KR102189269B1 - 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템 - Google Patents

컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템 Download PDF

Info

Publication number
KR102189269B1
KR102189269B1 KR1020190131657A KR20190131657A KR102189269B1 KR 102189269 B1 KR102189269 B1 KR 102189269B1 KR 1020190131657 A KR1020190131657 A KR 1020190131657A KR 20190131657 A KR20190131657 A KR 20190131657A KR 102189269 B1 KR102189269 B1 KR 102189269B1
Authority
KR
South Korea
Prior art keywords
layer
induction motor
equation
defect
neural network
Prior art date
Application number
KR1020190131657A
Other languages
English (en)
Inventor
이인수
이종현
박재형
Original Assignee
경북대학교 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 경북대학교 산학협력단 filed Critical 경북대학교 산학협력단
Priority to KR1020190131657A priority Critical patent/KR102189269B1/ko
Application granted granted Critical
Publication of KR102189269B1 publication Critical patent/KR102189269B1/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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology

Abstract

본 발명에 따르는 컨볼루션 신경망을 이용한 유도 모터의 결함 진단 시스템은, 유도 모터를 포함하는 유도 모터 시스템에 장착되어 상기 유도 모터에 의해 발생되는 진동을 센싱하고 그에 따른 진동 센싱 데이터를 생성하여 출력하는 진동 센서; 상기 진동 센서가 제공하는 진동 센싱 데이터를 변환하여 진동 데이터를 생성하는 DAQ부; 상기 DAQ부가 제공하는 진동 데이터를 통해 상기 유도 모터의 결함을 진단하는 컨볼루션 신경망으로 구현된 결함판별부;를 구비하며, 상기 컨볼루션 신경망은 정상 상태 및 하나 이상의 결함 상태에서 측정된 진동 데이터를 토대로 학습됨을 특징으로 한다.

Description

컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템{Fault Diagnosis method and system for induction motor using convolutional neural network}
본 발명은 유도 모터의 결함 진단 기술에 관한 것으로, 더욱 상세하게는 로컬 연결성을 가진 컨볼루션 신경망(Convolutional Neural Network)을 통해 유도 모터의 결함을 종류별로 학습하여 유도 모터의 결함진단의 정확도를 높일 수 있는 컨볼루션 신경망을 이용한 유도 모터의 결함진단방법 및 시스템에 관한 것이다.
유도 모터는 DC 모터, 정류기, DC 모터 시스템 및 산업용 장비를 구동하는 데 가장 중요한 구성 요소 중 하나이다. 이에 예기치 않은 유도 모터의 결함이 발생하여 시스템이 중단되면 상당한 경제적 손실이 발생하였다. 이에따라 유도 모터의 작동 조건과 결함을 조기에 진단하는 결함 진단 기술이 요구되었다.
상기의 결함 진단은 시스템의 결함을 검지하고 분류하는 것으로, 크게 모델 기반 방법과 비모델 기반 방법으로 나눌 수 있다. 상기 모델 기반 방법은 시스템의 결함을 수학적 모델을 사용하여 진단하는 것이나, 이는 시스템의 비선형성으로 인해 정확한 수학적 모델을 얻는 것은 쉽지 않았다. 그리고 상기 비모델 기반 방법은 임계값, 전문가 시스템 기술 및 신경망뿐만 아니라 대상 시스템의 측정, 경험 또는 물리적 검토에 기반한 결함 진단이 포함된다.
상기 유도 모터의 결함은 주로 진동 신호, 모터 전류, 음향 신호 및 열 화상과 같은 특징적인 모터 신호를 사용하여 진단된다. 상기 진동 신호를 사용하는 방법은, 유도 모터에 의해 생성된 진동 신호를 측정하고, 측정된 진동 신호의 주파수를 분석하여 결함 진단을 이행하는 것이다. 그리고 상기 모터 전류를 사용하는 방법은 상기 유도 모터로부터 자기 전류를 획득하고, 상기 자기 전류에 대한 주파수 분석을 통해 결함 진단을 이행하는 것이다. 그리고 상기 음향 신호를 사용하는 방법은, 상기 유도 모터에 의해 생성된 음향 신호를 측정하고, 측정된 신호의 주파수 분석에 의해 결함 진단을 이행하는 것이다. 그리고 상기 열 화상을 이용하는 방법은 유도 전동기의 열 화상을 취득하고, 상기 열 화상으로부터 추출된 특징을 이용하여 결함 진단을 이행하는 것이다.
또한, 종래의 유도 모터의 결함 진단 기술 중 하나인 Lee, I.S. Fault Diagnosis System Development of Induction Motors Using Discrete Wavelet Transform and Neural Network. J. Korean Inst. Inf. Technol. 2018, 9, 53-61.에는, 불규칙 경계 매개 변수를 가진 불연속 웨이블릿 변환 및 ART 2 NN(적응 공명 이론 2 신경망)에 기반한 유도 모터에 대한 결함 진단 방법이 제안되었다. 이 방법은 ART2 NN을 사용하여 진동 신호의 주파수 분석에 의한 데이터 전처리 부분과 결함 분류를 위한 결함 분류 부분으로 구성된다. 그러나 이러한 방법을 사용하려면 시간 도메인에서 주파수 도메인으로의 데이터 변환이 반드시 요구되었다.
