KR101358047B1 - 신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 장치 - Google Patents

신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 장치 Download PDF

Info

Publication number
KR101358047B1
KR101358047B1 KR1020130094683A KR20130094683A KR101358047B1 KR 101358047 B1 KR101358047 B1 KR 101358047B1 KR 1020130094683 A KR1020130094683 A KR 1020130094683A KR 20130094683 A KR20130094683 A KR 20130094683A KR 101358047 B1 KR101358047 B1 KR 101358047B1
Authority
KR
South Korea
Prior art keywords
learning
failure
signal
amplitude
ultrasonic
Prior art date
Application number
KR1020130094683A
Other languages
English (en)
Inventor
유재근
전정채
김택희
Original Assignee
한국 전기안전공사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국 전기안전공사 filed Critical 한국 전기안전공사
Priority to KR1020130094683A priority Critical patent/KR101358047B1/ko
Application granted granted Critical
Publication of KR101358047B1 publication Critical patent/KR101358047B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
    • G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Relating To Insulation (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

본 발명은 신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 장치에 관한 것으로서, 전기설비로부터 입력된 초음파 대역 신호를 시간-진폭, 주파수-진폭 신호로 변환하여 신경 회로망에 입력함으로써, 고장 종류 판별을 위한 학습을 수행하며, 전기설비의 고장 유무 및 고장 종류를 판별할 수 있는 장치를 제공함에 그 목적이 있다.
이러한 목적을 달성하기 위한 본 발명은, 전기설비로부터 방사되는 초음파 대역 신호를 취득하는 초음파 코로나 탐지기; 상기 초음파 코로나 탐지기를 통해 취득한 초음파 대역 신호를 분석하여 시간-진폭, 주파수-진폭 신호로 변환하는 신호 변환부; 상기 신호 변환부를 통해 시간-진폭, 주파수-진폭으로 변환된 신호를 규준화(normalizing)하고, 신경 회로망에 입력하여 고장 종류 판별을 위한 학습을 수행하며, 상기 전기설비의 고장 종류를 판별하는 신경 회로망 학습 및 판별부; 및 사용자의 고장 학습 제어신호 및 고장 판별 제어신호를 입력받는 입력부; 를 포함한다.

