해 신호를 통과시켜 관찰될 수 있다.

소정의 스케일에서, 이산 웨이브릿 변환은 a₀ 필터로 구성되는 뱅크를 통해 이전의 스케일로부터 계수를 통과시키는 것으로 구성된다. 인자 a₀가 2인 경우의 예에서, 저역통과필터는 신호의 개략적인 이미지를 제공하며, 고역통과필터는 상세한 이미지를 제공한다. 이러한 두 필터는 상보적이다: 하나에 의해 제거된 주파수는 다른 하나에 의해 복구된다. 필터 뱅크의 반복적 사용은 도 2 및 3에 도시된 트리 구조로 나타난다.

각각의 스케일 레벨(j)에서, 파라미터(p)가 트리에서 위치를 나타내고 0과 2^j-1 사이에서 변하며, 계수의 한 세트(w_{j ,p})에 대응하는 각 노드에 대해 그것의 왼쪽에 노드의 수와 같은 계수의 세트(w_{j ,p})가 얻어진다. 이는 주파수 지수(frequency index)로 간주될 수 있다. 세트(w_{j ,p})는 일련의 계수(S_{j ,k})를 포함하는데, 여기서 k는 0에서부터 2^M-j-1 까지 변하며, 파라미터(M)은 분해되는 신호의 최대 분해 레벨과 일치하는데, 예컨대 신호의 길이가 2의 제곱승인 경우, 신호의 길이의 자연로그와 일치할 수 있다.

따라서, 고정 스케일 레벨(j)에 대해 계수의 세트(w_{j ,p})는 다음을 만족한다:

(9)

도 2는 필터링의 3개의 연속적인 레벨을 적용한 변수(S)를 도시한다. 각 스케일 레벨(j)에서, 0부터 최대 분해 레벨(M)까지 일련의 계수의 세트(w_{j ,p})가 얻어지며, 이전 스케일 레벨(j-1)의 계수의 세트(w_{j -1,p}) 각각에 저역통과필터("Lo"로 나타냄) 및 고역통과필터("Hi"로 나타냄)를 적용한 것과 상응한다.

웨이브릿 패킷 변환으로 알려진 이러한 변환은 각각의 완전한 분해 레벨에서 변수(S)의 특성을 완전히 나타낼 수 있게 한다는 점에서 완전하다. 레벨 j에서, 계수의 세트(또는 노드) 2^j가 얻어진다. 신호가 각 분해 레벨에서 완전히 표현되기 때문에, 수 레벨을 갖는 완전한 "트리"에 의한 변수(S)의 표현은 중복적이다. 이러한 트리 구조에서는 단지 소정의 결함의 "중요한(significant)" 패킷을 선택하고 그 결함을 식별하는데 단지 이러한 패킷을 사용하는 것이 가능하다.

도 3은 필터링의 3개의 연속적인 레벨을 갖는 부분 트리를 나타내는 또 다른 예를 도시한다. 이러한 특정 경우에, 고역통과 및 저역통과필터가 변수 p가 0인 "트리 위치"를 갖는(변수(S)의 "저주파수" 성분을 나타내는) 계수의 세트(w_{j ,p})에만 적용되는데, 이 경우에는 세트들 w_{0 ,0}, w_{1 ,0} 및 w_{2 , 0} 이며, 각각 스케일 a=0, a=2 및 a=4에 대응한다.

이 경우에, 분해는 임의의 j에 대해 계수의 세트(w_{j ,0})로 제한된다. 변수(S)의 "고주파수" 성분은 더 이상 분해되지 않으므로 저주파수 성분보다 덜 자세히 분석된다.

얻어진 계수들이 선택되는 이와 같은 분해는 도 2의 분해보다는 덜 완전하지만, 결함을 결정하기 위해 분해되어야 하는 변수(S)의 범위가 미리 알려진 경우에는 유용할 수 있다. 이 경우에, 분해는 더 빠르며 연산 시간의 관점에서 더 효율적이고, 직접적으로 특정 타입의 결함에 집중한다.