최근 유도 모터의 결함 진단 기술에 NN(Neural Network) 모델을 적용하기 위한 연구가 광범위하게 이루어지고 있다. 이러한 모델의 구조는 일반적인 방식으로 알려지지 않은 비선형 함수를 나타내는데에 적합하였다. 이에따라 NN 모델은 비선형 문제를 해결하기 위한 강력한 도구로 사용될 수 있다. 그러나, 완벽한 연결 레이어가 있는 신경망 모델은 변하지 않는 속성을 학습할 수 없었다. 이에 따라, 주기적인 진동 신호로부터 유효한 특성을 추출하여 학습하기가 어려웠다.
대한민국 특허등록 제10-11697960000호 대한민국 특허공개 제10-2018-0073523호 대한민국 특허등록 제10-14327860000호 대한민국 특허등록 제10-14166260000호
본 발명은 로컬 연결성을 가진 컨볼루션 신경망(Convolutional Neural Network)을 통해 유도 모터의 결함을 종류별로 학습하여 유도 모터의 결함진단의 정확도를 높일 수 있는 컨볼루션 신경망을 이용한 유도 모터의 결함진단방법 및 시스템을 제공하는 것을 그 목적을 한다.
또한, 본 발명의 다른 목적은 GUI를 통해 유도 모터의 결함을 사용자가 직관적으로 판단할 수 있게 하는 컨볼루션 신경망을 이용한 유도 모터의 결함진단방법 및 시스템을 제공하는 것이다.
이를 위해, 본 발명의 일측면에 따른 컨볼루션 신경망을 이용한 유도 모터의 결함 진단 시스템은, 유도 모터를 포함하는 유도 모터 시스템에 장착되어 상기 유도 모터에 의해 발생되는 진동을 센싱하고 그에 따른 진동 센싱 데이터를 생성하여 출력하는 진동 센서; 상기 진동 센서가 제공하는 진동 센싱 데이터를 변환하여 진동 데이터를 생성하는 DAQ부; 상기 DAQ부가 제공하는 진동 데이터를 통해 상기 유도 모터의 결함을 진단하는 컨볼루션 신경망으로 구현된 결함판별부;를 포함하며, 상기 컨볼루션 신경망은 정상 상태 및 하나 이상의 결함 상태에서 측정된 진동 데이터를 토대로 학습됨을 특징으로 한다.
또한, 상기 컨볼루션 신경망으로 구현된 결함판별부는,
입력 레이어, 다수의 컨볼루션 레이어, 다수의 서브 샘플링 레이어, 풀리 커넥티드 레이어 그리고 정상 또는 하나 이상의 결함상태를 지시하는 출력 레이어로 구성되며,
상기 컨볼루션 레이어는 입력 데이터를 컨볼루션한 후에 활성 기능을 전달하여 출력 특징 맵을 생성하고,
상기 서브 샘플링 레이어는 맥스풀링을 이행하여 전체 데이터의 크기를 줄이며,
상기 컨볼루션 레이어와 상기 서브 샘플링 레이어가 반복되어 수행되며,
상기 풀리 커넥티드 레이어는 상기 컨볼루션 레이어와 서브 샘플링 레이어의 수행결과를 제공받아 정상 또는 하나 이상의 결함상태를 지시하는 출력 레이어로 전달함을 특징으로 한다.
또한, 상기 컨볼루션 레이어는 수학식 1과 같이 표현되고,
상기 풀리 커넥티드 레이어는 수학식 2와 같이 표현됨을 특징으로 한다.
<수학식 1>
Figure 112019107999997-pat00001
상기 수학식 1에서
Figure 112020119714818-pat00104
는 l번째 레이어에 의해 생성된 j번째 특징맵이고,
Figure 112020119714818-pat00105
는 l-1번째 레이어에 의해 생성된 i번째 특징맵이고, 입력 특징맵은 특정 입력 데이터 패턴이고,
Figure 112020119714818-pat00106
는 l번째 레이어에서 i번째 입력 특징맵에 연결된 j번째 커널이고, f()는 활성화 함수이고,
Figure 112020119714818-pat00107
는 l번째 레이어에서 j번째 커널에 대응되는 바이어스이고, *는 2차원 컨볼루션 동작을 나타냄.
<수학식 2>
Figure 112019107999997-pat00006
상기 수학식 2에서 n은 출력 뉴런의 수이고,
Figure 112019107999997-pat00007
는 l번째 출력이고, 분자는 입력 데이터
Figure 112019107999997-pat00008
의 지수함수이고 분모는 입력 데이터의 합임.
