KR101549543B1 - 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 시스템 및 방법 - Google Patents

칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 시스템 및 방법 Download PDF

Info

Publication number
KR101549543B1
KR101549543B1 KR1020140051629A KR20140051629A KR101549543B1 KR 101549543 B1 KR101549543 B1 KR 101549543B1 KR 1020140051629 A KR1020140051629 A KR 1020140051629A KR 20140051629 A KR20140051629 A KR 20140051629A KR 101549543 B1 KR101549543 B1 KR 101549543B1
Authority
KR
South Korea
Prior art keywords
value
power supply
distance
relative
supply state
Prior art date
Application number
KR1020140051629A
Other languages
English (en)
Inventor
김성수
Original Assignee
충북대학교 산학협력단
(주)제이비엘
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 충북대학교 산학협력단, (주)제이비엘 filed Critical 충북대학교 산학협력단
Priority to KR1020140051629A priority Critical patent/KR101549543B1/ko
Application granted granted Critical
Publication of KR101549543B1 publication Critical patent/KR101549543B1/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
    • G01R31/40—Testing power supplies
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass

Abstract

본 발명은 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 시스템 및 방법에 관한 것으로서, 전달된 전원 측정값에서 잡음을 제거함과 아울러 추정값을 산출하는 칼만 필터부와, 전원 측정값과 추정값과의 차인 거리값을 구하고, 거리값으로부터 지수함수인 상대적 거리와 평균값 및 표준편차를 산출하는 거리기반 연산처리부와, 전원 공급 상태의 고장 범위인 민감도를 설정하는 민감도 설정부와, 상대적 거리가 고장 범위 내에 포함되는지 여부를 판단하여 전원 공급 상태를 진단하는 전원 공급 상태 진단부를 포함하도록 구성함으로써, 수학적인 정보간의 거리를 고장 진단에 적용함으로써 효율적인 도구로서의 상대적 고장 확률의 획득 방법에 보다 더 인간의 인지에 가까운 결과를 창출하여 전원 공급 상태의 진단 신뢰성을 향상시킬 수 있고, 또한 상대적 고장 확률로의 사영에서는 민감도를 조절하여 원하는 시스템에서 고장에 대한 민감도를 조절할 수 있도록 설정함으로써, 전압이 시 가변인 경우 등 다양한 경우의 난제를 해결하는 기반이 될 수 있어 더 많은 영역에 적용될 수 있다.

