KR101420567B1 - 유도 전동기 고장 특징 추출 방법 - Google Patents

유도 전동기 고장 특징 추출 방법 Download PDF

Info

Publication number
KR101420567B1
KR101420567B1 KR1020130030457A KR20130030457A KR101420567B1 KR 101420567 B1 KR101420567 B1 KR 101420567B1 KR 1020130030457 A KR1020130030457 A KR 1020130030457A KR 20130030457 A KR20130030457 A KR 20130030457A KR 101420567 B1 KR101420567 B1 KR 101420567B1
Authority
KR
South Korea
Prior art keywords
parameter
pixel
map
gns
value
Prior art date
Application number
KR1020130030457A
Other languages
English (en)
Inventor
김종면
강명수
Original Assignee
울산대학교 산학협력단
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 울산대학교 산학협력단 filed Critical 울산대학교 산학협력단
Priority to KR1020130030457A priority Critical patent/KR101420567B1/ko
Application granted granted Critical
Publication of KR101420567B1 publication Critical patent/KR101420567B1/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
    • G01R31/34—Testing dynamo-electric machines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms

Abstract

본 발명은 유도 전동기에 있어서, 고장 특징을 추출하는 방법에 대한 것으로, 보다 구체적으로, 유도 전동기 고장 분류에 대한 신뢰성을 높이기 위해 유도 전동기의 진동 신호를 시간-주파수 분석 기법인 웨이블렛 변환(Wavelet transform)을 이용하여 2차원 그레이(gray) 영상으로 변환하고, 상기 변환된 2차원 그레이(gray)영상에서 GNS(Global neighboring structure) map을 형성하여 고장 특징이 반영된 질감 특징을 추출함에 따라, 상기 유도 전동기의 고장 특징을 추출할 수 있도록 하는 방법에 대한 것이다.