더 일반적으로, 웨이브릿 또는 웨이브릿 패킷으로 분해한 후 얻어진 계수는 이러한 신호의 주파수 내용을 이용할 수 있게 한다. 소정의 결함에 대한 분해된 신호의 임의의 변화는 이산 웨이브릿 변환에 대한 하나 이상의 분해 레벨 또는 웨이브릿 패킷 분해에 대한 하나 이상의 패킷에서 보여질 수 있다.

이와 같은 분해는 얻어진 서로 다른 계수의 세트(w_{j ,p})를 사용하여, 가령 에너지, 엔트로피, 평균, 최대값, 최소값, 표준편차, 기준을 만족하는 다수의 이벤트 등과 같은 하나 이상의 특성들을 나타낼 수 있게 한다. 이러한 특성(계수의 세트(w_j,p)와 비슷한)은 제 2 주요 단계(105) 동안 가능한 결함을 결정하는데 사용될 특성값(Val_i)에 해당될 수 있다.

그렇게 하기 위해, 얻어진 값(Val_i)은 일련의 기분류된 값과 비교되며, 각각은 예컨대 정상 상태(D₀) 또는 어떤 타입의 결함과 대응하는 상태(D_i)와 같은 전기화학 디바이스의 특정 상태와 관련된다. 전기화학 디바이스의 가능한 결함은 이러한 비교로부터 추론될 수 있다.

사전 분류를 위해 사용되는 값은 단계(103)에서 얻어진 특성값과 성질상 유사한 값이며, 특정 타입의 결함과 각각 대응하는 하나 이상의 결함 등급(C₁, C₂)으로 분류된다. 값과 결함의 이러한 관련성은 분석되는 디바이스의 제조자로부터 또는 트레이닝 및 피드백에 의한 데이터를 사용하여 행해질 수 있다.

결함 등급으로의 값의 사전 분류는 등급 분리를 위한 하나 이상의 결정 요소를 정의하도록 한다. 얻어진 특성값(Val_i)은 상기 값(Val_i)이 결함 등급에 속하는지를 결정하는 단계(105)에서 이들 결정 요소와 비교된다.

이러한 결정 요소의 폼은 고려되는 차원의 수에 의존한다. 사전 분류가 단일의 결정축과 관련하여 행해진다면, 이들 결정 요소는 상기 값(Val_i)이 비교될 임계값일 것이다.

두 값(Val_i) 사이의 상관관계가 관찰되는 2차원 분류에서는, 결정 요소가 예컨대 직선일 것이다. 일반적으로, 결정 요소는, 예컨대 선형의 경우에 분리 하이퍼플레인과 같이, N차원의 공간에서 분리하는 면일 것이다.

값의 사전 분류는 다양한 방법을 사용하여 행해질 수 있다. 특히, 한 이점적인 방법은 서포트 벡터 머신(support vector machines)을 사용하는 것으로 구성된다.

서포트 벡터 머신(또는 SVM)은 지도학습(supervised learning)에 기반한 식별 기법이다.

이러한 서포트 벡터 머신은 견고한 이론적 기초를 가지며 실제로 좋은 결과를 제공하는 고차원 데이터로 작업할 수 있는 이점을 가진다. 게다가, 어플리케이션 모델과 관계 없이, 서포트 벡터 머신의 성능은 다른 분류 방법과 비슷하거나 더 낫다.

서포트 벡터 머신은 다음의 두 가지 본질적인 개념을 기초로 한다.

1) 등급을 분리하는 "최적의" 경계의 구성은 트레이닝 세트의 경계로의 최소거리를 최대화하도록 한다. 이는 공지의 알고리즘이 적용되는 2차 최적화 문제로서 문제를 공식화하여 행해진다.

2) 서포트 벡터 머신은, 커넬 함수(kernel functions)를 사용하여 데이터가 적절한 공간에서 선형 분리의 더 단순한 경우로 선형적으로 분리될 수 없는 경우를 줄일 수 있도록 하기 위해, 입력 데이터를 나타내는 공간을 더 고차의 공간, 가능하게는 무한한 차원으로 변환한다.