Description

칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 시스템 및 방법{A POWER STATE DIAGNOSIS METHOD USING KALMAN ESTIMATION PROCESS AND MEASURING THE RELATIVE PROBABILITY BY THE METRIC DEFINED BY FUNCTIONAL MAPPING}
본 발명은 전원 공급 상태 진단 기법에 관한 것으로, 더욱 상세하게는 실시간으로 측정된 전원의 측정값과 칼만 필터를 적용한 추정값과의 거리를 기반으로 전원 공급 상태의 상대적 고장 확률을 진단하는 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 시스템 및 방법에 관한 것이다.
일반적으로 정격 전압제품에서 정격 내외의 적은 오차를 갖은 전원이 공급될 때, 전기제품의 수명이 최대가 되고 안정성도 가장 높다.
하지만, 여러 가지 현실에서의 피할 수 없는 예기치 못한 사고로 인해 과전압 또는 방전 등이 발생하게 된다. 이 과전압 또는 방전 등은 시스템 전반적인 약화뿐만 아니라, 전기전자기기 등의 전기전자제품들의 수명을 단축시킨다. 심지어 고가의 전기기기 고장 및 폭발, 현장에서의 화재로 이어질 수도 있다.
하나의 예로서, 자체 배터리를 가진 제품의 경우 방전으로 인해 기기의 전원 공급이 원활하지 않으면, 배터리의 수명이 급격히 단축되고 충전 역시 어려워진다. 더 위험한 경우의 예로서, 과전압이 공급될 경우에 과열로 인한 화재나 배터리 폭발 등의 큰 사고로 이어질 수 있다. 이러한 관점에서 전원 공급 상태를 진단하는 것은 사고예방 및 극소화의 측면에서 매우 중요하다.
이에 전원 공급 상태의 진단을 위해서는 현장에 센서를 설치하고, 실시간으로 전압, 전류를 측정한 후, 측정 자료를 바탕으로 고장 진단을 수행한다. 이를 통해 빠른 시간 안에 조치를 취할 수 있으므로, 사고 진단 및 예방이 가능한 것이다. 이러한 고장 진단 및 예지 시스템을 구성하려면, 우선적으로 고장 정보를 갖고 있는 데이터의 획득이 선행되어야 하며, 인공지능, 통계적 분석 방법 등의 여러 가지 데이터 분석 기법들을 이용함으로써 고장 여부를 판단할 수 있을 것이다.
이러한 전원 특성에 대한 정보의 획득 및 분석의 기능을 갖춘 고장 진단 및 예지 시스템은 여러 분야에 유용하게 사용될 수 있다. 특히, 전기에 취약한 생산라인 등과 같은 곳에서 사용한다면 큰 사고를 미연에 감지하거나 예방하여 인명 피해 및 재산 피해를 크게 줄일 수 있다. 또한, 고장 진단 및 예지 시스템은 전압, 전류를 측정할 수 있으므로 전기요금 실시간 계산 및 예측도 할 수 있고, 이에 에너지 절약에도 많은 도움이 될 수 있으므로 에너지의 효율성에서도 많은 장점을 가지고 있다.
한편, 전원 공급 상태를 진단하는 것은 학문적로 만이 아니라 현장에서의 생산라인 및 전기 제품에 정격 전압에서 크게 오차를 갖지 않고 적용되는 것이 중요하다. 특히, 예기치 못한 부하의 변동 등으로 인한 전압의 급변 등의 경우를 대비하여 고장 진단을 실시간으로 한다는 것은 매우 중요하다. 하지만 여러 센서를 통하여 측정되는 정보는 환경잡음 및 측정잡음 등으로 인해 얻고자 하는 정보의 획득이 어려워진다.
이와 같이, 기존의 고장 진단 기법은 센서를 통하여 획득된 정보를 학문적으로만 정의된 도구를 통하여 기준치와의 차이를 측정하여 고장 여부를 진단함으로써 고장 진단의 오류가 발생할 가능성이 높다는 단점이 있다.
이에 고장 진단의 오류를 감소시키는 방안이 필요하다 할 것이다.
대한민국 등록특허공보 제10-0797191호(공고일 2008.01.23.) 대한민국 등록특허공보 제10-0797192호(공고일 2008.01.23.)
따라서, 본 발명은 상기한 종래 기술의 문제점을 해결하기 위해 이루어진 것으로서, 본 발명의 목적은 칼만 필터를 이용해 전압을 추정하여 잡음의 영향을 줄일 수 있고, 실시간으로 측정된 측정값과 추정값과의 거리를 사용한 정보를 다시 실수축에 사영하는 변환을 거쳐서, 원하는 정보만을 검출하여 전원 공급 상태를 신뢰성있게 진단할 수 있는 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 시스템 및 방법을 제공하는데 있다.
상기와 같은 목적을 달성하기 위한 본 발명의 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 시스템은, 전달된 전원 측정값에서 잡음을 제거함과 아울러 추정값을 산출하는 칼만 필터부; 상기 전원 측정값과 상기 추정값과의 차인 거리값을 구하고, 상기 거리값으로부터 지수함수인 상대적 거리와 평균값 및 표준편차를 산출하는 거리기반 연산처리부; 전원 공급 상태의 고장 범위인 민감도를 설정하는 민감도 설정부; 및 상기 상대적 거리가 상기 고장 범위 내에 포함되는지 여부를 판단하여 상기 전원 공급 상태를 진단하는 전원 공급 상태 진단부를 포함하는 것을 특징으로 한다.
상기 전원 측정값은 오차가 포함된 값이고, 상기 칼만 필터부는 오차가 포함된 상기 전원 측정값을 이용하여 추정값을 갱신하고, 최적추정을 수행한다.
한편, 본 발명의 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 방법은, 전원 측정값과 칼만 필터를 통한 추정값과의 차인 거리값을 이용하여 전원 공급 상태를 고장 진단을 수행하는 것을 특징으로 한다.
한편, 본 발명의 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 방법은, (a) 전원 측정값을 입력받는 단계; (b) 칼만 필터를 통해 잡음을 제거함과 아울러 추정값을 산출하는 단계; (c) 상기 전원 측정값과 상기 추정값과의 차인 거리값을 구하고, 상기 거리값으로부터 지수함수인 상대적 거리와 평균값 및 표준편차를 산출하는 단계; (d) 전원 공급 상태의 고장 범위인 민감도를 산출하는 단계; 및 (e) 상기 상대적 거리가 상기 고장 범위 내에 포함되는지 여부를 판단하여 상기 전원 공급 상태를 진단하는 단계를 포함하는 것을 특징으로 한다.