Description

신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 장치{APPARATUS FOR LEARNING AND DETERMINING FAILURE OF ELECTRICAL EQUIPMENT USING NEURAL NETWORKS AND ULTRASONIC SIGNAL}
본 발명은 신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 장치에 관한 것으로서, 더욱 상세하게는 전기설비로부터 입력된 초음파 대역 신호를 시간-진폭, 주파수-진폭 신호로 변환하여 신경 회로망에 입력함으로써, 고장 종류 판별을 위한 학습을 수행하며, 전기설비의 고장 유무 및 고장 종류를 판별할 수 있는 장치에 관한 것이다.
초음파를 이용하여 설비의 상태를 검출하는 검출하는 장치와 관련해서는, 한국공개특허 제10-2012-0016423호(이하, '선행문헌') 이외에 다수 출원 및 공개되어 있다. 상기한 선행문헌은, 원격에서 초음파센서 어레이로부터 초음파를 인가받아 전기신호를 추출하고, 신호성분을 분석하여 전력설비의 이상상태를 검출한다.
또한, 변압기, 케이블, 애자 등의 전기설비 결함의 초기진단을 위한 방법 중의 하나로 초음파 진동음을 인간이 들을 수 있는 가청영역으로 변환하여 귀로 듣거나 Level를 측정하여 판단하는 초음파 코로나 탐지기가 사용되고 있다.
이러한 초음파 코로나 탐지기는 잠재적인 전기적 고장을 사전에 예방하기 위해 아킹, 트래킹 같은 방전현상이 발생되는 위치를 찾아내는데 이용될 수 있다.
그러나, 이러한 초음파 코로나 탐지기는 분석 장비가 아닌 초음파가 발생하는 부위를 탐지하는 장비로서, 인간의 귀를 이용하여 이상유무를 판별함에 따라 사람마다 음원을 듣는 특성이 달라 다소 문제점이 있다. 즉, 고장을 판단하고, 고장종류를 인식하기 위해서는 경험자의 경험이 반드시 필요한 장비이다.
또한, 현재 사용되고 있는 초음파 코로나 탐지기는 출력이 레벨 게이지와 이어폰 출력이 전부이다. 즉, 시각화하거나 파형을 보는 등 프로그램 등을 통해 분석할 수 있는 하드웨어적 장치가 없다. 이로 인해 고객(수용가)에게 제시할 수 있는 것은 초음파 코로나 탐지기 기록표에 의해 레벨 정도뿐이다. 따라서, 고객이 초음파 코로나 진단 결과를 확인하고 이해하는데 부족한 자료가 제공되고 그에 따른 진단 결과의 신뢰감이 떨어져 결국 초음파 코로나 탐지기 활용의 저하를 초래하게 된다.
한국공개특허 제10-2012-0016423호
본 발명은 상기와 같은 문제점을 감안하여 안출된 것으로, 전기설비로부터 입력된 초음파 대역 신호를 시간-진폭, 주파수-진폭 신호로 변환하여 신경 회로망에 입력함으로써, 고장 종류 판별을 위한 학습을 수행하며, 전기설비의 고장 유무 및 고장 종류를 판별할 수 있는 장치를 제공함에 그 목적이 있다.
이러한 기술적 과제를 달성하기 위한 본 발명은 신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 장치에 관한 것으로서, 전기설비로부터 방사되는 초음파 대역 신호를 취득하는 초음파 코로나 탐지기; 상기 초음파 코로나 탐지기를 통해 취득한 초음파 대역 신호를 분석하여 시간-진폭, 주파수-진폭 신호로 변환하는 신호 변환부; 상기 신호 변환부를 통해 시간-진폭, 주파수-진폭으로 변환된 신호를 규준화(normalizing)하고, 신경 회로망에 입력하여 고장 종류 판별을 위한 학습을 수행하며, 상기 전기설비의 고장 종류를 판별하는 신경 회로망 학습 및 판별부; 및 사용자의 고장 학습 제어신호 및 고장 판별 제어신호를 입력받는 입력부; 를 포함하되, 상기 신경 회로망 학습 및 판별부는, 상기 신호 변환부를 통해 시간-진폭, 주파수-진폭으로 변환된 신호의 크기를 규준화하는 규준화 모듈; 상기 입력부를 통해 입력된 사용자의 고장 학습 제어신호에 따라, 상기 규준화 모듈을 통해 규준화된 데이터(
Figure 112013072361287-pat00001
)를 신경 회로망의 입력단에 입력하고, 임의의 고장 종류(
Figure 112013072361287-pat00002
)를 신경 회로망의 출력단에 입력하고, 학습을 위한 가중치(weight)(
Figure 112013072361287-pat00003
)를 조정하고, 조정된 가중치를 적용하여 규준화된 데이터를 재계산함으로써 재계산된 규준화된 데이터(
Figure 112013072361287-pat00004
)를 생성하고, 재계산된 규준화된 데이터(
Figure 112013072361287-pat00005
)를 바탕으로 고장 종류(
Figure 112013072361287-pat00006
)를 추정하며, 추정된 고장 종류(
Figure 112013072361287-pat00007
)가 상기 신경 회로망의 출력단에 입력된 임의의 고장 종류(
Figure 112013072361287-pat00008
)와 동일한지 여부를 판단하는 학습모듈; 및 상기 입력부를 통해 입력된 사용자의 고장 판별 제어신호에 따라, 상기 규준화 모듈을 통해 규준화된 데이터(
Figure 112013072361287-pat00009
)를 신경 회로망의 입력단에 입력하고, 입력된 규준화된 데이터(
Figure 112013072361287-pat00010
)에 대응하는 가중치(
Figure 112013072361287-pat00011
)를 적용하여 규준화된 데이터를 재계산함으로써 재계산된 규준화된 데이터(
Figure 112013072361287-pat00012
)를 생성하고, 재계산된 규준화된 데이터(
Figure 112013072361287-pat00013
)를 바탕으로 고장 유무를 판별하고, 고장이 있을 경우, 고장 종류(