Description

유도 전동기 고장 특징 추출 방법{Method for Fault Classification of Induction Motors}
본 발명은 유도 전동기에 있어서, 고장 특징을 추출하는 방법에 대한 것으로, 보다 구체적으로는, 유도 전동기 고장 분류에 대한 신뢰성을 높이기 위해 유도 전동기의 진동 신호를 시간-주파수 분석 기법인 웨이블렛 변환(Wavelet transform)을 이용하여 2차원 그레이(gray) 영상으로 변환하고, 상기 변환된 2차원 그레이(gray)영상에서 GNS(global neighborhood structure) map을 형성하여 고장 특징이 반영된 질감 특징을 추출함에 따라, 상기 유도 전동기의 고장 특징을 추출할 수 있도록 하는 방법에 대한 것이다.
유도 전동기는 펌프,air compressor, convey belt 등의 장치에서 필수적으로 사용되는 구성으로 높은 안정성, 효율성이 필요하다. 따라서, 유도 전동기의 고장 특징을 추출하여 고장 여부를 판단할 필요가 있으며, 고장 특징 추출 방법으로는 진동 신호를 분석하는 방법이 존재한다.
유도 전동기가 동작할 때 일정한 진동이 발생하게 되며, 유도 전동기에 고장이 발생하는 경우 진동 특성이 달라지기 때문에 진동 신호를 분석하여 유도 전동기의 고장 여부를 판단할 수 있으며, 나아가 고장 유형에 따라 다른 진동이 나타나기 때문에 진동 신호를 분석하면 고장 특징을 추출하여 분류할 수 있다.
이를 위해 기존에는 진동 신호를 시간 영역에서 분석하는 방법 및 주파수 영역에서 분석하는 방법을 통해 진동 신호를 분석하여 고장 특징을 추출하였다. 시간 영역 분석 방법은 시간 영역에서 평균값, 분산 정도, 첨예도 등의 수치를 이용한 통계 값을 사용하여 진동 신호를 분석하였으며, 주파수 영역 분석 방법의 경우에는 주파수 영역에서 진동 신호를 분석하는 것으로 주로 FFT(fast fourier transform)을 이용하여 주파수 특징을 분석하여 진동 신호를 분석하였다.
그러나 시간 영역에서의 분석은 임의의 시점에서 취득한 신호에 대한 통계 값을 이용하는 것이기 때문에 진동 신호의 non stationary, non-deterministic 특징으로 인해 선택되는 시점에 따라 수치가 달라져 통계치가 달라질 수 있다는 문제점이 있었으며, 주파수 영역 분석의 경우에는 에너지 레벨이 낮은 고장에 대해서는 노이즈와 구별하기 어려워져 고장 특징을 판단하기 어려울 수 있다는 문제점이 있었다.
또한, 시간 영역 분석 및 주파수 영역 분석 모두 노이즈에 영향을 크게 받을 수 있어 진동 신호를 이용하여 고장 신호를 추출하는데 한계가 있었다.
한국 공개 특허 KR 2012-0121621 한국 공개 특허 KR 2007-0018740
본 발명의 목적은 유도 전동기의 고장 특징 분류의 신뢰성을 높이기 위한 고장 특징 분류 방법을 제공하는 것으로서, 진동 신호를 시간-주파수 영역 분석 방법을 이용하여 2차원 그레이(gray) 영상으로 변환한 후, 2차원 그레이(gray) 영상의 질감 특성을 GNS(global neighborhood structure) map을 이용하여 분석함에 따라, 노이즈 성분이 포함된 환경에서도 고장 특징을 효과적으로 분류할 수 있도록 하는 방법을 제공하는데 있다.
본 발명의 일 측면에 따른 고장 특징 추출 방법은 1 차원 진동 신호를 두 개의 파라미터를 갖는 시간-주파수 영역 분석 기법을 이용하여 2차원 그레이 영상으로 변환하는 단계; 상기 2차원 그레이 영상을 m개의 픽셀행마다 분할하여 분할 영역을 형성하고, 상기 각각의 분할 영역에서 GNS(Global neighboring structure) map을 생성하는 단계; 및 상기 분할 영역에서 생성된 각각의 상기 GNS(Global neighboring structure) map을 결합하여 질감 특성이 반영된 특징 벡터를 형성하는 단계;를 포함한다.
이때, 상기 시간-주파수 영역 분석 기법은, 웨이블렛 변환(Wavelet transform)이며, 상기 웨이블렛 변환(Wavelet transform)은 딜레이션(dilation) 파라미터 및 트렌스레이션(translation) 파라미터로 이루어진 다수의 파라미터쌍을 포함할 수 있다.
또한, 다수의 상기 파라미터쌍은 상기 1차원 진동 신호와 내적(inner product)하여 다수의 변환 파라미터쌍으로 변환되는 단계; 및 상기 변환 파라미터쌍 중 상기 딜레이션(dilation) 파라미터와 대응되는 구성을 X축으로, 상기 ㅌ트틀트렌스레이션(translation) 파라미터와 대응되는 구성을 Y축으로 매칭함에 따라, 상기 변환 파라미터쌍 수만큼의 픽셀을 형성하는 단계;를 포함할 수 있다.
또한, 상기 픽셀을 형성하는 단계는, 상기 각각의 픽셀에 대응되는 상기 변환 파라미터 쌍의 상기 딜레이션(dilation) 파라미터 및 상기 트렌스레이션(translation) 파라미터의 값을 비교하여 0에서 255의 그레이 레벨로 변경하는 단계;를 포함할 수 있다.
이때, 상기 딜레이션(dilation) 파라미터는 주파수 변화에 따른 고장 특징을 반영할 수 있도록 할 수 있으며, 상기 트렌스레이션(translation) 파라미터는 시간 변화에 따른 고장 특징을 반영할 수 있도록 할 수 있다.
또한 상기 GNS(Global neighboring structure) map을 생성하는 단계는, 상기 분할 영역에서 다수의 local neighborhood structure map을 생성하는 단계; 및 상기 local neighborhood structure map의 각 수치의 평균값을 계산하여 매칭하는 단계;를 포함할 수 있다.
또한, 상기 local neighborhood structure map를 생성하는 단계는, MXM 픽셀의 중심점을 기준으로 EUCLIDEAN DISTANCE를 계산하는 단계; 및 상기 MXM 픽셀 내의 각 픽셀들을 상기 계산된 값으로 변경하는 단계;를 포함할 수 있다.