초기에 이러한 방법은 변수를 두 등급으로 분류하도록 한다. 그러나, 더 많은 수의 등급으로 분류하기 위한 확장이 존재한다.

두 등급 "-1" 및 "+1"로 분리되는 경우를 고려해보면, 트레이닝 세트는 다음과 같다:

(10)

선형적으로 분리될 수 있는 데이터 또는 선형적으로 분리될 수 없는 데이터인 두 개의 서로 다른 등급에 속하는 데이터를 분리하는 최적의 하이퍼플레인을 구성하기 위한 두 가지 경우가 있다.

데이터가 선형적으로 분리될 수 있는 첫 번째 경우에는 최적의 하이퍼플레인(H)가 다음을 만족한다:

(11)

또한, 다음과 같이 표현될 수 있다:

(12)

그 다음에, 하이퍼플레인에서 점 x로부터의 거리는 다음의 식에 따라 하이퍼플레인으로의 이 점의 직교 투영에 의해 주어진다:

(13)

그 다음에, 두 등급에서의 관찰과 하이퍼플레인 사이의 최단 거리에 대응하는 마진(Ma)이 정의될 수 있다:

(14)

결정 경계를 의미하는 최적 분리 하이퍼플레인(H)은 마진(Ma)을 최대화하는 것이며, 하이퍼플레인에 대한 두 등급의 거리의 합을 최대화하는 것과 같으므로, 식(7)의 제한을 조건으로∥w∥을 최소화한다. 그러나, ∥w∥보다∥w∥² 을 최소화하는 것이 더 쉬울 수 있다.

따라서, 최소화의 문제는 다음의 선형 제한을 갖는 2차 함수를 최소화하는 문제로서 공식화될 수 있다:

(15)

도 4는 특정 2차원의 경우에 마진, 서포트 벡터 및 분리 하이퍼플레인(H)의 개념을 도시한다.

이 도면에서, 값들의 두 그룹은 두 등급 C₁ 및 C₂로 분류되며, 각각 결함 D₁ 및 결함 D₂ 를 나타낸다. 두 등급 C₁ 및 C₂ 사이의 경계를 나타내는 분리 하이퍼플레인(H)은 "서포트 벡터"로 불리는 각 등급(C_i)에 대해 각각의 한계값(Vs₁ 및 Vs₂)에 대하여 정의되는 마진(Ma)을 최소화하는 것이다.

분리 하이퍼플레인(H)이 사전 트레이닝에 의해 정의되면, 결정 단계(105)는 분리 하이퍼플레인(H)에 대한 얻어진 특성값의 위치를 정하는 것으로 구성되며, 등급 C₁ 및 C₂ 중 하나로 그 값을 분류하고 관련된 결함(D_i)을 추론하도록 한다.

식 (15)에 기재된 최소화 문제의 해결은 각 제한 조건에 대해, 예컨대 라그랑지 승수(Lagrange multipliers)을 사용하여 행해진다. 이 경우, 다음의 식이 얻어진다:

(16)

라그랑지언(Lagrangian)은 w 및 b에 대해서는 최소화, α에 대해서는 최대화되어야 한다.

쿤-터커(Kuhn-Tucker) 조건 하에 라그랑지언의 편도함수를 소거하여, 다음의 시스템이 얻어진다:

(17)

따라서, 최적의 라그랑지 승수는 α_i ^* 이다. α_i ^* 이 상기 시스템의 해(solutions)라면 다음의 것을 가지는 것으로 나타난다.

(18)

단지 가장 가까운 점에 대응하는 α_i ^* 만이 0이 아니다(도 4에서 서포트 벡터 Vs₁ 및 Vs₂).

따라서, 선형의 경우에 분리 하이퍼플레인은 w를 최적 값인 w^* 로 대체하여 얻어진다. 그 다음에, 다음의 식이 얻어진다:

(19)

데이터가 선형적으로 분리될 수 없는 다른 경우에, 최적 하이퍼플레인은 다음의 상태를 만족하는 것이다:

1) 제대로 분류된 벡터와 최적 하이퍼플레인 사이의 최대 거리가 최대한이어야 한다.