Figure 112013072361287-pat00014
)를 판별하여 출력하는 판별모듈; 를 포함하는 것을 특징으로 한다.
또한, 상기 학습모듈은, 상기 추정된 고장 종류(
Figure 112013072361287-pat00015
)가 상기 신경 회로망의 출력단에 입력된 임의의 고장 종류(
Figure 112013072361287-pat00016
)와 동일할 경우, 학습을 종료하고, 동일하지 않을 경우 동일할 때까지 가중치 조정, 규준화 데이터 재계산 및 고장 종류 추정을 반복 수행하는 것을 특징으로 한다.
그리고 상기 학습모듈은, 고장 종류에 따라, 입력된 규준화 데이터 및 이에 대응하는 가중치를 인식하는 것을 특징으로 한다.
상기와 같은 본 발명에 따르면, 사용자의 인적 에러 및 미숙한 사용자의 고장 판별이 있었던 종래와 달리, 고장 유무를 판별할 수 없는 전기설비의 고장 유무 및 고장 종류를 자동으로 판별할 수 있는 효과가 있다.
도 1 은 본 발명에 따른 신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 장치를 개념적으로 도시한 전체 구성도.
도 2 는 본 발명에 따른 코로나 초음파 탐지기에 관한 회로도.
도 3a 는 본 발명에 따른 코로나가 발생된 전기설비의 시간-진폭 파형 그래프.
도 3b 는 본 발명에 따른 코로나가 발생된 전기설비의 주파수-진폭 파형 그래프.
도 4a 는 본 발명에 따른 아킹이 발생된 전기설비의 시간-진폭 파형 그래프
도 4b 는 본 발명에 따른 아킹이 발생된 전기설비의 주파수-진폭 파형 그래프
도 5a 는 본 발명에 따른 트래킹이 발생된 전기설비의 시간-진폭 파형 그래프.
도 5b 는 본 발명에 따른 트래킹이 발생된 전기설비의 주파수-진폭 파형 그래프.
도 6 은 본 발명에 따른 입력단(input layer unit), 은닉단(hidden layer unit) 및 출력단(output layer uint)을 가지는 신경 회로망에 관한 구조도.
도 7 은 본 발명에 따른 신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 방법에 관한 전체 흐름도.
본 발명의 구체적 특징 및 이점들은 첨부도면에 의거한 다음의 상세한 설명으로 더욱 명백해질 것이다. 이에 앞서 본 발명에 관련된 공지 기능 및 그 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는, 그 구체적인 설명을 생략하였음에 유의해야 할 것이다.
이하, 첨부된 도면을 참조하여 본 발명을 상세하게 설명한다.
본 발명에 따른 신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 장치에 관하여 도 1 내지 도 6 을 참조하여 설명하면 다음과 같다.
전체적인 구성 설명에 앞서, 본 발명에 따른 용어에 관하여 설명하면 다음과 같다.
(1) 기본 용어
- 초음파: 인간의 가청 주파수(30∼20kHz) 이상으로 보통 20kHz∼100kHz 대역
- 초음파 탐지기: 초음파 대역은 인간의 귀로는 들을 수 없기 때문에 초음파를 측정하여 가청 주파수로 변환하여 인간이 들을 수 있도록 변환시켜주는 장치
- 코로나: 기중 방전현상으로 한 쪽이나 양 쪽의 전극이 뾰족한 모양일 때 극 부분의 전기장이 강해져 방전이 일어나는 현상으로 전극 주변의 발광부위를 코로나라 부르며 흐르는 전류는 매우 작아 보통 수μA 정도이다. 극 사이의 일부에만 방전이 일어나고 있어서 아크 방전과 구분된다.
- 아킹: 두 전극 사이의 공기절연 파괴에 의하여 불꽃방전 현상이 발생하는 전기적 상태
- 트래킹: 두 전극 사이에 금속 이외의 물질을 통해 전류가 흐를 수 있는 도전로가 형성되어 발생하는 방전현상으로 절연체 표면의 변질을 동반하게 된다.
(2) 파형 분석 그래프 관련 용어
- 파형 그래프: 초음파 코로나 탐지기에 의해 측정 및 저장된 음원을 분석한 그래프
- 시간-진폭 그래프: 음원을 시간에 따른 크기(진폭)로 표현한 그래프
- 주파수-진폭 그래프: 음원을 주파수별 크기(진폭)로 표현한 그래프
도 1 은 본 발명에 따른 신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 장치를 개념적으로 도시한 전체 구성도로서, 도시된 바와 같이 초음파 코로나 탐지기(100), 신호 변환부(200), 신경 회로망 학습 및 판별부(300), 입력부(400) 및 저장부(500)를 포함하여 이루어진다.
초음파 코로나 탐지기(100)는 전기 및 전자소자를 포함하는 전기설비로부터 방사되는 초음파 대역 신호를 취득한다. 이때, 초음파 코로나 탐지기(100)는 안테나를 이용한 신호 검출기 및 오디오 증폭기 등을 포함할 수 있다(도 2 참조).
신호 변환부(200)는 상기 초음파 코로나 탐지기(100)를 통해 취득한 초음파 대역 신호를 분석하여 시간-진폭, 주파수-진폭 등의 신호로 변환한다.
참고로, 도 3a 내지 도 5b 는 각 고장 종류에 따른 시간-진폭 및 주파수-진폭 파형 그래프를 보이는 일예시도로서, 도 3a 는 코로나가 발생된 전기설비의 시간-진폭 파형 그래프로서, 평균대역보다 약간 큰 피크를 갖고 일정한 대역(크기)이 나타나며, 도 3b 는 주파수-진폭 파형 그래프로서, 60Hz의 고조파 성분이 나타나고 코로나 발생이 심각할수록 60Hz 고조파 성분은 점점 작아지는 경향을 보인다.
또한, 도 4a 는 아킹이 발생된 전기설비의 시간-진폭 파형 그래프로서, 평균대역보다 급격히 변하는 값을 다수 포함하며, 도 4b 는 주파수-진폭 파형 그래프로서, 매우 작은 60Hz의 고조파 성분이 나타난다.