또한, 상기 특징 벡터를 형성하는 단계는, 상기 특징 벡터는 상기 분할 영역에서 생성된 각각의 상기 GNS(Global neighboring structure) map들의 층으로 구성되어 있으며, 상기 특징 벡터층을 분석함에 따라 상기 고장 여부를 판단 수 있다.
본 발명은 유도 전동기의 고장 특징 추출 방법에 대한 것으로, 2차원 그레이(gray) 영상의 질감 특징을 추출하여 고장 특징을 분류함에 따라, 노이즈가 포함된 환경에서도 고장 특징을 정확하게 추출할 수 있도록 할 수 있으며, 신뢰성 있는 유도 전동기 고장 분류 성능을 보장할 수 있다.
도 1은 본 발명의 일 실시예에 따라 웨이블렛 변환을 적용하기 위한 웨이블렛 신호에 대한 개략적인 도면,
도 2는 본 발명의 또다른 일 실시예에 따라 파라미터 a, b 쌍으로 이루어진 파라미터 맵을 개략적으로 나타낸 도면,
도3은 발명의 일실시예에 따라 파라미터 맵이 적용될 수 있는 유도 전동기의 고장 분류를 위한 진동 신호를 개략적으로 나타낸 도면,
도 4는 본 발명의 또다른 일 실시예에 따라 파라미터 맵과 입력 신호의 내적에 의해 웨이블렛 변환이 반영된 변환 파라미터쌍으로 이루어진 맵을 획득하는 과정을 개략적으로 나타낸 도면,
도 5는 본 발명의 또다른 일 실시예에 따라 유도 전동기에서 발생한 진동 신호를 2차원 그레이(gray) 영상으로 변환한 것을 개략적으로 나타낸 도면,
도 6은 본 발명의 또 다른 일 실시예에 따라 2차원 그레이(gray) 영상의 질감 특징을 분석하기 위한 방법을 개략적으로 나타낸 도면,
도 7은 본 발명의 또 다른 일 실시예에 따라 neighborhood structure map을 이용하여 GNS(Global neighboring structure) map을 구현하는 방법에 대한 개략적인 도면,
도8은 본 발명의 또 다른 일 실시예에 따른 GNS(Global neighboring structure) map을 통해 특징 벡터를 추출하는 방법에 대한 개략적인 도면이다.
이하에서는 도면을 참조하여 본 발명의 일 실시예들을 상세히 설명한다.
유도 전동기의 진동 신호를 분석하면 유도 전동기에 대한 고장 특징을 알 수 있으며, 상기 진동 분석을 수행하기 위해서 시간-주파수 분석 기법을 활용할 수 있다.
보다 구체적으로, 상기 진동 신호를 상기 시간-주파수 분석 기법을 이용하여 2차원 그레이(gray) 영상으로 변환한 후, 상기 2차원 그레이(gray) 영상의 질감 특성을 파악함에 따라 상기 진동 신호를 분석하여 상기 고장 특징을 추출해낼 수 있다.
이때, 상기 진동 신호를 상기 2차원 그레이(gray) 영상으로 변환하기 위해서는 상기 시간-주파수 분석 기법에서는 두 개의 파라미터가 필요하며, 상기 두 개의 파라미터의 계수로 X축 및 Y축을 구성함에 따라, 상기 2차원 그레이(gray) 영상을 형성할 수 있다.
또한, 본 발명의 적용 가능한 바람직한 일 실시예에 있어서, 상기 시간-주파수 분석 기법은 웨이블렛 변환(wavelet transform)일 수 있다.
도 1은 본 발명의 일 실시예에 따라 상기 웨이블렛 변환(wavelet transform)을 적용하기 위한 웨이블렛(wavelet) 신호에 대한 개략적인 도면으로, 상기 웨이블렛(wavelet) 신호는 표준화 과정을 거쳐 두 개의 파라미터를 갖는 상기 웨이블렛 변환(wavelet transform)으로 사용될 수 있다. 이때, 상기 웨이블렛(wavelet) 신호는 [-T,T]의 일정한 구간을 가지고, 일정한 주파수를 가지는 신호일 수 있으며, 밴드패스필터(bandpass filter)의 기능을 할 수 있어 특정 주파수 영역에 대한 신호를 분석하기 위해 사용될 수 있다. 상기 웨이블렛(wavelet) 신호는 하기와 같이 나타낼 수 있다.
Figure 112013024667531-pat00001
상기 [식1]은 표준화되지 않은 상태의 상기 웨이블렛(wavelet) 신호로서, 상기 웨이블렛(wavelet) 신호를 이용하여 상기 진동 신호를 상기 2차원 그레이(gray) 영상으로 변환하기 위해서는 2개의 파라미터가 필요하다. 이를 위해, 상기 웨이블렛(wavelet) 신호를 두 개의 파라미터 a, b를 이용하여 표준화할 수 있으며, 본 발명의 바람직한 일 실시예에 따라 상기 파라미터 a는 상기 웨이블렛(wavelet) 신호의 스케일(scale)을 조절하는 딜레이션(dilation) 파라미터일 수 있고, 상기 파라미터 b는 시간(time)을 조절할 수 있는 트렌스레이션(translation) 파라미터일 수 있다.
Figure 112013024667531-pat00002
상기 [식 2]는 상기의 웨이블렛(wavelet) 신호를 표준화하는 방법에 대한 식으로, 이때 상기 파라미터 a에 의해 신호의 스케일(scale) 및 중심 주파수가 달라질 수 있고, 상기 파라미터 b에 의해 시간(time)이 이동될 수 있다. 그러나, 상기 표준화 과정이 수행된 후의 신호이 크기 값은
Figure 112013024667531-pat00003
로 유지되며 이는 기존 웨이블렛(wavelet) 신호의 크기인
Figure 112013024667531-pat00004
과 같은 값이다.
도 2는 본 발명의 또다른 일 실시예에 따라 상기 파라미터 a, b 쌍으로 이루어진 파라미터 맵(parameter map)에 대한 도면으로, 제 1 파라미터쌍
Figure 112013024667531-pat00005
(201)에서부터 제 6파라미터쌍(
Figure 112013024667531-pat00006
)(206)까지의 m
Figure 112013024667531-pat00007
n개의 파라미터쌍으로 이루어져 있다.