2) 부적절하게 분류된 벡터와 최적 하이퍼플레인 사이의 거리는 최소한이어야 한다.

더 형식적으로, 비선형 변환

이 입력 벡터(x)에 적용된다. 그 결과 발생한 공간은 특징(feature) 공간이라 한다. 이 공간은 다음을 만족하는 하이퍼플레인에 대해 찾아진다:

(20)

여기서

이고, 트레이닝 세트의 모든 점에 대해 특징 공간에서 분리 하이퍼플레인을 의미한다.

선형 분리의 상기 경우와 동일한 절차를 사용하여, 다음과 같이 최적화 문제가 표현될 수 있다.

(21)

따라서,

에 의해 정의된 커넬 함수를 도입하여, 비선형의 경우에 분리 하이퍼플레인은 다음의 식을 가진다:

(22)

커넬 함수의 사용은 이미 설명된 선형 경우의 상황에 놓이게 한다. 가령, 선형, 다항식, 가우시안 및 라플라시안 커넬과 같은 많은 커넬 함수가 있다.

신경 회로망(neural networks) 또는 k 최근린(k nearest neighbors)을 사용하는 방법과 같은 다른 사전 분류 방법이 사용될 수 있다.

한 이점적인 실시예에서, 제 1 선택적 예비 처리 단계(101)는 특성 검출 방법을 최적화하도록 변수(S)를 전처리하기 위해 제 1 주요 단계(103) 전에 수행된다.

전처리(preprocessing)의 한 예는 주요 단계(103)가 웨이브릿 분해를 사용하는 경우에 비주요(non-significant) 주파수를 가지는 변수(S)로부터 성분을 제거하는 것으로 구성된다. 이것은 그 후 단지 주요 성분만 분해되기 때문에 분해를 최적화한다.

그렇게 하기 위해, 임계 파라미터로 작용하는 차단(cutoff) 주파수를 가지는 필터가 사용될 수 있다. 예컨대, 임계값은 피드백, 시스템의 지식 또는 주요 주파수 밴드로부터 실증적으로 결정된다.

특히, 이점적인 실시예에서는 단계(103) 중에 얻어진 것들 가운데 어떠한 최적값(Val_i)을 선택하기 위해, 제 1 주요 단계(103)과 결함 결정의 제 2 주요 단계(105) 사이에 최적화 단계(104)가 있다.

실제로, 단계(103) 동안 발생된 특성값(Val_i)의 세트가 너무 크고 잡음 또는 원치 않은 성분에 오염된 경우에는 결함 결정 단계에서 이 값(Val_i)의 직접적인 사용은 문제를 가져올 수 있다.

게다가, 특성값(Val_i)은 대개 중복된 정보를 포함하므로 모두 처리가 필요하지는 않다.

또한, 단계(105)에서 결정 처리를 최적화하기 위해서는, 결정 단계(105)에 대해 최적으로 간주되는 가장 관련된 값(Val'_i)만을 유지하도록 하기 위해(여기서, 1≤i≤m 이고 m<n) 가능한 한 많이 선택 단계(104) 동안 처리되는 값(Val_i)의 수를 줄이는 것이 바람직하다. 이는 전기화학 디바이스의 진단의 견고성을 향상시키고 연산 시간을 줄이는데 공헌한다.

그러기 위해서, 하나의 특정한 실시예는 최적 웨이브릿 베이스를 선택하는 방법을 사용할 수 있다. 이 방법은 "최적 베이스"라고 지칭되는 베이스를 선택하기 위한 기준을 사용하는 것을 바탕으로 한다.