그리고, 도 5a 는 트래킹이 발생된 전기설비의 시간-진폭 파형 그래프로서, 평균대역 위에서 방전된 큰 피크 값을 볼 수 있으며, 도 5b 는 주파수-진폭 파형 그래프로서, 60Hz의 고조파 성분이 나타나지만 점점 작아지거나(코로나) 하는 일정한 패턴이 없다.
신경 회로망 학습 및 판별부(300)는 신호 변환부(200)를 통해 시간-진폭, 주파수-진폭 등으로 변환된 신호를 규준화(normalizing)하고, 신경 회로망(10)에 입력하여 고장 종류 판별을 위한 학습을 수행하며, 전기설비의 고장 종류를 판별하는 기능을 수행하는 바, 상기 도 1 에 도시된 바와 같이 규준화 모듈(310), 학습모듈(320) 및 판별모듈(330)을 포함한다.
구체적으로, 규준화 모듈(310)은 신호 변환부(200)를 통해 시간-진폭, 주파수-진폭 등으로 변환된 신호의 크기를 규준화(normalizing)한다.
학습모듈(320)은 입력부(400)를 통해 입력된 사용자의 고장 학습 제어신호에 따라, 상기 규준화 모듈(310)을 통해 규준화된 데이터(
Figure 112013072361287-pat00017
)를 신경 회로망(10)의 입력단에 입력하고, 임의의 고장 종류(
Figure 112013072361287-pat00018
)를 신경 회로망(10)의 출력단에 입력한다.
여기서, 임의의 고장 종류는, 코로나, 아킹 및 트래킹 등일 수 있다.
이후, 학습모듈(320)은 학습을 위한 가중치(weight)(
Figure 112013072361287-pat00019
)를 조정하고, [수식 1] 과 같이 조정된 가중치를 적용하여 규준화된 데이터를 재계산함으로써 재계산된 규준화된 데이터(
Figure 112013072361287-pat00020
)를 생성하고, [수식 2] 와 같이 재계산된 규준화된 데이터(
Figure 112013072361287-pat00021
)를 바탕으로 고장 종류(
Figure 112013072361287-pat00022
)를 추정한다.
[수식 1]
Figure 112013072361287-pat00023
여기서,
Figure 112013072361287-pat00024
는 가중치이며,
Figure 112013072361287-pat00025
는 규준화된 데이터이다.
[수식 2]
Figure 112013072361287-pat00026
여기서, f 는 응답함수이며,
Figure 112013072361287-pat00027
는 재계산된 규준화 데이터이다.
그리고, 학습모듈(320)은 추정된 고장 종류(
Figure 112013072361287-pat00028
)가 상기 신경 회로망(10)의 출력단에 입력된 임의의 고장 종류(
Figure 112013072361287-pat00029
)와 동일한지 여부를 판단한다.
판단결과, 동일할 경우 학습을 종료하고, 동일하지 않을 경우 동일할 때까지 가중치 조정, 규준화 데이터 재계산 및 고장 종류 추정을 반복 수행함으로써, 고장 종류에 따라, 입력된 규준화 데이터 및 이에 대응하는 가중치를 인식하게 된다.
이와 같은 학습을 통해, 규준화된 데이터가 입력될 경우, 학습되어 인식된 규준화된 데이터 및 이에 대응하는 가중치(
Figure 112013072361287-pat00030
)를 이용하여, 자동으로 고장 종류를 판별하여 출력할 수 있다.
즉, 판별모듈(330)은 입력부(400)를 통해 입력된 사용자의 고장 판별 제어신호에 따라, 상기 규준화 모듈(310)을 통해 규준화된 데이터(
Figure 112013072361287-pat00031
)를 신경 회로망(10)의 입력단에 입력하고, 상기 [수식 1] 과 같이 입력된 규준화된 데이터(
Figure 112013072361287-pat00032
)에 대응하는 가중치(
Figure 112013072361287-pat00033
)를 적용하여 규준화된 데이터를 재계산함으로써 재계산된 규준화된 데이터(
Figure 112013072361287-pat00034
)를 생성하고, 상기 [수식 2] 와 같이 재계산된 규준화된 데이터(
Figure 112013072361287-pat00035
)를 바탕으로 고장 유무를 판별하고, 고장이 있을 경우, 고장 종류(
Figure 112013072361287-pat00036
)를 판별하여 출력한다.
[수식 1]
Figure 112013072361287-pat00037
여기서,
Figure 112013072361287-pat00038
는 가중치이며,
Figure 112013072361287-pat00039
는 규준화된 데이터이다.
[수식 2]
Figure 112013072361287-pat00040
여기서, f 는 응답함수이며,
Figure 112013072361287-pat00041
는 재계산된 규준화 데이터이다.
도 6 은 본 발명에 따른 입력단(input layer unit), 은닉단(hidden layer unit) 및 출력단(output layer uint)을 가지는 신경 회로망(10)에 관한 구조로서, 앞서 서술한 바와 같이, 그 동작은 입력신호(
Figure 112013072361287-pat00042
)가
Figure 112013072361287-pat00043
를 거쳐
Figure 112013072361287-pat00044
를 출력하게 되며, 학습을 수행할 수 있다.
입력부(400)는 사용자의 고장 학습 제어신호 및 고장 판별 제어신호를 입력받는다. 그리고, 입력부(400)는 신호 변환, 연산, 저장, 출력 등에 관한 사용자의 각종 제어신호를 입력받을 수도 있다.
저장부(500)는 초음파 코로나 탐지기(100)를 통해 취득한 초음파 대역 신호, 신호 변환부(200)를 통해 시간-진폭, 주파수-진폭 등으로 변환된 신호, 신경 회로망 학습 및 판별부(300)를 통해 연산된 데이터 및 판별된 고장 유무 및 고장 종류 등을 저장한다. 이에 따라, 학습 및 판별부(300)가 저장부(500)에 저장된 데이터를 참고할 수도 있다.