이때, 상기 파라미터 쌍 중 상기 a는 스케일(scale)을 조절하는 딜레이션(dilation) 파라미터일 수 있고, 상기 b는 시간(time)을 조절하는 트렌스레이션(translation) 파라미터일 수 있으며, m은 상기 딜레이션(dilation) 파라미터 a의 개수를, n은 상기 트렌스레이션(translation) 파라미터 b의 개수를 의미한다.
보다 구체적으로, 도2의 상기 파라미터 맵(parameter map)을 살펴보면, 상기 파라미터 맵(parameter map)의 제 1 파라미터쌍
Figure 112013024667531-pat00008
(201)을 기준으로 가로축은 상기 딜레이션(dilation) 파리미터 a 값은 고정된 상태로 시간(time)을 조절하는 트렌스레이션(translation) 파라미터만이 조절될 수 있다. 이는 상기 웨이블렛(wavelet) 신호는 [-T,T]의 일정 구간 값을 갖는바, 상기 시간을 조절하여 상기 유도 전동기로부터 입력되는 상기 진동 신호에 대한 각 시간에 따른 구간별 특징을 분석할 수 있다. 따라서, 제 1 파라미터쌍
Figure 112013024667531-pat00009
(201)을 기준으로 가로축에는 제 2파라미터쌍
Figure 112013024667531-pat00010
(201)에서부터 n번째 b값을 가지는 제 3파라미터쌍
Figure 112013024667531-pat00011
(203)까지로 구성된다.
다음으로, 상기 파라미터 맵(parameter map)의 세로축을 살펴보면 제 1 파라미터쌍
Figure 112013024667531-pat00012
(201)을 기준으로 상기 트렌스레이션(translation) 파라미터 b는 고정된 상태로 상기 딜레이션(dilation) 파라미터 a만을 조절하여 스케일을 조절함에 따라 주파수 특성을 반영할 수 있도록 한다. 또한, 웨이블렛(wavelet) 신호는 밴드패스필터(bandpass filter)의 역할을 수행할 수 있는바, 특정 주파수 범위에 대해서만 분석이 수행될 수 있다. 밴드(band)의 범위와 관련하여, 상기 [식1]을 [식2]에 적용하면 상기 밴드(band)의 범위는 [1/a, 2/a]가 되며, 여기서 a는 상기 ㄷ디딜레이션(dilation) 파라미터 a이다. 따라서, 상기 밴드(band)의 범위는 상기 딜레이션(dilation) 파라미터 a에 의해 정해지며, 상기 a의 값이 커짐에 따라 상기 밴드(band) 영역이 작아지게 되고, a값을 조절함에 따라 특정 주파수 영역을 선택할 수 있다. 이를 통해 상기 파라미터 a값을 조절함에 따라 상기 유도 전동기로부터 입력되는 상기 진동 신호에 대한 각 주파수에 따른 구간별 특징을 분석할 수 있다.
따라서, 제 1 파라미터쌍
Figure 112013024667531-pat00013
(201)을 기준으로 세로축에는 제 4파라미터쌍
Figure 112013024667531-pat00014
(204)부터 m번째 상기 a값을 가지는 제 5파라미터쌍
Figure 112013024667531-pat00015
(205)까지 구성되게 되며, 최종적으로 m번째 상기 a값 및 n번째 상기 b값을 가지는 제 6파라미터쌍
Figure 112013024667531-pat00016
(206)까지로 이루어진 상기 파라미터 맵(parameter map)을 구성하게 된다.
보다 구체적으로, 도3은 발명의 일실시예에 따라 상기 파라미터 맵(parameter map)이 적용될 수 있는 상기 유도 전동기의 고장 분류를 위한 상기 진동 신호로서, 상기 진동 신호는 낮은 주파수 대역에서 많은 에러가 존재하며, 높은 주파수 대역에서는 적은 에러가 존재하는 구성으로 되어 있다. 상기와 같은 진동 신호 분석하기 위해 상기의 웨이블렛(wavelet) 변환을 적용하는 경우에는 많은 에러가 존재하는 낮은 주파수 대역에는 작은 범위의 상기 밴드(band)를 갖도록 하여 분석할 필요성이 있으며, 적은 에러가 존재하는 높은 주파수의 경우에는 넓은 범위의 상기 밴드(band)를 갖도록 하는 것이 효율적이다.
Low cut-off frequency Distance
in frequency
High resolution freq. analysis
Figure 112013024667531-pat00017
Figure 112013024667531-pat00018
= 10Hz
Low resolution freq. analysis
Figure 112013024667531-pat00019
Figure 112013024667531-pat00020
= 150Hz
상기 [표 1]은 도 3과 같은 진동 신호를 분석하기 위해 상기 밴드패스필터(bandpassfilter) 기능이 있는 상기 웨이블렛(wavelet) 변환을 위한 파라미터를 조절하는 방법에 대한 것으로,
Figure 112013024667531-pat00021
는 밴드의 낮은 컷오프를 의미한다. 이때, 낮은 주파수 영역의 경우에는 많은 에러들이 적은 주파수에 밀집되어 있는바,
Figure 112013024667531-pat00022
및
Figure 112013024667531-pat00023
의 주파수 간격이 작아야 더 정확한 분석을 수행할 수 있다. 따라서 상기[표 1]에서는 상기 밴드(band)의 범위를 10Hz로 하였으며, 높은 주파수의 범위에서는 적은 에러들이 존재하기 때문에 주파수의 범위를 150Hz로 조절하였다.
상기와 같은 과정을 수행함에 있어서, 상기 밴드(band)의 범위는 [1/a, 2/a]이고,
Figure 112013024667531-pat00024
는 1/
Figure 112013024667531-pat00025
로서, i번째 a값을 의미하며,
Figure 112013024667531-pat00026
는 1/
Figure 112013024667531-pat00027