상기 방법은 다음의 두 단계를 포함한다:

- 단계(103)에서 웨이브렛으로의 분해 중에 얻어진 특성값(Val_i)의 세트에 선정된 기준을 적용하는 단계,

- "중요하지 않은" 것으로 간주되는 특성값(Val_i)을 제거하기 위해, 선정된 기준에 따라 중요도의 차수(order of importance)를 증가 또는 감소시킴에 의해 이전의 단계 동안 발견된 특성을 분류하는 단계.

그 다음에, 남아 있는 특성값(Val_i)은 결정 단계(105) 동안 사용될 것이다.

결정을 위한 최적 베이스의 예는 다른 주파수와 시간 정보 사이의 분리가능성을 최대화하는 베이스이다. 결정을 위한 최적 베이스는 서로 다른 결함 등급 사이에 분리가능성 또는 식별을 최대화하는 베이스이다.

이에 관련하여, 몇몇의 기준이 정의될 수 있다.

1) 제 1 예에서는, 다음의 식에 따라 두 시퀀스(x 및 y)의 시간-주파수 에너지 분배 사이의 거리를 측정하는 것으로 구성되는 "크로스 엔트로피(cross entropy)"가 사용된다:

(23)

상기 값은 두 개의 서로 다른 등급을 나타내는 분배 xi 및 yi 사이에 쿨백-라이블러 다이버전스(Kullback-Leibler divergence)에 해당한다.

그 다음에, 최적화하는 기준 D(x, y)가 다음과 같이 정의된다.

(24)

이 예에서, 트레이닝 세트의 각 등급은 먼저 각 노드가 등급의 요소에 대한 계수의 제곱의 평균 시퀀스를 포함하는 트리로 표현된다.

상기 정의된 기준이 2 개인 경우, 그것은 쌍으로 모든 등급에 적용되고 최종 기준은 결과로 생성된 2개의 기준의 합이다.

2) 제 2 예에서는, 단계(105) 동안 서로 다른 등급을 분리하기 위하여 단계(103) 동안 얻어진 계수 또는 패킷의 용량을 최대화하기 위해, 본 기준은 서로로부터 가장 멀리 떨어진 등급 사이의 분산(variance)을 의미하는 "인터클래스 관성(interclass inertia)"을 최대화하는 것인 한편, 가능한 한 서로 가까운 등급의 분산을 의미하는 "인트라클래스 관성(intraclass inertia)"을 최소화하는 것이다. 따라서, 상기 기준은 전체 관성에 대한 인트라클래스 관성의 비율로 구성된다. 또한, 인터클래스 관성에 대한 인트라클래스 관성의 비율을 사용하는 것을 고려할 수 있다.

결함의 k개의 등급(C₁, C₂,..., C_k)과 각각 n1, n2,..., nk 요소를 포함하는 각각의 중심점(g1, g2,..., gk)이 있는 한 예에서, 전체 포인트 클라우드(point cloud)의 중심점은 g로 나타낼 수 있다.

그 다음에, 인터클래스 관성은 다음의 식으로 정의된다:

(25)

여기서, d는, 예컨대 유클리드 거리와 같은 거리로 정의된다.

인트라클래스 관성은 다음의 식으로 정의된다:

(26)

전체 관성에 대하여, 다음의 식에 의해 정의된다:

(27)

따라서, 최종 기준(R)은, 예컨대 다음의 관계에 의해 주어진다:

(28)

분리되는 등급은 사전에 정의된다. 따라서, 동시에 모든 결함 등급 사이에 식별하거나, 두 개씩 등급을 분리하거나 모든 다른 것들로부터 소정의 등급을 분리할 수 있다.

특히, 또 다른 실시예에서 단계(104)에서 차원수의 감소는 특이값 분해(singular value decomposition)를 사용한다.

m 행 및 n 렬의 매트릭스(M)을 특이값으로 분해하는 것은 다음의 폼에서 표현한 것과 같음을 기억하자.

(29)

여기서, ∑는 매트릭스(M)의 특이값(λ_{i, i=1,...m})을 포함하는, 예컨대 내림차순인 대각 매트릭스이다.

(30)

두 개의 다른 매트릭스 U 및 V는 특이값(λ_{i, i=1,...m})에 대응하는 특이벡터(singular vector)(우(right)특이벡터 및 좌(left)특이벡터)를 포함한다.