이하에서는, 상술한 장치를 이용한 신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 방법에 관하여 도 7 을 참조하여 설명하면 다음과 같다.
도 7 은 본 발명에 따른 신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 방법에 관한 전체 흐름도로서, 도시된 바와 같이 초음파 코로나 탐지기(100)는 전기 및 전자소자를 포함하는 전기설비로부터 방사되는 초음파 대역 신호를 취득한다(S10).
이후, 신호 변환부(200)는 상기 초음파 코로나 탐지기(100)를 통해 취득한 초음파 대역 신호를 분석하여 시간-진폭, 주파수-진폭 등의 신호로 변환한다(S20).
뒤이어, 신경 회로망 학습 및 판별부(300)의 규준화 모듈(310)은 신호 변환부(200)를 통해 시간-진폭, 주파수-진폭 등으로 변환된 신호의 크기를 규준화한다(S30).
신경 회로망 학습 및 판별부(300)의 학습모듈(320)은 입력부(400)를 통해 입력된 제어신호가 사용자의 고장 학습 제어신호인지 판단한다(S40).
제S40 단계의 판단결과, 고장 학습 제어신호인 경우, 학습모듈(320)은 상기 규준화 모듈(310)을 통해 규준화된 데이터(
Figure 112013072361287-pat00045
)를 신경 회로망(10)의 입력단에 입력하고, 임의의 고장 종류(
Figure 112013072361287-pat00046
)를 신경 회로망(10)의 출력단에 입력한다(S50). 앞서 상술한 바와 같이, 임의의 고장 종류는, 코로나, 아킹 및 트래킹 등일 수 있다.
이후, 학습모듈(320)은 학습을 위한 가중치(weight)(
Figure 112013072361287-pat00047
)를 조정하고(S60), 상기 [수식 1] 과 같이 조정된 가중치를 적용하여 규준화된 데이터를 재계산함으로써 재계산된 규준화된 데이터(
Figure 112013072361287-pat00048
)를 생성하고(S70), 상기 [수식 2] 와 같이 재계산된 규준화된 데이터(
Figure 112013072361287-pat00049
)를 바탕으로 고장 종류(
Figure 112013072361287-pat00050
)를 추정한다(S80).
그리고, 학습모듈(320)은 추정된 고장 종류(
Figure 112013072361287-pat00051
)가 상기 신경 회로망(10)의 출력단에 입력된 임의의 고장 종류(
Figure 112013072361287-pat00052
)와 동일한지 여부를 판단한다(S90).
제S90 단계의 판단결과, 동일할 경우, 저장부(500)는 초음파 코로나 탐지기(100)를 통해 취득한 초음파 대역 신호, 신호 변환부(200)를 통해 시간-진폭, 주파수-진폭 등으로 변환된 신호, 신경 회로망 학습 및 판별부(300)를 통해 연산된 데이터 등을 저장하고(S100), 학습모듈(320)은 학습을 종료한다.
제S90 단계의 판단결과, 동일하지 않을 경우, 학습모듈(320)은 제S60단계로 절차를 이행한다. 즉, 동일할 때까지 가중치 조정, 규준화 데이터 재계산 및 고장 종류 추정을 반복 수행함으로써, 고장 종류에 따른 입력된 규준화 데이터 및 이에 대응하는 가중치를 인식하게 된다. 이와 같은 학습을 통해, 규준화된 데이터가 입력될 경우, 학습되어 인식된 규준화된 데이터 및 이에 대응하는 가중치(
Figure 112013072361287-pat00053
)를 이용하여, 자동으로 고장 종류를 판별하여 출력할 수 있다.
한편, 제S40 단계의 판단결과, 고장 학습 제어신호가 아닌 경우, 학습모듈(320)은 입력된 제어신호가 사용자의 고장 판별 제어신호인지 여부를 판단한다(S110).
제S110 단계의 판단결과, 고장 판별 제어신호일 경우, 신경 회로망 학습 및 판별부(300)의 판별모듈(330)은 상기 제S30 단계에서 상기 규준화 모듈(310)을 통해 규준화된 데이터(
Figure 112013072361287-pat00054
)를 신경 회로망(10)의 입력단에 입력하고(S120), 상기 [수식 1] 과 같이 입력된 규준화된 데이터(
Figure 112013072361287-pat00055
)에 대응하는 가중치(
Figure 112013072361287-pat00056
)를 적용하여 규준화된 데이터를 재계산함으로써 재계산된 규준화된 데이터(
Figure 112013072361287-pat00057
)를 생성하고(S130), 상기 [수식 2] 와 같이 재계산된 규준화된 데이터(
Figure 112013072361287-pat00058
)를 바탕으로 고장 유무를 판별하고, 고장이 있을 경우, 고장 종류(
Figure 112013072361287-pat00059
)를 판별하여 출력하고(S140), 제S100 단계로 절차를 이행한다.
한편, 제S110 단계의 판단결과, 고장 판별 제어신호가 아닐 경우, 학습모듈(320)은 프로세스를 종료한다.
이상으로 본 발명의 기술적 사상을 예시하기 위한 바람직한 실시예와 관련하여 설명하고 도시하였지만, 본 발명은 이와 같이 도시되고 설명된 그대로의 구성 및 작용에만 국한되는 것이 아니며, 기술적 사상의 범주를 일탈함이 없이 본 발명에 대해 다수의 변경 및 수정이 가능함을 당업자들은 잘 이해할 수 있을 것이다. 따라서, 그러한 모든 적절한 변경 및 수정과 균등물들도 본 발명의 범위에 속하는 것으로 간주되어야 할 것이다.
100: 초음파 코로나 탐지기 200: 신호 변환부
300: 신경 회로망 학습 및 판별부 400: 입력부
500: 저장부 310: 규준화 모듈
320: 학습모듈 330: 판별모듈
10: 신경 회로망