또한, 상기 컨볼루션 신경망으로 구현된 결함판별부는,
수학식 3 및 수학식 4에 따라 유도 모터의 결함 진단 최적화가 이행됨을 특징으로 한다.
<수학식 3>
Figure 112019107999997-pat00009
<수학식 4>
Figure 112019107999997-pat00010
상기 수학식 3 및 수학식 4에서
Figure 112019107999997-pat00011
는 망각요소이고
Figure 112019107999997-pat00012
는 네트워크 파라메터이고,
Figure 112019107999997-pat00013
는 비용함수이고,
Figure 112019107999997-pat00014
는 네트워크 그라디언트이고 T는 타임스텝으로, 네트워크 파라메터가 k라면 Gt는 타임스텝 t까지 각 변수가 이동하는 그라디언트의 제곱의 합을 저장한 k 차원의 벡터이고,
Figure 112019107999997-pat00015
는 학습율이고
Figure 112019107999997-pat00016
는
Figure 112019107999997-pat00017
에서
Figure 112019107999997-pat00018
의 범위를 가지는 작은 값임.
또한, 각종 정보를 표시하는 디스플레이 장치;
사용자가 제공하는 각종 정보 및 명령을 입력받는 사용자 인터페이스부; 및
상기 디스플레이 장치와 상기 사용자 인터페이스부를 통해 GUI를 제공하고, 상기 GUI를 통해 상기 DAQ부가 제공하는 진동 데이터와 상기 컨볼루션 신경망으로 구현된 결함판별부의 결과정보를 제공받아 상기 디스플레이 장치를 통해 표시하며, 상기 사용자 인터페이스부를 통한 사용자 명령에 따라 상기 컨볼루션 신경망으로 구현된 결함판별부를 제어하는 제어장치;를 더 포함할 수 있다.
본 발명의 다른 측면에 따르면, 컨볼루션 신경망을 이용한 유도 모터의 결함 진단 방법에 있어서, 진동 센서가 유도 모터를 포함하는 유도 모터 시스템에 장착되어 상기 유도 모터에 의해 발생되는 진동을 센싱하고 그에 따른 진동 센싱 데이터를 생성하여 출력하는 단계; 상기 진동 센서가 제공하는 진동 센싱 데이터를 변환하여 진동 데이터를 생성하는 단계; 및 상기 진동 데이터를 제공받아 컨볼루션 신경망을 통해 상기 유도 모터의 결함을 진단하는 단계;를 포함하며, ,
상기 컨볼루션 신경망은 정상 상태 및 하나 이상의 결함 상태에서 측정된 진동 데이터를 토대로 학습됨을 특징으로 한다.
또한, 상기 컨볼루션 신경망을 통해 유모 모터의 결함을 진단하는 단계는,
입력 레이어, 다수의 컨볼루션 레이어, 다수의 서브 샘플링 레이어, 풀리 커넥티드 레이어 그리고 정상 또는 하나 이상의 결함상태를 지시하는 출력 레이어로 구성되는 컨볼루션 신경망에서,
상기 컨볼루션 레이어는 입력 데이터를 컨볼루션한 후에 활성 기능을 전달하여 출력 특징 맵을 생성하고,
상기 서브 샘플링 레이어는 맥스풀링을 이행하여 전체 데이터의 크기를 줄이며,
상기 컨볼루션 레이어와 상기 서브 샘플링 레이어가 반복되어 수행되며,
상기 풀리 커넥티드 레이어는 상기 컨볼루션 레이어와 서브 샘플링 레이어의 수행결과를 제공받아 정상 또는 하나 이상의 결함상태를 지시하는 출력 레이어로 전달함을 특징으로 한다.
또한, 상기 컨볼루션 레이어는 수학식 1과 같이 표현되고,
상기 풀리 커넥티드 레이어는 수학식 2와 같이 표현됨을 특징으로 한다.
<수학식 1>
Figure 112019107999997-pat00019
상기 수학식 1에서
Figure 112020119714818-pat00108
는 l번째 레이어에 의해 생성된 j번째 특징맵이고,
Figure 112020119714818-pat00109
는 l-1번째 레이어에 의해 생성된 i번째 특징맵이고, 입력 특징맵은 특정 입력 데이터 패턴이고,
Figure 112020119714818-pat00110
는 l번째 레이어에서 i번째 입력 특징맵에 연결된 j번째 커널이고, f()는 활성화 함수이고,
Figure 112020119714818-pat00111
는 l번째 레이어에서 j번째 커널에 대응되는 바이어스이고, *는 2차원 컨볼루션 동작을 나타냄.
<수학식 2>
Figure 112019107999997-pat00024
상기 수학식 2에서 n은 출력 뉴런의 수이고,
Figure 112019107999997-pat00025
는 l번째 출력이고, 분자는 입력 데이터
Figure 112019107999997-pat00026
의 지수함수이고 분모는 입력 데이터의 합임.