상기 민감도는 사용자 조작의 세팅값에 대응하여 산출되는 것이 바람직하다.
상기 단계 (b)는, (b1) 초기 추정값 및 초기 오차 공분산을 설정하는 단계; (b2) 시스템잡음을 고려한 추정값과 오차 공분산을 예측값을 계산하는 단계; (b3) 측정잡음을 고려한 칼만 이득을 계산하는 단계; 및 (b4) 상기 상대적 거리로부터 추정값과 오차 공분산을 계산하는 단계를 포함한다.
상기 단계 (b3)에서 상기 측정잡음이 커지면 상기 칼만 이득이 작아지고, 칼만 이득이 작아지면 상기 단계 (b4)에서 추정값 계산에서 측정값의 반영비율이 작아지고, 상기 단계 (b2)에서 상기 예측값의 반영비율은 높아진다.
상술한 바와 같이, 본 발명에 의한 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 시스템 및 방법에 따르면, 수학적인 정보간의 거리를 고장 진단에 적용함으로써 효율적인 도구로서의 상대적 고장 확률의 획득 방법에 보다 더 인간의 인지에 가까운 결과를 창출하여 전원 공급 상태의 진단 신뢰성을 향상시킬 수 있다.
또한, 상대적 고장 확률로의 사영에서는 민감도를 조절하여 원하는 시스템에서 고장에 대한 민감도를 조절할 수 있도록 설정함으로써, 전압이 시 가변인 경우 등 다양한 경우의 난제를 해결하는 기반이 될 수 있어 더 많은 영역에 적용될 수 있다.
도 1은 본 발명의 일실시예에 의한 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 시스템의 구성도이다.
도 2는 본 발명의 일실시예에 의한 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 방법의 흐름도이다.
도 3은 전압의 측정값 및 칼만 필터 추정값을 나타낸 그래프이다.
도 4는 상대적 거리(
Figure 112014041062934-pat00001
)를 나타낸 그래프이다.
도 5는
Figure 112014041062934-pat00002
값에 따른 고장 범위를 나타낸 그래프이다.
도 6은 고장 발생의 검출 및 고장으로 판단되는 상대적인 확률을 나타낸 그래프이다.
본 발명에서는 전원의 전압을 측정하는 경우에 대해 설명하기로 한다. 물론, 전류를 측정하여 본 발명에 적용할 수 있음은 당연할 것이다.
정격 전압이 가정의 전원 계통에서 공급되고, 과전압, 방전, 정전 등 예기치 못한 사고로 인해 전압이 변동되면, 전기 제품 및 시스템의 고장의 원인이 될 수 있다. 이러한 관점에서, 상시 전압의 상태의 추정 및 감시는 고장진단의 검출에 중요한 요소이다. 전압에 관련된 정보는 가전제품에 전압센서를 부착하여 측정값을 기반으로 고장 상태 진단이 가능하다.
이에 본 발명의 전원 공급 상태 진단에 있어, 실시간으로 측정된 전압 측정값과, 이 전압 측정값에 칼만 필터를 적용한 추정값과의 거리를 기반으로 상대적 고장 확률을 측정한다. 측정된 유클리디안 거리는 지수함수를 통하여 증폭하는 과정을 거쳐서 상대적 고장 확률에 대한 정보를 획득한다. 고장에 대한 민감도는 칼만 필터 추정값과 센서를 통하여 측정된 전압 측정값의 표준편차를 이용한 민감도(Threshold)를 적용하여 상대적 고장 확률에 대한 정보를 시스템에 제공한다.
이와 같이, 본 발명은 전압 측정값에 관련된 잡음에 강인하며, 민감도(Threshold)의 적응적인 설정에 따라 고장에 대한 민감도가 조절 가능한 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 시스템 및 방법을 제공한다.
이하, 본 발명의 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 시스템 및 방법에 대하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 일실시예에 의한 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 시스템의 구성도이다.
도 1을 참조하면, 본 발명의 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 시스템은, 센서 등으로부터 전달된 전원 측정값에서 잡음을 제거함과 아울러 추정값을 산출하는 칼만 필터부(1)와, 전원 측정값과 추정값과의 차인 거리값을 구하고, 이 거리값으로부터 지수함수인 상대적 거리와 평균값 및 표준편차를 산출하는 거리기반 연산처리부(2)와, 전원 공급 상태의 고장 범위인 민감도를 설정하는 민감도 설정부(3)와, 상대적 거리가 고장 범위 내에 포함되는지 여부를 판단하여 전원 공급 상태를 진단하는 전원 공급 상태 진단부(4)를 포함한다.
여기서, 잡음에 강인성을 제공하기 위하여 적용된 칼만 필터부(1)의 구성에 대하여 설명한다.
칼만 필터부(1)는 예측시점마다 최적의 값을 추구하는 예지와 추정의 두 가지 성질을 모두 가지고 있고, 시간영역에서 시스템 모형을 형성하므로 수학적으로 다루기 쉬운 많은 장점이 있다. 재귀적으로 동작하는 칼만 필터는 바로 이전 자료를 바탕으로 현재 상태를 추정한다. 예를 들면, 칼만 필터는 시간 t에서 상태를 예측하기 위해 시간 t-1까지의 자료를 토대로 시간 t에서의 자료를 예측한다. 이에 칼만 필터는 측정되지 않은 상태변수를 추정해 내고 추정된 잡음의 영향을 최소화하는 것이다. 또한, 오차가 포함된 측정값 정보를 이용하여 추정값을 갱신하고 최적추정을 수행한다. 칼만 필터에서 추정과정에서는 추정값 행렬과 측정값 행렬간의 선형 결합에 의해 최적 추정 행렬을 구한다.
차분 방정식으로 표기되는 시스템 운동방정식은 다음과 같은 상태 모델을 이용한다.
Figure 112014041062934-pat00003
Figure 112014041062934-pat00004