특이값은 관성 또는 대표성의 정도를 반영하는 것으로 해석되며, 특이벡터는 초기 데이터(매트릭스 M)에서 변형이 가장 큰 것에 따른 축이다. 특이값이 내림차순으로 정리될 때, 마지막 값은 데이터에서의 최소 변형을 포함하는 것이다. 따라서, m에서 p 특이값(p<n)으로의 변화에 기반하여 차수의 감소는 마지막 특이값(λ_i) m-p+1 에 포함된 정보는 무시할 수 있는 것으로 가정한다.

예컨대, 주성분 분석법(principal component analysis)과 같은 차수의 감소를 위한 다른 방법이 고려될 수 있다.

다음으로, 도 5는 연료전지의 비제한적인 경우에 본 발명에 따른 결함 분류의 예를 도시한다.

도 5에서, 특성값의 세트는 두 구별되는 웨이브릿 함수로서 그래프로 표현된다.

이러한 특성값의 위치는 트레이닝에 의해 진단되는 연료전지의 특정한 동작 상태와 관련이 있다.

그래프의 중심에 위치된 특성값의 제 1 그룹은 연료전지의 정상 동작 상태에 대응하는 특성값의 등급(C₀)을 정의한다.

그래프의 왼쪽에 위치된 특성값의 제 2 그룹은 연료전지가 드라이아웃(dryout) 결함을 가지는 비정상 동작 상태에 대응하는 특성값의 등급(C₁)을 정의한다.

마지막으로, 그래프의 오른쪽에 위치된 특성값의 제 3 그룹은 연료전지가 플러딩(flooding) 결함을 가지는 비정상 동작 상태에 대응하는 특성값의 등급(C₂)을 정의한다.

상기 등급(C₀, C₁, C₂)은 트레이닝 및 문제가 되는 다양한 상태를 가지는 셀들에 특성값의 측정에 의해 정의된다. 예컨대, 상기와 같이 계산되는 결정 요소에 의해 정의된 이들 등급 값의 경계는 모듈(205)에 저장되고, 각각 정상 상태, 드라이아웃 결함을 갖는 비정상 상태 및 플러딩 결함을 갖는 비정상 상태를 대표하는 상태 변수(D₀, D₁, D₂)와 관련된다.

새로운 진단이 트레이닝 동안 통제된 분류(supervised classification)에서 사용되는 것과 동일한 타입의 연료전지에서 실행되는 경우, 영역 Z₀ 내지 Z₂ 중 하나에서 특성값의 위치를 정하기 위해 동일한 웨이브릿 패킷이 관찰된다. 특정 상태를 나타내는 상태 변수(D₀ 내지 D₂)는 측정된 특성값이 위치되는 영역의 함수로서 결정 모듈(205)에 의해 생성될 것이다.

마지막으로, 도 6은 본 발명에 따른 전기화학 디바이스에서의 결함 검출 장치를 도식적으로 나타낸다.

이 도면에서, 상기 지시된 임의의 타입의 전기화학 디바이스(200)는 검출 장치(201)로 변수(S)를 제공한다.

상기 검출 장치(201)는 결정 모듈(205)과 연결되는 프로세싱 모듈(203)을 포함하며, 그 자체로 인터페이스 모듈(207)과 연결된다.

프로세싱 모듈(203)은 제 1 주요 변환 단계(103) 뿐만 아니라 예비 처리의 가능한 선택적 단계(101 및 104)와 상기 설명된 관련 특성값(Val_i')의 선택을 수행하도록 형성된다.

이와 같은 프로세싱 모듈(203)은, 디지털 값을 사용하여 연산을 수행하거나 이를 목적으로 한 컴퓨터 프로그램을 실행할 수 있는, 예컨대 집적회로에서 프로세서, 마이크로프로세서 또는 다른 컴포넌트로 구성될 수 있다.