또한, 상기 컨볼루션 신경망은,
수학식 3 및 수학식 4에 따라 유도 모터의 결함 진단 최적화를 이행을 특징으로 한다.
<수학식 3>
Figure 112019107999997-pat00027
<수학식 4>
Figure 112019107999997-pat00028
상기 수학식 3 및 수학식 4에서
Figure 112019107999997-pat00029
는 망각요소이고
Figure 112019107999997-pat00030
는 네트워크 파라메터이고,
Figure 112019107999997-pat00031
는 비용함수이고,
Figure 112019107999997-pat00032
는 네트워크 그라디언트이고 T는 타임스텝으로, 네트워크 파라메터가 k라면 Gt는 타임스텝 t까지 각 변수가 이동하는 그라디언트의 제곱의 합을 저장한 k 차원의 벡터이고
Figure 112019107999997-pat00033
는 학습율이고
Figure 112019107999997-pat00034
는
Figure 112019107999997-pat00035
에서
Figure 112019107999997-pat00036
의 범위를 가지는 작은 값임.
또한, 상기 진동 데이터와 상기 유도 모터의 결함판별결과를 디스플레이 장치를 통해 표시하는 단계;를 더 포함할 수 있다.
상기한 본 발명은 로컬 연결성을 가진 컨볼루션 신경망(Convolutional Neural Network)을 통해 유도 모터의 결함을 종류별로 학습하여 유도 모터의 결함진단의 정확도를 높일 수 있는 효과가 있다.
또한 본 발명의 다른 목적은 GUI를 통해 유도 모터의 결함을 사용자가 직관적으로 판단할 수 있게 하는 효과가 있다.
도 1은 본 발명의 바람직한 실시예에 따르는 학습 데이터 생성을 위한 유도 모터 시뮬레이팅 시스템을 예시한 도면이다.
도 2는 유도 모터의 결함상태를 예시한 도면이다.
도 3은 본 발명의 바람직한 실시예에 따르는 컨볼루션 신경망을 이용한 유도 모터의 결함진단 시스템의 구성도이다.
도 4는 본 발명의 바람직한 실시예에 따르는 컨볼루션 신경망을 이용한 결함판별부의 구성도이다.
도 5는 본 발명의 바람직한 실시예에 따르는 컨볼루션 신경망을 이용한 결함 판별부의 처리 흐름도이다.
도 6은 본 발명의 바람직한 실시예에 따르는 GUI 화면을 예시한 도면이다.
도 7의 (a)는 정상 유도 모터의 진동데이터를 예시한 것이고, 도 7의 (b)는 로우터 결함인 유도 모터의 진동데이터를 예시한 것이고, 도 7의 (c)는 베어링 결함인 유도 모터의 진동데이터를 예시한 것이다.
도 8의 (a)는 시뮬레이션을 통한 로우터 결함 분석결과를 예시한 도면이고, 도 8의 (b)는 시뮬레이션을 통한 베어링 결함 분석결과를 예시한 도면이다.
도 9의 (a)는 로우터 결함 분석을 위한 실험환경을 예시한 도면이고, 도 9의 (b)는 그에 따르는 결함 분석 결과를 예시한 것이다.
도 10의 (a)는 베어링 결함 분석을 위한 실험환경을 예시한 도면이고, 도 9의 (b)는 그에 따르는 결함 분석결과를 예시한 것이다.
본 발명은 로컬 연결성을 가진 컨볼루션 신경망(Convolutional Neural Network; 이하 CNN으로 약칭)을 통해 유도 모터의 결함을 종류별로 학습하여 유도 모터의 결함 진단의 정확도를 높일 수 있다.
또한 본 발명은 GUI를 통해 유도 모터의 결함을 사용자가 직관적으로 판단할 수 있게 한다.
<학습 데이터 생성과정>
도 1은 본 발명의 바람직한 실시예에 따르는 학습 데이터 생성을 위한 실험 환경을 예시한 것이다.
상기 도 1을 참조하면, 상기 유도 모터 시뮬레이팅 시스템은 DAQ(400)와, 정상 유도 모터(100)와, 로우터 결함인 유도 모터(200), 베어링 결함인 유도 모터(300)에 각각 설치된 진동센서들(402,404,406)로 구성된다.
상기 진동센서들(402,404,406) 각각은 정상 유도 모터(100)와 로우터 결함인 유도 모터(200), 베어링 결함인 유도 모터(300)에 설치되어 정상 유도 모터(100)와 로우터 결함인 유도 모터(200), 베어링 결함인 유도 모터(300) 각각의 특성을 나타내는 진동을 센싱하고, 그에 따르는 진동센싱 데이터를 생성하여 상기 DAQ(200)에 제공한다.