여기서 각 변수의 의미는 다음과 같다.
Figure 112014041062934-pat00005
: 상태변수, (n x 1) 열벡터
Figure 112014041062934-pat00006
: 측정값, (m x 1) 열벡터
A : 상태전이행렬, (n x n) 행렬
H : 상태전이행렬, (m x n) 행렬
Figure 112014041062934-pat00007
: 시스템잡음, (n x 1) 열벡터
Figure 112014041062934-pat00008
: 측정잡음, (m x 1) 열벡터
위의 상태변수는 전압에 관련된 변수이고, 잡음은 백색잡음으로 간주한다.
Figure 112014041062934-pat00009
는 시스템에 유입되어 상태변수에 영향을 주는 잡음이며,
Figure 112014041062934-pat00010
는 센서에서 측정되는 잡음이다. A, H는 모든 성분이 상수인 행렬로써, A는 시간에 따른 시스템의 변화를 나타내고, H는 측정값과 상태변수의 관계를 나타낸다.
시스템에서 잡음은 예측할 수 없고 순수 통계적인 추정만 가능하다. 칼만 필터에서 잡음은 상태 모델의 잡음을 공분산 행렬로 표현한다.
R =
Figure 112014041062934-pat00011
의 공분산 행렬, (m x m) 대각행렬
Figure 112014041062934-pat00012
Q =
Figure 112014041062934-pat00013
의 공분산 행렬, (n x n) 대각행렬
Figure 112014041062934-pat00014