로서 i+1번째 a값을 의미하게 된다. 따라서, a값을 조절함에 따라 상기와 같은 주파수 분석 영역을 조절할 수 있는바, 고장 특징이 반영되어 정확도가 높은 고장 특징 추출이 가능할 수 있다.
상기와 같은 과정을 통해 상기 파라미터 맵(parameter map)은 주파수 영역에서의 분석 방법에 대한 특징을 모두 포함할 수 있으며, 상기 파라미터 맵(parameter map)을 2차원 그레이(gray)영상으로 변환하여 영상의 질감 특징을 분석함에 따라 시간별, 주파수별 고장 특징을 파악할 수 있다.
도 4는 본 발명의 또 다른 일 실시예에 따라 상기 파라미터 맵(parameter map)을 입력 신호(411)와 내적(inner products)을 수행하여 웨이블렛 변환(wavelet)이 반영된 변환 파라미터쌍으로 이루어진 맵(map)을 획득하는 과정을 나타낸 도면으로, 하기의 식에 의해 변환된다.
Figure 112013024667531-pat00028
상기의 식에서 f(t)는 입력 신호이고,
Figure 112013024667531-pat00029
는 딜레이션(dilation) 파라미터 a 및 트렌스레이션(translation) 파라미터 b에 의해 표준화된 상기 웨이블렛(wavelet) 신호를 의미하며 *은 콘쥬게이트(conjugate)값을 의미한다. 상기의 식에 의해 변환된 상기 웨이블렛(wavelet) 신호는 각 파라미터별로 매칭되어 맵을 형성하게 된다.
도 4를 살펴보면 제 1파라미터쌍(
Figure 112013024667531-pat00030
)(401)은 입력신호(411)와 내적하여 제 1 변환 파라미터쌍
Figure 112013024667531-pat00031
(421)로 변환되고, 제 2파라미터쌍(
Figure 112013024667531-pat00032
)(402)는 제 2변환 파라미터쌍
Figure 112013024667531-pat00033
(422)로, 제 3파라미터쌍(
Figure 112013024667531-pat00034
)(403)은 제3 변환 파라미터쌍
Figure 112013024667531-pat00035
(423)으로 변환되게 되며, 상기의 과정은 m
Figure 112013024667531-pat00036
n의 파라미터쌍에 모두 적용되어 최종적으로 m번째 상기 a값 및 n번째 상기 b값을 가지는 제 6파라미터 (
Figure 112013024667531-pat00037
)(406)가 제 6 변환 파라미터
Figure 112013024667531-pat00038
(426)까지 변경되어 전체적으로 변환된 파라미터 맵을 구성하게 된다. 따라서, 상기 딜레이션(dilation) 파라미터 a는 X축을 구성하게 되고, 상기 트렌스레이션(translation) 파라미터는 Y축을 구성하게 되어 상기 2차원 영상을 생성하게 됨에 따라 m
Figure 112013024667531-pat00039
n의 픽셀로 구성된 상기 2차원 영상이 생성되게 된다. 이때, 상기 2차원 영상을 상기 2차원 그레이(gray) 영상으로 나타내기 위해 상기의 변환 파라미터쌍을 0에서255의 gray level로 변환하게 되며 하기의 식에 의해서 변환되어 상기 2차원 그레이(gray) 영상을 구성하게 된다.
Figure 112013024667531-pat00040
상기 [식4]에서
Figure 112013024667531-pat00041
는 웨이블렛(wavelet) 계수로서 상기 변환 파라미터쌍을 의미하고, p(i,j)는 i 번째행 및 j 번째열의 픽셀 값을 의미하며 상기의 식에 의해서 상기의 2차원 그레이(gray) 영상이 형성되게 된다.
도 5는 상기의 유도 전동기에서 발생한 상기 진동 신호를 2차원 그레이(gray) 영상으로 변환한 것에 대한 일 실시예로서, 하기와 같은 표의 각각의 상기 진동 신호를 상기 2차원 그레이(gray) 영상으로 변환하여 나타낸 것이다.
Type of faults Fault description
Angular misalignment faults (AMFs) Adjusting the bearing pedestal up to 0.48o
Broken rotor bar faults (BRBFs) 12EA rotor bars were broken
Normal (NO) Normal condition
Rotor imbalance faults (RIFs) Imbalanced mass on the rotor: 8.4g
Bearing faults (BFs) A spalling on the outer race
Bowed shaft faults (BSFs) Shaft deflection: 0.75 mm
Phase imbalance faults (PIFs) Adding resistance to one phase
도 6은 본 발명의 또다른 일 실시예에 따라 상기 2차원 그레이(gray) 영상의 질감 특징을 분석하기 위한 방법에 대한 것으로, global neighborhood structure(이하 GNS) map을 생성하는 단계에 대한 개략적인 도면이다. 본 발명의 일실시예에 있어서, 질감 특징을 분석하는 방법은 특정 픽셀 및 상기 특정 픽셀이 주변 픽셀과 중복된 정도를 비교함에 따라 상기 주변 픽셀들과의 차이점을 분석하여 수행될 수 있다.
이를 위해 상기 2차원 그레이(gray)영상 중 일부 픽셀에 대해서 m
Figure 112013024667531-pat00042
m의 제 1 윈도우 영역(601)을 형성한 후, 상기 제 윈도우 1영역(601)의 중심 픽셀(602)인 제1 중심 픽셀(602)을 기준으로 제 1 윈도우 영역(601)내의 픽셀들이 중복 정도를 분석하기 위해서 Euclidean distance를 구한다. 상기 Euclidean distance를 구하기 위해서는 상기 제 1윈도우 영역(601) 내의 n