상기 DAQ(400)는 상기 진동센서들(402,404,406)로부터 진동센싱 데이터를 제공받아 가공하여 학습을 위한 진동 데이터를 생성한다. 상기한 DAQ(400)는 NI-9234 (National Instruments , TX, USA)가 채용되며, 상기의 정상 유도 모터(100)와 로우터 결함인 유도 모터(200), 베어링 결함인 유도 모터(300)로부터 진동 데이터를 수집한다.
상기한 정상 유도 모터(100)와 로우터 결함인 유도 모터(200), 베어링 결함인 유도 모터(300)는 3*3상 유도 모터로서 이들 유도 모터의 사양은 표 1에 도시한 바와 같다.
Figure 112019107999997-pat00037
상기한 표 1에는 본 발명을 위해 사용된 유도 모터의 사양을 나타낸 것으로, 모델 번호는 HL105AL202T1이고, 정격 전력은 2.2Kw(3HP)이고, 정격 전류는 8.6/5.0A이고, 정격 속도는 1730 분당회전수이고, 주파수는 60Hz이고 전압은 3상 380V이다.
상기 로우터 결함인 유도 모터(200)를 예시한 것이 도 2의 (a)이고, 상기 베어링 결함인 유도 모터(300)를 예시한 것이 도 2의 (b)이다. 상기 도 2의 (a)를 참조하면, 상기 로우터 결함은 로우터가 손상된 것으로 천공 등의 이유로 유발된다. 그리고 상기 도 2의 (b)를 참조하면, 상기 베어링 결함은 슬러지 또는 마모로 발생된 분진 등을 이유로 유발된다.
상기한 바와 같은 결함을 가진 유도 모터들과 정상 모터들은 각기 다른 양상의 진동을 생성하며, 상기 유도 모터 시뮬레이팅 시스템은 상기 진동을 센싱하여 진동 데이터를 생성하며, 상기 진동 데이터는 CNN의 학습 데이터로 제공된다.
이제 상기한 과정을 거쳐 획득된 학습 데이터를 이용하여 유도 모터의 결함을 진단하는 CNN을 이용한 유도 모터의 결함진단 시스템의 구성 및 동작을 도면을 참조하여 상세히 설명한다.
<CNN을 이용한 유도 모터의 결함진단 시스템의 구성>
도 3은 본 발명의 바람직한 실시예에 따르는 CNN을 이용한 유도 모터의 결함진단 시스템의 구성도이다. 상기 도 3을 참조하면, 상기 CNN을 이용한 유도 모터의 결함진단 시스템은 진동 센서(502)와, DAQ부(504)와, CNN으로 구현된 결함 판별부(506)와, 제어장치(508)와, 사용자 인터페이스부(512)와, 디스플레이 장치(510)와, 메모리부(514)로 구성된다.
상기 유도 모터 시스템(500)은 진단 대상이 되는 유도 모터를 구비한 시스템으로, 진단 대상이 되는 유도 모터에 대한 학습 데이터는 도 1 등과 같이 구성되는 학습 데이터 생성을 위한 시뮬레이션 시스템을 통해 획득된 후에 결함 판별부(506)의 CNN 학습에 적용된다. 이러한 CNN 학습은 유도 모터의 결함진단의 실시전에 이루어진다.
상기 진동 센서(502)는 상기한 유도 모터 시스템(500)에 유도 모터에 장착되어 상기 유도 모터의 진동을 센싱하고 그에 따른 센싱 데이터를 상기 DAQ부(504)로 전송한다. 상기 DAQ부(504)는 상기 진동 센서(502)가 제공하는 센싱 데이터를 제공받아 디지털화하여 진동 데이터를 생성하여 저장하고, 상기 진동 데이터를 상기 CNN으로 구현된 결함 판별부(506) 및 제어장치(508)에 제공한다.
상기 CNN으로 구현된 결함 판별부(506)는 상기 진동 데이터를 제공받아 학습 데이터에 따라 학습된 CNN이 상기 유도 모터 시스템(500)에 구비된 유도 모터에 대한 상태를 정상상태, 로우터 결함 상태, 베어링 결함 상태로 판별하고 그에 따른 판별결과를 상기 제어장치(508)에 제공한다.
상기 제어장치(508)는 사용자 인터페이스부(512)를 통한 사용자의 요청에 따라 상기 DAQ부(504)가 제공하는 진동 데이터와 상기 CNN으로 구현된 결함 판별부(506)가 제공하는 유도모터 상태 판별결과를 안내하는 GUI 화면을 상기 디스플레이 장치(510)를 통해 출력한다.
상기 사용자 인터페이스부(512)는 사용자가 제공하는 각종 명령 및 정보를 입력받아 상기 제어장치(508)로 제공한다.
상기 디스플레이 장치(510)는 상기 제어장치(508)의 제어에 따라 생성된 디스플레이 데이터를 표시하여 출력하며, 특히 본 발명의 바람직한 실시예에 따라 유도모터에 대한 결함진단을 위한 GUI 화면을 표시하여 사용자에게 제공한다.