여기서, Q와 R의 잡음의 특성을 정확히 해석하여 정하는 것이 원칙이지만, 여러 오차가 복합적으로 작용하여 해석적으로 결정하는데 한계가 있다. 해당 시스템에 대한 경험을 바탕으로 시행착오 과정을 거쳐 보정을 통해 적절한 값을 찾아낸다. 체적치를 획득하기 위해서는 칼만 이득치
Figure 112014041062934-pat00015
는 다음과 같이 정의된다.
Figure 112014041062934-pat00016

이 특성을 살펴보면, 칼만 이득 계산식(
Figure 112014041062934-pat00017
)에서 R이 커지면 칼만 이득은 작아진다. 칼만 이득이 작아지면 추정값 계산에서 측정값의 반영비율이 작아지고 예측값의 반영비율은 높아진다. 외부 측정값의 영향을 덜 받게 되어 추정값의 변화가 줄어든다.
Figure 112014041062934-pat00018

오차 공분산 계산식(
Figure 112014041062934-pat00019
)에서 Q가 커지면 오차 공분산 예측값도 커진다. 오차 공분산 예측값은 칼만 이득 계산식에서 분모보다 분자에 더 높은 비율로 영향을 미친다. 그래서 오차 공분산 예측값이 커지면 칼만 이득값도 커진다. 그러므로 Q는 R과 정반대의 개념으로 적용된다.
그러면, 여기서 상기와 같이 구성된 시스템을 이용한 본 발명의 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 방법에 대해 설명하기로 한다.
도 2는 본 발명의 일실시예에 의한 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 방법의 흐름도이다.
먼저, 본 발명에서 사용한 칼만 필터의 알고리즘을 순차적으로 정리하면 다음과 같다.
Ⅰ. 초기값 설정
Figure 112014041062934-pat00020