Figure 112013024667531-pat00043
n의 윈도우(603, 604)를 형성한 후, 상기 윈도우(603, 604)의 intensity에 대한 벡터 값을 비교한다. 이를 위해서 j픽셀 윈도우(603)에 대한 벡터 값 V(j), 및 i픽셀 윈도우(604)에 대한 벡터 값 V(i)를 구한다. 이때 상기 j픽셀 윈도우(603)는 j픽셀을 중심으로 n
Figure 112013024667531-pat00044
n의 범위 내에 있는 픽셀들의 집합이며, i픽셀 윈도우(604)는 I픽셀을 중심으로 n
Figure 112013024667531-pat00045
n의 범위 내에 있는 픽셀들의 집합들을 의미한다. 이때, 상기의 벡터값들을 이용하여 Euclidean distance를 구하기 위한 식은 하기와 같다.
Figure 112013024667531-pat00046
상기 [식5]에서 d(i,j)는 i를 중심으로 갖는 제 1 윈도우 영역(601)에 대해서 상기 중심 픽셀 i와 상기 j픽셀의 Euclidean distance 값으로서, 상기 제 1 윈도우 영역(601)내의 상기 각 픽셀에 대해서 상기의 값을 구할 수 있다. 상기의 값을 구한 후 상기 제 1 윈도우 영역(601)의 각 픽셀들의 값들을 Euclidean distance 값으로 변환하여 neighborhood structure map(이하 NSM)(605)을 구한다.
도 7은 상기 NSM들로부터 상기 GNS map을 구현하는 방법에 대한 개략적인 도면으로, 제 1영역(701) 내에 m
Figure 112013024667531-pat00047
m의 픽셀로 구성된 상기 제 1 윈도우 영역(702)과 일부 영역이 겹치면서 제 1 윈도우 영역(702)의 제 1 중심 픽셀(703)과 일정 거리만큼 떨어진 제 2 중심 픽셀(705)를 기준으로 m
Figure 112013024667531-pat00048
m의 픽셀로 구성된 제 2 윈도우 영역(704)의 Euclidean distance 값을 구하고, 상기와 같은 방식으로, 상기 제 1영역(701)의 가장 마지막에 위치하는 제 3 윈도우 영역(706)의 제 3중심 픽셀(707)으로 기준으로 Euclidean distance 값을 구하며, 상기 제 1영역(701)내에 포함되어 있는 다수의 NSM(702,704,706)들에 대한 Euclidean distance 값들의 평균을 구하여 상기 GNS map의 값을 구하게 된다. 이때, 상기 GNS map은 중심 픽셀에서부터 주변 픽셀들의 intensity의 차이 정도를 나타내는 것으로 상기 2차원 그레이(gray) 영상의 질감 특성을 나타낼 수 있으며, 상기 질감 특성을 분석하여 고장 특징을 추출하여 상기 GNS map을 구하는 식은 하기와 같다.
Figure 112013024667531-pat00049
상기 [식6]의 l값은 2차원 그레이(gray) 영상의 l번째 NSM들의 집합으로 이루어진 l번째 영역을 의미하고,
Figure 112013024667531-pat00050
은 l번째 영역에서 k번째 중심 픽셀을 기준으로 형성된 NSM에 대한 Euclidean distance 값을 의미하며, Z는 l번째 영역에 존재하는 NSM의 개수를 의미하며, A는 k번째 중심 픽셀이 포함되어 있는 픽셀의 set을 의미한다. 상기의 식을 통해서 l번째 영역에서의 GNS map을 구할 수 있다.
도8은 GNS map을 통해 특징 벡터(feature vector)를 추출하는 방법에 대한 개략적인 도면으로, m개의 픽셀 행으로 구성된 상기 제 1 영역(801)에서의 제 1 GNS map(802)을 구하고, 상기 제 1 GNS map(802)을 특징벡터(805)의 가장 마지막 부분에 할당한다. 상기의 방법으로, 각각의 m개의 픽셀 행으로 구성된 상기 영역들의 상기 GNS map을 구하고, 상기 2차원 그레이(gray) 영상의 마지막에 위치하는 제 2영역(803)에 대한 제 2 GNS map(804)을 구하며, 이를 특징벡터(805)에 순차적으로 배치하여 특징 벡터를 구성하게 된다.
상기의 과정을 통해 획득한 특징벡터(805)는 non-linear한 data들에 대한 집합으로서, 상기 특징벡터(805)에 대한 분석을 통해서 고장 특징을 판단할 수 있다. 상기 특징벡터(805)는 불규칙한 데이터를 분석하는데 사용되는 기법으로서, polynomial function, gaussian radial basic function 또는 hyperbolic tangent 등의 방법들에 의해 분석될 수 있다.
201 : 제 1 파라미터쌍 202 : 제 2 파라미터쌍
203 : 제 3 파라미터쌍 204 : 제 4 파라미터쌍
205 : 제 5 파라미터쌍 206 : 제 6 파라미터쌍
401 : 제 1 파라미터쌍 402 : 제 2 파라미터쌍
403 : 제 3 파라미터쌍 404 : 제 4 파라미터쌍
405 : 제 5 파라미터쌍 406 : 제 6 파라미터쌍
411 : 입력 신호 421 : 제 1 변환 파라미터쌍
422 : 제 2 변환 파라미터쌍 423 : 제 3 변환 파라미터쌍
424 : 제 4 변환 파라미터쌍 425 : 제 5 변환 파라미터쌍
426 : 제 6 변환 파라미터쌍 401 : 제 1 윈도우 영역
602 : 제 1 중심픽셀 603 : j픽셀 윈도우 영역
604 : i픽셀 윈도우 영역 605 : Euclidean 윈도우 영역
701 : 제 1 영역 702 : 제 1 윈도우 영역
703 : 제 1 중심 픽셀 704 : 제 2 윈도우 영역
705 : 제 2 중심 픽셀 706 : 제 3 윈도우 영역
707 : 제 3 중심 픽셀 708 : 제 1 GNS map
801 : 제 1 영역 802 : 제 1 GNS map
803 : 제 2 영역 804 : 제 2 GNS map
805 : 특징벡터