분석되는 변수(S)가 성질상 아날로그인 경우, 프로세싱 모듈(203)은 변수(S)를 처리될 수 있는 디지털 값으로 변환하기 위한 아날로그 대 디지털 컨버터를 포함할 수 있다.

하나 이상의 값(들)(Val_i)을 얻는 주요 단계(103)를 수행하면, 프로세싱 모듈(203)은 결함 결정 모듈(205)에 상기 값(들)을 제공한다. 선택적인 선택 단계(104)가 또한 프로세싱 모듈(203)에 의해 수행되는 특별한 경우에, 그것은 결함 결정 모듈(205)에 제공되는 관련 특성값(Val_i')이다.

도 6의 예에서, 상기 값들(Val_i)은 몇몇의 병렬 연결에 의해 제공되는 것처럼 보여지지만, 이 값들이 직렬로 전송되는 경우에는 단일 연결이 사용될 수 있다. 제 1 병렬 실시예는 더 빠르게 값들을 전송하는 한편, 제 2 직렬 실시예는 간소화시키며, 모듈(203) 및 모듈(205) 사이의 연결 비용을 줄인다.

결정 모듈(205)은 프로세싱 모듈(205)로부터 수신된 값(Val_i)에서 전기화학 디바이스의 하나 이상의 특성(들)(D_i)을 결정하도록 형성된다. 이를 성취하기 위해, 이 값의 함수로서 특성들이 분류되는 분류 수단이 포함될 수 있다.

예컨대, 이러한 분류 수단은 신경 회로망을 기반으로 하는 방법을 사용하고, 퍼지 이론(fuzzy logic)을 기반으로 한 서로 다른 결함이나 입력으로 수신된 값을 분류하는 것으로 트레이닝된다.

또한, 이러한 분류 수단은 서포트 벡터 머신, 주성분 분석법 또는 k 최근린 결정법과 같은 통계적 방법을 사용할 수 있다.

따라서, 어느 다수의 값(Val_i)에 응답하여, 결정 모듈(205)은, 예컨대 정상 상태(D₀에 대한)의 또는 하나 이상의 결함의 특성과 같이 전기화학 디바이스의 특성을 나타내는 하나 이상의 변수(D_i)를 출력하는 분류 수단을 이용할 것이다.

그 다음에, 상기 값(D_i)은 수신된 변수(들)(D_i)의 함수로서 전기화학 디바이스의 작동 상태를 검출 장치(201)의 사용자 또는 검출 장치로부터 하향(downstream)에 위치되는 제어 시스템으로 나타내는 인터페이스 모듈(207)에 의해 수신된다.

이것은 디스플레이(상태의 타입이나 변수(D_i)의 함수로서의 결함을 명시할 수 있는), 가청 경보(audible alarm) 또는 진단되는 전기화학 디바이스의 정상 또는 비정상 작동 상태의 하향에 위치되는 사용자나 규제 및 제어 시스템에 알리는 다른 신호로 이루어질 수 있다.

물론, 본 발명은 상기 기재되고 도시된 예들의 특정한 설명에 제한되지 않으며, 본 발명의 범위를 벗어남이 없이 다른 실시예가 고안될 수 있다.

Claims (15)