Ⅱ. 추정값과 오차 공분산 예측
Figure 112014041062934-pat00021
--- (식1)
Figure 112014041062934-pat00022
--- (식2)
Ⅲ. 칼만 이득 계산
Figure 112014041062934-pat00023
--- (식3)
Ⅳ. 추정값 계산
Figure 112014041062934-pat00024
--- (식4)
Ⅴ. 오차 공분산 계산
Figure 112014041062934-pat00025
--- (식5)
상기한 시스템 방정식(식2)을 참조하면, 현재 추정값(
Figure 112014041062934-pat00026
)에는 직전의 추정값(
Figure 112014041062934-pat00027
)과 현재의 잡음
Figure 112014041062934-pat00028
이 포함된다. 여기서, '^'는 추정값을 의미하고 알고리즘(Ⅱ ~ Ⅴ) 과정이 계속 반복된다. 칼만 필터 계산과정에서 가장 중요한 것은 시스템 모델 값(A, H, P)이다. 이는 응용 분야 및 관련된 목적에 따라 여러 가지 변화를 기본 틀에 적용하여 실무에 적용된다.
이어서, 본 발명에서 제안하는 상대적 고장 확률의 측정 방법에 대해 설명한다.
도 2를 참조하면, 본 발명에서는 시뮬레이션의 간편성을 위하여, 선형시스템 모델 값(A=1, H=1, R=4)을 사용하기로 한다. 잡음은 가우시안 잡음이므로
Figure 112014041062934-pat00029
가 되며, 초기 오차를 줄이기 위해 처음 초기 추정값(
Figure 112014041062934-pat00030
)을 초기 측정값(
Figure 112014041062934-pat00031
)으로 설정하여 빨리 평균에 도달하도록 한다.
실시간으로 센서 등을 통해 감지된 전압 측정값(
Figure 112014041062934-pat00032
)이 입력되면(S1), 칼만 필터부(1)를 통해 추정값(
Figure 112014041062934-pat00033
)을 산출한다(S2).
이에 거리기반 연산처리부(2)에서는 전압 측정값(
Figure 112014041062934-pat00034
)과 추정값(
Figure 112014041062934-pat00035
)과의 차의 절대값인 거리값(
Figure 112014041062934-pat00036
)을 구하고(S3), 지수함수를 통하여 증폭하는 과정(S4)을 통해 상대적 거리(
Figure 112014041062934-pat00037
)를 구하며, 상대적 거리(
Figure 112014041062934-pat00038
)로부터 평균값(
Figure 112014041062934-pat00039
) 및 표준편차(
Figure 112014041062934-pat00040
)를 산출한다(S5).
한편, 민감도 설정부(3)를 통해 설정된 민감도(
Figure 112014041062934-pat00041
)와, 거리기반 연산처리부(2)에서 산출된 평균값(
Figure 112014041062934-pat00042
) 및 표준편차(
Figure 112014041062934-pat00043
)와의 연산을 통해 고장 범위인 민감도(
Figure 112014041062934-pat00044
)가 설정된다(S6).
이에, 전원 공급 상태 진단부(4)에서는 설정된 민감도(
Figure 112014041062934-pat00045
)에 대응하여 상대적 거리(
Figure 112014041062934-pat00046
)에 포함될 경우 비정상 전압 상태로 판단하여 이를 출력하다(S7).
즉, 아래식에 기재된 바와 같이, 측정값(
Figure 112014041062934-pat00047
), 추정값(
Figure 112014041062934-pat00048
), 거리값(
Figure 112014041062934-pat00049
)(식6)을 이용해 상대적 거리(
Figure 112014041062934-pat00050
)를 지수함수(식7)로 나타낸 뒤
Figure 112014041062934-pat00051
의 평균값(
Figure 112014041062934-pat00052
)과 표준편차(
Figure 112014041062934-pat00053
)를 이용해 고장 범위를 설정하고(식8), 측정값의 고장 여부를 판단한다(식9).
Figure 112014041062934-pat00054
--- (식6)
Figure 112014041062934-pat00055
--- (식7)
Figure 112014041062934-pat00056
--- (식8)
Figure 112014041062934-pat00057
--- (식9)
Figure 112014041062934-pat00058
 상대적 고장 확률
1 0.8413
2 0.9772
3 0.99865
4 0.9999683
[표 1]은 표준정규분포표이다.
실시예
본 실시예에서 전압 센서를 이용하여 약 2시간 넘게 측정하고, 시간 3000초(50분) 부근에서 부하의 변동으로 인한 전압을 과전압 이상 현상을 측정하기로 한다. 이상 현상으로 인한 고장 진단은 측정값과 칼만 필터을 이용한 추정값의 거리를 이용하여 고장의 정도를 상대적으로 측정한다.
도 3에 도시된 바와 같이, 전압 측정값(
Figure 112014041062934-pat00059
)에 잡음이 포함되어 있어, 거리 측정에의 잡음의 영향을 최소화하기 위하여 칼만 필터를 이용해 추정값(
Figure 112014041062934-pat00060
)을 구한 후 메트릭(거리)으로 정의된 거리값(식6)을 계산한다.
도 3에서 시간 3000초 정도에서 이상이 발생할 경우, 도 4에서도 고장 확률이 높게 나타남을 확인할 수 있다. 이를 통해 시간 3000초 정도에서 전압에 이상이 있음을 알 수 있다.
한편, 사용자에게 이상 진단을 알려주기 위해서는 고장 범위를 설정하여야 한다. 이 때, 표준정규분포를 이용하면 쉽게 찾을 수 있다. 표준정규분포표(표1)를 이용해
Figure 112014041062934-pat00061
값이 2이면 고장 확률이 약 97.7%인 경우를,
Figure 112014041062934-pat00062
값이 3이 되면 고장 확률 99.8%인 경우만 범위를 찾아내므로
Figure 112014041062934-pat00063
값을 이용해 범위 조절도 가능하다(도 5).
이와 같이, 고장 진단의 판별기준을 전체 측정 오차 데이터
Figure 112014041062934-pat00064
를 함수
Figure 112014041062934-pat00065
을 통하여 변형하고, 그 변형된 정보
Figure 112014041062934-pat00066
로부터 문턱값
Figure 112014041062934-pat00067
를 통하여 설정한다. 여기서
Figure 112014041062934-pat00068
는 표준정규분포에서 임의적으로 설정하는 변수이고,
Figure 112014041062934-pat00069
와
Figure 112014041062934-pat00070
는
Figure 112014041062934-pat00071
의 표준편차와 평균치이다. 본 발명에서 측정된 실측데이터를 제안된 방법에 적용하여 오류의 확률을 측정하는 예를
Figure 112014041062934-pat00072
인 경우를 적용하여 전체의 실험데이터가 99.74% 포함되는 표준정규분포를 기준으로 설정한다.
비정상전압고장의 상대적 확률은 고장 확률은
Figure 112014041062934-pat00073
의 상대적인 확률 계산식을 설정하여 계산한다. 이 설정은 상대적인 고장의 확률을 상대적으로
Figure 112014041062934-pat00074
에 사영하는 기법을 설정한 것 이다. 실험의 결과에서 아래 [표 2]는 샘플된 순서에서의 고장확률이
Figure 112014041062934-pat00075
보다 큰 경우들만 보인 경우이고, 고장 확률을
Figure 112014041062934-pat00076
에 한계를 두지 않고 전체적인 샘플의 각각의 고장일 확률은 도 6에 도시된 바와 같다.
Figure 112014041062934-pat00077
전원 공급 상태를 진단하는 것은 학문적 판단뿐 아니라 현장에서의 생산라인 및 전기 제품에 정격 전압에서 크게 오차를 갖지 않고 적용되는 것이 중요하다. 특히, 예기치 못한 부하의 변동 등으로 인한 전압의 급변 등의 경우를 대비하여 고장 진단을 실시간으로 한다는 것은 매우 중요하다. 하지만 여러 센서를 통하여 측정되는 정보는 환경잡음 및 측정잡음 등으로 인해 얻고자 하는 정보의 획득이 어려워진다. 따라서 본 발명에서는, 잡음에 섞이어 잘 나타나지 않는 전압 변동이 있는 부분을 검출하는 새로운 메트릭 설정 방법을 제안하고 있다. 잡음의 영향은 칼만 필터를 이용해 전압을 추정하여 잡음의 영향을 줄일 수 있으며, 거리의 측정은 제안한 전압 측정값과 추정값과의 거리를 사용한 정보를 다시 실수축에 사영하는 변환을 거쳐서, 원하는 정보만을 찾아낼 수 있다. 상대적 고장 확률로의 사영에서는
Figure 112014041062934-pat00078
값을 조절하여 원하는 시스템에서 고장에 대한 민감도를 조절할 수 있도록 설정한다. 본 발명의 결과로서, 전압이 시 가변인 경우 등 다양한 경우의 난제를 해결하는 기반이 될 수 있어 더 많은 영역에 적용될 수 있다.
이상에서 몇 가지 실시예를 들어 본 발명을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것이 아니고 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형실시될 수 있다.
1 : 칼만 필터부
2 : 거리기반 연산처리부
3 : 민감도 설정부
4 : 전원 공급 상태 진단부