Claims (9)

1차원 진동 신호를 두 개의 파라미터를 갖는 시간-주파수 영역 분석 기법을 이용하여 2차원 그레이 영상으로 변환하는 단계;
상기 2차원 그레이 영상을 m개의 픽셀행마다 분할하여 분할 영역을 형성하고, 상기 각각의 분할 영역에서 GNS(Global neighboring structure) map을 생성하는 단계; 및
상기 분할 영역에서 생성된 각각의 상기 GNS(Global neighboring structure) map을 결합하여 질감 특성이 반영된 특징 벡터를 형성하는 단계;를 포함하는 유도 전동기의 고장 특징 추출 방법.
제 1항에 있어서,
상기 시간-주파수 영역 분석 기법은, 웨이블렛 변환(Wavelet transform)이며, 상기 웨이블렛 변환(Wavelet transform)은 딜레이션(dilation) 파라미터 및 트렌스레이션(translation) 파라미터로 이루어진 다수의 파라미터쌍을 포함하는 것을 특징으로 하는 유도 전동기의 고장 특징 추출 방법.
제 2항에 있어서,
상기 다수의 파라미터쌍이 상기 1차원 진동 신호와 내적(inner product)하여 다수의 변환 파라미터쌍으로 변환되는 단계; 및
상기 다수의 변환 파라미터쌍 중 상기 딜레이션(dilation) 파라미터와 대응되는 구성을 X축으로, 상기 트렌스레이션(translation) 파라미터와 대응되는 구성을 Y축으로 매칭함에 따라, 상기 변환된, 다수의 파라미터쌍 수만큼의 픽셀을 형성하는 단계;를 더 포함하는 것을 특징으로 하는 유도 전동기의 고장 특징 추출 방법.
제 3항에 있어서,
상기 픽셀을 형성하는 단계는,
상기 각각의 픽셀에 대응되는 상기 다수의 변환 파라미터 쌍의 상기 딜레이션(dilation) 파라미터 및 상기 트렌스레이션(translation) 파라미터 값을 비교하여 0에서 255의 그레이 레벨로 변경하는 단계;를 포함하는 것을 특징으로 하는 유도 전동기의 고장 특징 추출 방법.
제 2항에 있어서,
상기 딜레이션(dilation) 파라미터는 주파수 변화에 따른 고장 특징을 반영할 수 있도록 하는 것을 특징으로 하는 유도전동기의 고장 특징 추출 방법.
제 2항에 있어서,
상기 트렌스레이션(translation) 파라미터는 시간 변화에 따른 고장 특징을 반영할 수 있도록 하는 것을 특징으로 하는 유도 전동기의 고장 특징 추출 방법.
제 1항에 있어서,
상기 GNS(Global neighboring structure) map을 생성하는 단계는,
상기 분할 영역에서 다수의 local neighborhood structure map을 생성하는 단계; 및
상기 local neighborhood structure map의 각 수치의 평균값을 계산하여 매칭하는 단계;를 포함하는 것을 특징으로 하는 유도 전동기의 고장 특징 추출 방법.
제 7항에 있어서,
상기 local neighborhood structure map을 생성하는 단계는,
MXM 픽셀의 중심점을 기준으로 EUCLIDEAN DISTANCE를 계산하는 단계; 및
상기 MXM 픽셀 내의 각 픽셀들을 상기 계산된 값으로 변경하는 단계;를 포함하는 것을 특징으로 하는 유도 전동기의 고장 특징 추출 방법.
제 1항에 있어서,
상기 특징 벡터를 형성하는 단계에 있어,
상기 특징 벡터는 상기 분할 영역에서 생성된 각각의 상기 GNS(Global neighboring structure) map들의 층으로 구성되어 있으며, 상기 특징 벡터를 분석함에 따라 고장 여부를 판단하는 것을 특징으로 하는 유도 전동기의 고장 특징 추출 방법.
KR1020130030457A 2013-03-21 2013-03-21 유도 전동기 고장 특징 추출 방법 KR101420567B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020130030457A KR101420567B1 (ko) 2013-03-21 2013-03-21 유도 전동기 고장 특징 추출 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130030457A KR101420567B1 (ko) 2013-03-21 2013-03-21 유도 전동기 고장 특징 추출 방법