1. 전기화학 디바이스에서 결함을 검출하기 위한 결함 검출 방법으로서,
   상기 전기화학 디바이스로부터 수신된 적어도 하나의 변수(S)로부터 적어도 하나의 특성값(Val_i)을 얻는 단계(103) 및 상기 얻어진 값으로부터 상기 전기화학 디바이스의 적어도 하나의 결함(D_i)을 결정하는 단계(105)를 포함하며,
   수신된 변수(S)로부터 특성값(Val_i)을 얻는데 웨이브릿(wavelet) 변환을 포함하는 수학적 연산을 수행하는 결함 검출 방법.
2. 제 1 항에 있어서,
   상기 웨이브릿 변환은 수신된 특성값이 스케일 변수 값(a) 및 변환 변수 값(b)에 종속되는 적어도 하나의 웨이브릿 계수(S_{a ,b})를 포함하는 이산(discrete) 웨이브릿 변환인 결함 검출 방법.
3. 제 2 항에 있어서,
   복수의 특성값은 a 미만인 스케일-레벨 변수(j)에 대한 웨이브릿 계수(W_{j ,p})의 세트를 복수의 웨이브릿 계수(W_{j +1,p})의 세트로 분해하여 얻어지는 결함 검출 방법.
4. 제 3 항에 있어서,
   스케일 변수 값(a)은 a=a₀ ^j를 만족하는데 j는 스케일-레벨이고 a₀는 스케일 파라미터이며, 특성값의 a 세트는 0부터 소정의 분해 레벨까지의 각각의 값(j)에 대해 웨이브릿 계수(W_{j ,p})의 각 세트를 웨이브릿 계수(W_{j +1,p})의 a₀ 세트로 연속 분해하여 얻어지는 결함 검출 방법.
5. 제 4 항에 있어서,
   소정의 분해 레벨은 최대 분해 레벨(M)과 일치하는 결함 검출 방법.
6. 제 1 항에 있어서,
   상기 결정하는 단계는 제 2 결함 등급(C₂)으로부터 적어도 하나의 제 1 결함 등급(C₁)을 분리하는 적어도 하나의 결정 요소(H)와 특성값을 비교하는 단계를 포함하는 결함 검출 방법.
7. 제 6 항에 있어서,
   상기 결정 요소(H)는 복수의 결정값을 복수의 결합 등급(C₁, C₂)으로 사전 분류하여 정의되는 결함 검출 방법.
8. 제 1 항에 있어서,
   상기 복수의 특성값을 얻는 단계(103)와 결함을 결정하는 단계(105) 사이에, 얻어진 복수의 특성값 중에서 적어도 하나의 관련 값(Val_i')을 선택하는 단계(104)가 있으며, 결함 결정은 상기 관련 값(Val_i')으로부터 행해지는 결함 검출 방법.
9. 제 1 항에 있어서,
   전기화학 디바이스로부터 수신된 변수에 대한 예비 처리 단계(101)를 포함하는 결함 검출 방법.
10. 제 9 항에 있어서,
    상기 예비 처리 단계는 전기화학 디바이스로부터 수신된 변수의 적어도 하나의 주파수 성분을 제거하는 단계를 포함하는 결함 검출 방법.
11. 제 1 항 내지 제 10 항 중 어느 한 항에 따른 결함 검출 방법의 단계를 구현하는 명령어를 포함한 컴퓨터 프로그램을 저장하는 저장 매체.
12. 웨이브릿 변환을 포함하는 수학적 연산을 수행하여, 전기화학 디바이스로부터 적어도 하나의 변수(S)를 수신하고 상기 변수(S)로부터 적어도 하나의 특성값(Val_i)을 생성하도록 형성된 프로세싱 모듈(203); 및
    프로세싱 모듈로부터 수신된 적어도 하나의 값에서 상기 전기화학 디바이스의 적어도 하나의 결함을 결정하도록 형성된 결정 모듈(205)을 포함하는 전기화학 디바이스의 결함 검출 장치.
13. 제 12 항에 있어서,
    상기 결정 모듈은 프로세싱 모듈로부터 수신된 특성값에 응답하여 결함을 나타내는 변수(D_i)를 제공하도록 형성된 결함 분류 수단을 포함하는 전기화학 디바이스의 결함 검출 장치.
14. 제 13 항에 있어서,
    상기 결함 분류 수단은 신경 회로망(neural network)을 이용하는 전기화학 디바이스의 결함 검출 장치.
15. 제 12 항 내지 제 14 항 중 어느 한 항에 있어서,
    상기 웨이브릿 변환은 변수(S)를 복수의 웨이브릿 변수로 분해하는 것을 포함하며, 스케일 변수 값(a) 및 변환 변수 값(b)에 종속되는 하나의 웨이브릿 계수(S_{a ,b})로의 이산 변환인 전기화학 디바이스의 결함 검출 장치.

Images