상기 메모리부(514)는 상기 제어장치(508)의 제어 프로그램을 포함하는 다양한 정보를 저장한다.
<CNN을 이용한 결함 판별부의 상세 구성>
상기한 바와 같이 구성되는 CNN을 이용한 유도 모터의 결함진단 시스템의 CNN으로 구현된 결함 판별부(506)의 구성을 좀 더 상세히 설명한다. 도 4는 본 발명의 바람직한 실시예에 따르는 CNN을 이용한 결함판별부의 구성을 도시한 것이다. 상기 도 4를 참조하면, 상기 CNN으로 구현된 결함 판별부(506)는 하나의 입력 레이어, 2개의 컨볼루션 레이어, 2개의 서브 샘플링 레이어, 1개의 풀리 커넥티드 레이어, 그리고 3 개의 출력 레이어로 구성된다.
상기의 컨볼루션 레이어는 입력 데이터에서 특징(feature)를 추출하기 위한 필터로 구성되며, 상기 필터는 데이터의 특징을 감지하고 감지된 특징을 특징 맵에 매칭한다. 상기 특징 맵에는 활성화 기능이 적용되며, 본 발명에서는 Relu 기능이 활성화 기능으로 사용된다.
상기한 컨벌루션 레이어가 l번째 레이어인 경우에 상기 특징 맵은 수학식 1과 같이 표현된다.
Figure 112019107999997-pat00038
상기 수학식 1에서
Figure 112020119714818-pat00039
는 l번째 레이어에 의해 생성된 j번째 특징맵이고,
Figure 112020119714818-pat00112
는 l-1번째 레이어에 의해 생성된 i번째 특징맵이다. 그리고 입력 특징맵은 특정 입력 데이터 패턴이고,
Figure 112020119714818-pat00113
는 l번째 레이어에서 i번째 입력 특징맵에 연결된 j번째 커널이고, f()는 활성화 함수이고,
Figure 112020119714818-pat00042
는 l번째 레이어에서 j번째 커널에 대응되는 바이어스이고, *는 2차원 컨볼루션 동작을 나타낸다.
그리고, 서브 샘플링 레이어는 추출된 특징 맵의 차원(dimension)을 축소하는 풀링(pooling) 프로세스를 수행하며, 상기 풀링(pooling)에는 다양한 기술이 있다. 본 발명에서는 상기 특징 맵에서 최대 값을 추출하는 맥스 풀링(max pooling) 기술을 사용한다. 상기 맥스 풀링 기술을 사용하면 전체 데이터의 크기가 줄어들어 계산량이 줄어들고 필요한 데이터만 추출된다.
이와 같이 CNN에서 컨벌루션 레이어와 맥스 풀링 레이어가 반복되면 주요 특징만 추출된다.
상기의 주요 특징은 풀리 커넥티드 레이어(완전 연결된 계층)로 전송된다.
특히, 이 컨볼루션 레이어와 맥스 풀링 레이어가 2차원 데이터를 가짐으로, 상기 2차원 데이터는 풀리 커넥티드 레이어로 전달될 때에는 1차원 데이터로 변환되어 전달되고, 풀리 커넥티드 레이어는 상기 1차원 데이터를 출력 레이어로 순차적으로 전달한다.
상기 출력 레이어에는 소프트맥스 기능이 사용된다. 상기 소프트맥스 기능은 클래스 분류 문제를 해결할 때에 사용된다. 즉, 상태 분류 문제를 해결할 때 이전 레이어로부터 제공된 출력을 각 상태의 확률로 변환하는 비용함수로 사용된다.
상기 소프트맥스 펑션은 수학식 2와 같다.
Figure 112019107999997-pat00043
상기 수학식 2에서 n은 출력 뉴런의 수이고,
Figure 112019107999997-pat00044
는 l번째 출력이고, 분자는 입력 데이터
Figure 112019107999997-pat00045
의 지수함수이다. 그리고 분모는 입력 데이터의 합이다. 상기 수학식 2는 각 출력에서 지수를 취하고, 합이 1이 되도록 정규화 상수로 나누는 것이다.
그리고 본 발명의 CNN 모델은 최적화 기능으로 RMSprop를 사용한다. 상기 RMSprop 알고리즘은 과거의 모든 그라디언트를 균일하게 추가하지 않고 새로운 그라디언트의 정보만을 반영하므로 학습율이 0으로 감소하지 않게 한다. 이러한 알고리즘은 수학식 3 및 수학식 4와 같다.
Figure 112019107999997-pat00046
Figure 112019107999997-pat00047
상기 수학식 3에서 에서
Figure 112019107999997-pat00048
는 망각요소로서, 일반적으로 0.9이다. 그리고
Figure 112019107999997-pat00049
는 네트워크 파라메터이고,
Figure 112019107999997-pat00050
는 비용함수이다. 본 발명에서는 소프트맥스 기능을 채용하였다.