Claims (7)

  1. 전달된 전원 측정값에서 잡음을 제거함과 아울러 추정값을 산출하는 칼만 필터부;
    상기 전원 측정값과 상기 추정값과의 차인 거리값을 구하고, 상기 거리값으로부터 지수함수인 상대적 거리와 평균값 및 표준편차를 산출하는 거리기반 연산처리부;
    전원 공급 상태의 고장 범위인 민감도를 설정하는 민감도 설정부; 및
    상기 상대적 거리가 상기 고장 범위 내에 포함되는지 여부를 판단하여 상기 전원 공급 상태를 진단하는 전원 공급 상태 진단부를 포함하는 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 시스템.
  2. 제1항에 있어서,
    상기 전원 측정값은 오차가 포함된 값이고, 상기 칼만 필터부는 오차가 포함된 상기 전원 측정값을 이용하여 추정값을 갱신하고, 최적추정을 수행하는 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 시스템.
  3. 삭제
  4. (a) 전원 측정값을 입력받는 단계;
    (b) 칼만 필터를 통해 잡음을 제거함과 아울러 추정값을 산출하는 단계;
    (c) 상기 전원 측정값과 상기 추정값과의 차인 거리값을 구하고, 상기 거리값으로부터 지수함수인 상대적 거리와 평균값 및 표준편차를 산출하는 단계;
    (d) 전원 공급 상태의 고장 범위인 민감도를 산출하는 단계; 및
    (e) 상기 상대적 거리가 상기 고장 범위 내에 포함되는지 여부를 판단하여 상기 전원 공급 상태를 진단하는 단계를 포함하는 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 방법.
  5. 제4항에 있어서,
    상기 민감도는 사용자 조작의 세팅값에 대응하여 산출되는 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 방법.
  6. 제4항에 있어서,
    상기 단계 (b)는,
    (b1) 초기 추정값 및 초기 오차 공분산을 설정하는 단계;
    (b2) 시스템잡음을 고려한 추정값과 오차 공분산을 예측값을 계산하는 단계;
    (b3) 측정잡음을 고려한 칼만 이득을 계산하는 단계; 및
    (b4) 상기 상대적 거리로부터 추정값과 오차 공분산을 계산하는 단계를 포함하는 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 방법.
  7. 제6항에 있어서,
    상기 단계 (b3)에서 상기 측정잡음이 커지면 상기 칼만 이득이 작아지고, 칼만 이득이 작아지면 상기 단계 (b4)에서 추정값 계산에서 측정값의 반영비율이 작아지고, 상기 단계 (b2)에서 상기 예측값의 반영비율은 높아지는 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 방법.
KR1020140051629A 2014-04-29 2014-04-29 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 시스템 및 방법 KR101549543B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140051629A KR101549543B1 (ko) 2014-04-29 2014-04-29 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140051629A KR101549543B1 (ko) 2014-04-29 2014-04-29 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR101549543B1 true KR101549543B1 (ko) 2015-09-07