Claims (3)

  1. 신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 장치에 있어서,
    전기설비로부터 방사되는 초음파 대역 신호를 취득하는 초음파 코로나 탐지기(100);
    상기 초음파 코로나 탐지기(100)를 통해 취득한 초음파 대역 신호를 분석하여 시간-진폭, 주파수-진폭 신호로 변환하는 신호 변환부(200);
    상기 신호 변환부(200)를 통해 시간-진폭, 주파수-진폭으로 변환된 신호를 규준화(normalizing)하고, 신경 회로망(10)에 입력하여 고장 종류 판별을 위한 학습을 수행하며, 상기 전기설비의 고장 종류를 판별하는 신경 회로망 학습 및 판별부(300); 및
    사용자의 고장 학습 제어신호 및 고장 판별 제어신호를 입력받는 입력부(400); 를 포함하되,
    상기 신경 회로망 학습 및 판별부(300)는,
    상기 신호 변환부(200)를 통해 시간-진폭, 주파수-진폭으로 변환된 신호의 크기를 규준화하는 규준화 모듈(310);
    상기 입력부(400)를 통해 입력된 사용자의 고장 학습 제어신호에 따라, 상기 규준화 모듈(310)을 통해 규준화된 데이터(
    Figure 112013089515893-pat00060
    )를 신경 회로망(10)의 입력단에 입력하고, 고장 종류(
    Figure 112013089515893-pat00061
    )를 신경 회로망(10)의 출력단에 입력하고, 학습을 위한 가중치(weight)(
    Figure 112013089515893-pat00062
    )를 조정하고, 조정된 가중치를 적용하여 규준화된 데이터를 재계산함으로써 재계산된 규준화된 데이터(
    Figure 112013089515893-pat00063
    )를 [수식 1] 을 통해 생성하고, 재계산된 규준화된 데이터(
    Figure 112013089515893-pat00064
    )를 바탕으로 고장 종류(
    Figure 112013089515893-pat00065
    )를 [수식 2] 를 통해 추정하며, 추정된 고장 종류(
    Figure 112013089515893-pat00066
    )가 상기 신경 회로망(10)의 출력단에 입력된 고장 종류(
    Figure 112013089515893-pat00067
    )와 동일한지 여부를 판단하는 학습모듈(320); 및
    상기 입력부(400)를 통해 입력된 사용자의 고장 판별 제어신호에 따라, 상기 규준화 모듈(310)을 통해 규준화된 데이터(
    Figure 112013089515893-pat00068
    )를 신경 회로망(10)의 입력단에 입력하고, 입력된 규준화된 데이터(
    Figure 112013089515893-pat00069
    )에 대응하는 가중치(
    Figure 112013089515893-pat00070
    )를 적용하여 규준화된 데이터를 재계산함으로써 재계산된 규준화된 데이터(
    Figure 112013089515893-pat00071
    )를 [수식 1] 을 통해 생성하고, [수식 2] 를 통해, 재계산된 규준화된 데이터(
    Figure 112013089515893-pat00072
    )를 바탕으로 고장 유무를 판별하고, 고장이 있을 경우, 고장 종류(
    Figure 112013089515893-pat00073
    )를 판별하여 출력하는 판별모듈(330); 를 포함하는 것을 특징으로 하는 신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 장치.
    [수식 1]
    Figure 112013089515893-pat00074