Figure 112019107999997-pat00051
는 네트워크 그라디언트이다. 그리고, T는 타임스텝으로, 네트워크 파라메터가 k라면 Gt는 타임스텝 t까지 각 변수가 이동하는 그라디언트의 제곱의 합을 저장한 k 차원의 벡터이다. 그리고
Figure 112019107999997-pat00052
는 학습율이며 본 발명에서 학습율은 0.001로 설정된다. 그리고
Figure 112019107999997-pat00053
는
Figure 112019107999997-pat00054
에서
Figure 112019107999997-pat00055
의 범위를 가지는 작은 값으로, 0으로 나뉘는 것을 방지한다.
이제 상기한 본 발명의 바람직한 실시예에 따르는 CNN을 이용한 결함 판별부(506)의 처리 절차를 도 5의 흐름도를 참조하여 설명한다.
상기 CNN으로 구현된 결함 판별부(506)는 입력 데이터 세트가 입력되면 수학식 1에 따라 컨볼루션 및 활성화 기능을 수행한다.
이후, 상기 CNN으로 구현된 결함 판별부(506)는 상기한 수학식 1에 따르는 컨볼루션 및 엑티베이션 펑션 실행결과를 맥스 풀링하여 데이터의 크기를 줄이고 필요한 데이터만 추출한다.
이후, 상기 CNN으로 구현된 결함 판별부(506)는 수학식 2에 따르는 소프트맥스 펑션을 수행하여 유도 모터의 결함 분류 결과를 출력한다. 이러한 분류 결과로는 정상상태, 로우터 결함상태, 베어링 결함상태가 있다.
이후, 상기 CNN으로 구현된 결함 판별부(506)는 수학식 3 및 4에 따라 최적화를 이행한 후에 다시 소프트맥스 펑션과 맥스 풀링, 엑티베이션 펑션을 수행하고 컨볼루션 레이어로 전달하여 분류결과가 피드백되어 학습이 최적화될 수 있게 한다.
<GUI 화면의 구성>
이제 상기한 본 발명의 바람직한 실시예에 따르는 GUI에 대해 좀더 설명한다. 도 6은 본 발명의 바람직한 실시예에 따르는 GUI 화면을 예시한 것이다. 상기한 GUI는 LABVIEW를 통해 구현가능하다.
상기 도 6에서 ①은 유도 모터에서 얻은 진동 데이터의 실시간 모니터링을위한 GUI 화면을 예시한 것이며, 상단의 그래프는 초당 유도 모터에서 얻은 진동 데이터를 나타내고, 하단 그래프는 CNN에 입력할 수 있도록 1024(0.1초)로 변환된 데이터를 나타낸다.
상기 도 6에서 ②는 실행을 나타내고, 유도 모터 결함 진단 시스템의 정지 버튼 또는 실행 버튼을 누르면, 측정된 진동 데이터로부터 1024 개의 데이터 샘플이 추출된다. 추출된 데이터는 CNN 모델에 입력되고, 결함 진단 프로그램이 실행되며, 결과는 도 6의 ③에 표시된다. 상기 도 6의 ③은 유도 모터 결함 진단 시스템의 결과를 나타내며, 정상 상태, 로우터 결함 상태 또는 베어링 결함 상태 중 어느 하나를 나타낸다.
그리고 도 6의 ④는 유도 전동기 결함 진단 시스템의 모드를 설정하는 버튼을 나타내며, 이 버튼이 클릭되면 데이터 수집 모드가 실행되어, 유도 모터의 진동 데이터가 엑셀 파일로 수집되고, 이 버튼이 클릭되면 데이터 수집 모드가 종료되고 오류 진단 모드가 다시 실행된다.
<실험 및 결과>
본 출원인은 본 발명의 효과를 입증하기 위해 실험 이행하고 그 결과를 설명한다. 먼저 시뮬레이션 및 실험 환경은 Windows 10 OS에서 Python 3.5 및 Keras 라이브러리를 사용하여 구현하였다. 본 발명에 따르는 유도 모터 결함 진단 시스템의 성능을 검증하기 위해 도 1에 나타낸 유도 전동기에서 얻은 진동 데이터를 실험 데이터로 사용하였다.
그리고 본 발명에 따르는 CNN 모델의 구성은 다음과 같다.
컨볼루션 레이어 1은 크기가 5 × 5인 64개의 필터로 구성되고. 컨볼루션 레이어 2는 크기가 3 × 3인 32개의 필터로 구성된다. 그리고 최대 풀링 레이어의 크기는 2 × 2이다.
그리고 풀리 커넥티드 레이어는 256 개의 노드로 구성되며, 출력 레이어는 세 개의 노드로 구성된다. CNN 입력의 수는 1024이고 CNN 출력의 수는 3이다.