Family

ID=54247041

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140051629A KR101549543B1 (ko) 2014-04-29 2014-04-29 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR101549543B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210045624A (ko) * 2019-10-17 2021-04-27 목포대학교산학협력단 전력 민감도 기반 dc 전력 계통의 운용 방법
CN115931055A (zh) * 2023-01-06 2023-04-07 长江信达软件技术（武汉）有限责任公司 一种基于大数据分析的农村供水运行诊断方法及系统
CN117798744A (zh) * 2024-02-29 2024-04-02 茌平县汇通机械制造有限公司 一种数控机床运行状态监测方法
CN117798744B (zh) * 2024-02-29 2024-05-10 茌平县汇通机械制造有限公司 一种数控机床运行状态监测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4812995A (en) 1987-05-19 1989-03-14 Girgis Adly A Adaptive Kalman Filtering in fault classification

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4812995A (en) 1987-05-19 1989-03-14 Girgis Adly A Adaptive Kalman Filtering in fault classification

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210045624A (ko) * 2019-10-17 2021-04-27 목포대학교산학협력단 전력 민감도 기반 dc 전력 계통의 운용 방법
KR102255058B1 (ko) * 2019-10-17 2021-05-24 목포대학교산학협력단 전력 민감도 기반 dc 전력 계통의 운용 방법
CN115931055A (zh) * 2023-01-06 2023-04-07 长江信达软件技术（武汉）有限责任公司 一种基于大数据分析的农村供水运行诊断方法及系统
CN117798744A (zh) * 2024-02-29 2024-04-02 茌平县汇通机械制造有限公司 一种数控机床运行状态监测方法
CN117798744B (zh) * 2024-02-29 2024-05-10 茌平县汇通机械制造有限公司 一种数控机床运行状态监测方法

Similar Documents

Publication Publication Date Title
CN107315138B (zh) 功率mosfet的故障预测和健康处理方法及测试系统
AU2019246817B2 (en) Electrical monitoring and evaluation process
US20180275642A1 (en) Anomaly detection system and anomaly detection method
KR101574615B1 (ko) 통계적 위상패턴 기반의 신호검출 방법을 이용한 전력설비 부분 방전 감시진단 시스템
US10190935B2 (en) Gas leak detection device and gas leak detection method
US20130096853A1 (en) Systems and methods for monitoring electrical contacts
US20160077164A1 (en) Failure sign diagnosis system of electrical power grid and method thereof
RU2526844C2 (ru) Способ и устройство дистанционной защиты от замыканий на землю
US10713580B2 (en) Failure prediction apparatus for electric device and failure prediction method using the same
US10132697B2 (en) Current transformer with enhanced temperature measurement functions
US20190242932A1 (en) Isolation monitoring device and method
CN111465866B (zh) 使用成对样本相关性的传感器故障检测
KR101534777B1 (ko) 다중영역의 온도열화 감지 기능을 구비한 배전반(고압배전반, 저압배전반, 분전반, 모터제어반)
JP6164311B1 (ja) 情報処理装置、情報処理方法、及び、プログラム
CN115689393A (zh) 一种基于物联网的电力系统实时动态监测系统及方法
KR101549543B1 (ko) 칼만 추정 기법과 상대적 확률 측정 기법 기반의 전원 공급 상태 진단 시스템 및 방법
Zhang et al. Evaluating the metering error of electronic transformers on-line based on vn-mwpca
CN116226766A (zh) 一种高压电器运行状态监测系统
CN109785181A (zh) 用于预测电力资产的健康状况的趋势分析函数
US10958060B2 (en) Method and device for detecting an electric arc in a photovoltaic installation
KR100924276B1 (ko) 웨이블렛 변환을 이용한 아크검출장치 및 그 방법
KR20190030020A (ko) 온도와 전류의 분석을 통한 전기설비 이상진단 시스템
KR20150118456A (ko) 감시 장치의 부분방전 진단 방법
JP2017503959A (ja) 油圧アクチュエータを有する逆推力装置を監視するための方法およびコンピュータ・プログラム
EP3819735A9 (en) Prediction of faulty behaviour of a converter based on temperature estimation with machine learning algorithm

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: 20180820

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20190820

Year of fee payment: 5