    여기서,
    Figure 112013089515893-pat00075
    는 가중치,
    Figure 112013089515893-pat00076
    는 규준화된 데이터.
    [수식 2]
    Figure 112013089515893-pat00077

    여기서, f 는 응답함수,
    Figure 112013089515893-pat00078
    는 재계산된 규준화 데이터.
  2. 제 1 항에 있어서,
    상기 학습모듈(320)은,
    상기 추정된 고장 종류(
    Figure 112013089515893-pat00079
    )가 상기 신경 회로망(10)의 출력단에 입력된 고장 종류(
    Figure 112013089515893-pat00080
    )와 동일할 경우, 학습을 종료하고, 동일하지 않을 경우 동일할 때까지 가중치 조정, 규준화 데이터 재계산 및 고장 종류 추정을 반복 수행하는 것을 특징으로 하는 신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 장치.
  3. 제 1 항 또는 제 2 항에 있어서,
    상기 학습모듈(320)은,
    고장 종류에 따라, 입력된 규준화 데이터 및 이에 대응하는 가중치를 인식하는 것을 특징으로 하는 신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 장치.
KR1020130094683A 2013-08-09 2013-08-09 신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 장치 KR101358047B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020130094683A KR101358047B1 (ko) 2013-08-09 2013-08-09 신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130094683A KR101358047B1 (ko) 2013-08-09 2013-08-09 신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 장치

Publications (1)

Publication Number Publication Date
KR101358047B1 true KR101358047B1 (ko) 2014-02-05