Publications (1)

Publication Number Publication Date
KR101420567B1 true KR101420567B1 (ko) 2014-07-17

Family

ID=51742406

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130030457A KR101420567B1 (ko) 2013-03-21 2013-03-21 유도 전동기 고장 특징 추출 방법

Country Status (1)

Country Link
KR (1) KR101420567B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015169266A3 (zh) * 2014-05-07 2015-12-23 陈昊 一种开关磁阻电机功率变换器主开关短路故障诊断方法
CN106226074A (zh) * 2016-09-22 2016-12-14 华中科技大学 基于卷积神经网络和小波灰度图的旋转机械故障诊断方法
KR101818394B1 (ko) * 2017-05-11 2018-01-12 울산대학교 산학협력단 설비 상태 진단 방법 및 장치
CN109375065A (zh) * 2018-12-12 2019-02-22 长沙理工大学 基于三维灰色绝对关联度的行波识别方法和定位装置
CN116300837A (zh) * 2023-05-25 2023-06-23 山东科技大学 一种水面无人艇执行器故障诊断方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090078075A (ko) * 2008-01-14 2009-07-17 충북대학교 산학협력단 Ｄｆｔ와 웨이블렛을 이용한 유도전동기 고장진단방법
KR20090120842A (ko) * 2008-05-21 2009-11-25 울산대학교 산학협력단 기계 작동음 및 진동 신호의 영상 신호 변환을 통한 고장진단 장치 및 방법
KR20100112734A (ko) * 2009-04-10 2010-10-20 한국전기연구원 유도전동기의 온-사이트 복합 고장 진단 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090078075A (ko) * 2008-01-14 2009-07-17 충북대학교 산학협력단 Ｄｆｔ와 웨이블렛을 이용한 유도전동기 고장진단방법
KR20090120842A (ko) * 2008-05-21 2009-11-25 울산대학교 산학협력단 기계 작동음 및 진동 신호의 영상 신호 변환을 통한 고장진단 장치 및 방법
KR20100112734A (ko) * 2009-04-10 2010-10-20 한국전기연구원 유도전동기의 온-사이트 복합 고장 진단 방법

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015169266A3 (zh) * 2014-05-07 2015-12-23 陈昊 一种开关磁阻电机功率变换器主开关短路故障诊断方法
CN106226074A (zh) * 2016-09-22 2016-12-14 华中科技大学 基于卷积神经网络和小波灰度图的旋转机械故障诊断方法
KR101818394B1 (ko) * 2017-05-11 2018-01-12 울산대학교 산학협력단 설비 상태 진단 방법 및 장치
CN109375065A (zh) * 2018-12-12 2019-02-22 长沙理工大学 基于三维灰色绝对关联度的行波识别方法和定位装置
CN116300837A (zh) * 2023-05-25 2023-06-23 山东科技大学 一种水面无人艇执行器故障诊断方法及系统
CN116300837B (zh) * 2023-05-25 2023-08-18 山东科技大学 一种水面无人艇执行器故障诊断方法及系统

Similar Documents

Publication Publication Date Title
KR101420567B1 (ko) 유도 전동기 고장 특징 추출 방법
Salem et al. Support vector machine based decision for mechanical fault condition monitoring in induction motor using an advanced Hilbert-Park transform
US8818077B2 (en) Stereo image matching apparatus and method
JP6061693B2 (ja) 異常診断装置およびこれを用いた異常診断方法
Yang et al. A fault diagnosis approach for roller bearing based on VPMCD under variable speed condition
US20170140518A1 (en) System and method for comparison-based image quality assessment
Klein et al. Bearing diagnostics using image processing methods
Wang et al. A computer-vision-based rotating speed estimation method for motor bearing fault diagnosis
CN103499445A (zh) 一种基于时频切片分析的滚动轴承故障诊断方法
KR20090078075A (ko) Ｄｆｔ와 웨이블렛을 이용한 유도전동기 고장진단방법
EP3012803A1 (en) Image processing method, image processing device, and image processing program
KR20120089541A (ko) 웨이퍼 정합 방법 및 시스템
CN111307438A (zh) 一种基于信息熵的旋转机械振动故障诊断方法及其系统
Yao et al. A fault feature extraction method for rolling bearing based on pulse adaptive time-frequency transform
KR101526100B1 (ko) 3차원 칼라 모델을 이용한 유도전동기 결함 특징 추출 장치 및 방법
JP5643372B2 (ja) 回転機の良否診断システム
TW201633025A (zh) 工具機主軸故障形式的診斷方法及其系統
CN102346171B (zh) 瑕疵检测系统及方法
Deveci et al. A comparison of deep transfer learning methods on bearing fault detection
CN105911153A (zh) 一种基于移动窗函数的信号分离与去噪方法及装置
Wang et al. A new computer vision based multi-indentation inspection system for ceramics
CN113219333B (zh) 一种电机故障诊断时的频谱参数处理方法
KR101490636B1 (ko) 유도전동기의 결함 분류 방법 및 장치
CN110533644B (zh) 一种基于图像识别的绝缘子检测方法
Li et al. An approach for fault diagnosis of bearings using wavelet-based fractal analysis

Legal Events

Date Code Title Description
A201 Request for 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: 20170811

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20180620

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20190524

Year of fee payment: 6