Family

ID=50269756

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130094683A KR101358047B1 (ko) 2013-08-09 2013-08-09 신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 장치

Country Status (1)

Country Link
KR (1) KR101358047B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210006075A (ko) 2019-07-08 2021-01-18 한밭대학교 산학협력단 딥러닝 기반 시간-주파수 영역 반사파 기법을 이용한 와이어 미스 매치 검출 장치 및 그 방법
CN112836990A (zh) * 2021-03-02 2021-05-25 浙江数智交院科技股份有限公司 隧道监测设备故障判断方法、装置及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001108518A (ja) 1999-08-03 2001-04-20 Mitsui Eng & Shipbuild Co Ltd 異常検知方法および装置
JP2006300896A (ja) 2005-04-25 2006-11-02 Matsushita Electric Works Ltd 設備監視方法および設備監視装置
JP2006300895A (ja) 2005-04-25 2006-11-02 Matsushita Electric Works Ltd 設備監視方法および設備監視装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001108518A (ja) 1999-08-03 2001-04-20 Mitsui Eng & Shipbuild Co Ltd 異常検知方法および装置
JP2006300896A (ja) 2005-04-25 2006-11-02 Matsushita Electric Works Ltd 設備監視方法および設備監視装置
JP2006300895A (ja) 2005-04-25 2006-11-02 Matsushita Electric Works Ltd 設備監視方法および設備監視装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210006075A (ko) 2019-07-08 2021-01-18 한밭대학교 산학협력단 딥러닝 기반 시간-주파수 영역 반사파 기법을 이용한 와이어 미스 매치 검출 장치 및 그 방법
CN112836990A (zh) * 2021-03-02 2021-05-25 浙江数智交院科技股份有限公司 隧道监测设备故障判断方法、装置及电子设备
CN112836990B (zh) * 2021-03-02 2023-08-01 浙江数智交院科技股份有限公司 隧道监测设备故障判断方法、装置及电子设备

Similar Documents

Publication Publication Date Title
KR101457881B1 (ko) 초음파 신호에 의한 수배전반의 지능형 아크 및 코로나 방전 진단 시스템
US9964625B2 (en) Electrical substation fault monitoring and diagnostics
KR101608964B1 (ko) 초음파 및 과도접지전압 기반의 상태 감시진단 시스템이 탑재된 고압반,저압반,분전반,모터제어반
US10446166B2 (en) Assessment and adjustment of audio installation
JP2017111134A (ja) 電気機械を監視するシステム及び方法
KR101477755B1 (ko) 초음파 기반의 아크 및 코로나 방전 감시진단 시스템이 탑재된 고압반,저압반,분전반,모터제어반
US20180074112A1 (en) Device for detecting an electric arc based on its acoustic signature
JP2021518624A (ja) 電気配線における火災に先行する放電の検出
US20170184655A1 (en) Method of detecting an electric arc by analysis of its acoustic signature
KR101550689B1 (ko) 잡음제거 기능을 구비한 ａｅ센서 기반 수배전반의 아크 및 코로나 검출 시스템
KR101358047B1 (ko) 신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 장치
CN111398750B (zh) 电弧识别方法和用于电弧识别的系统
US11519952B2 (en) Arc detection method and apparatus using statistical value of electric current
KR101358089B1 (ko) 수배전반의 아크 진단을 위한 ｕｖ 검출 장치
KR101333177B1 (ko) 신경 회로망 및 초음파 신호를 이용한 전기설비의 고장 학습 및 판별 방법
JP2019507344A (ja) 地絡故障を判断するための装置および関連する方法
KR101358092B1 (ko) 수배전반의 아크 진단을 위한 ｕｖ 검출 방법
KR101333178B1 (ko) 유입변압기 진단 기법을 이용한 부분방전 진단방법
JP4663846B2 (ja) パターン認識型部分放電検知器
JP2017009606A (ja) 大気電界検出装置
JP2008215864A (ja) 回転電機の部分放電検出装置及び部分放電検出方法
JP7398634B2 (ja) 劣化検知方法、プログラム及び劣化検知システム
JP2019211447A (ja) 部分放電検出装置、部分放電検出方法、部分放電検出システム及びコンピュータプログラム
KR101791421B1 (ko) 초음파 신호 검출에 의한 부분 방전 감시 진단 시스템 및 방법
JP6449948B1 (ja) 判定装置

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20170125

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20180118

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20191217

Year of fee payment: 7