본 발명에 따르는 유도 전동기 결함 진단 시스템의 성능을 테스트하기 위해, 진동 데이터는 각각 도 7의 (a) 내지 (c)에 표시한 것처럼 실험 장치에서 정상, 로우터 결함 및 베어링 결함 상태를 인위적으로 생성한 후에 진동 센서를 사용하여 획득된다. 즉 상기 도 7의 (a)는 정상 유도 모터의 진동데이터를 예시한 것이고, 도 7의 (b)는 로우터 결함인 유도 모터의 진동데이터를 예시한 것이고, 도 7의 (c)는 베어링 결함인 유도 모터의 진동데이터를 예시한 것이다.
그리고 표 2는 학습 및 테스트에 사용되는 정상, 로우터 결함 및 베어링 결함 데이터의 수를 나타낸다.
Figure 112019107999997-pat00056
상기 표 2를 참조하면, 상기 CNN을 훈련시키기 위해 총 200 개의 데이터 세트가 사용되었고, CNN을 테스트하기 위해 100개의 데이터 세트가 사용된다. 그리고 각 데이터 세트에는 1024 개의 데이터 샘플이 포함된다. 그리고 상기 CNN 훈련에 대한 파라미터 설정은 다음과 같다 : η = 0.001, ε = 10-8, CNN 훈련에 대한 반복 에포크 = 30. 그리고 CNN 훈련에 사용 된 진동 데이터는 주파수 영역 변환을 받지 않는다.
도 8의 (a)는 시뮬레이션을 통한 로우터 결함 분석결과를 예시한 도면이고, 도 8의 (b)는 시뮬레이션을 통한 베어링 결함 분석결과를 예시한 도면이다. 상기 도 8을 참조하면, 인버터가 정상 상태에서 로우터 결함 상태로 변경될 때와 인버터가 정상 상태에서 베어링 결함 상태로 변경될 때 두 가지 오류 진단 사례에서 얻은 테스트 결과를 나타낸다.
상기 도 8에서 x 축은 진동 데이터 수를 나타내고, y 축은 고장 등급을 나타낸다. 클래스 1, 2 및 3은 정상, 로우터 결함 및 베어링 결함 상태를 나타낸다. 정상, 로우터 결함 및 베어링 결함 상태에 대해 각각 100 개의 데이터 세트를 포함하여 총 300 개의 데이터 세트가 테스트에 사용되었다.
시뮬레이션은 다음과 같이 진행되었다. 먼저, 100쌍의 정상 데이터를 입력 한 후, 로우터 결함 데이터 및 베어링 결함 상태를 입력하였다. 도 8의 (a)는 로우터 결함 데이터를 사용하여 얻은 시뮬레이션 결과를 나타낸다. 도 8의 (a)의 ①은 정상 상태의 시뮬레이션 데이터를 로우터 결함 상태로 잘못 분류한 것을 나타내며, 이러한 오분류 사례는 총 2 건 발생했다. 그리고 도 8의 (a)의 ②는 로우터 결함 상태 시뮬레이션 데이터를 정상 상태로 잘못 분류한 것을 나타낸다. 이러한 오분류 사례는 총 2 건 발생했다. 도 8의 (b)는 베어링 결함 데이터의 시뮬레이션 결과를 나타낸다. 모든 베어링 결함 테스트 데이터가 올바르게 분류되었다.
따라서, 표 3에 도시 된 바와 같이, 정상, 로우터 결함 및 베어링 결함 상태의 결함 진단의 정확도는 각각 98 %, 98 % 및 100 %이다.
Figure 112019107999997-pat00057
그리고 도 9의 (a)는 로우터 결함 분석을 위한 실험환경을 예시한 도면이고, 도 9의 (b)는 그에 따르는 결함 분석 결과를 예시한 것이다. 그리고 도 10의 (a)는 베어링 결함 분석을 위한 실험환경을 예시한 도면이고, 도 10의 (b)는 그에 따르는 결함 분석결과를 예시한 것이다. 상기의 도 9 및 도 10에 나타낸 바와 같이 본 출원인은 유도 모터에 로우터 결함 또는 베어링 결함이 있는지 확인하기 위해 GUI 사용을 시연했다. 즉 도 9의 (a)는 테스트에 사용된 로우터 결함이 있는 유도 모터를 나타내며, 결함진단 결과는 도 9의 (b)와 같다. 그리고 도 10의 (a)는 테스트에 사용된 베어링 결함이 있는 유도 전동기를 나타내며, 결함진단 결과는 도 10의 (b)와 같다.
이와 같은 실험을 통해 본 발명은 실제 환경에서도 결함을 정확하게 진단할 수 있음을 나타낸다.
상기한 바와 같은, 본 발명의 실시예들에서 설명한 기술적 사상들은 각각 독립적으로 실시될 수 있으며, 서로 조합되어 실시될 수 있다. 또한, 본 발명은 도면 및 발명의 상세한 설명에 기재된 실시예를 통하여 설명되었으나 이는 예시적인 것에 불과하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다. 따라서, 본 발명의 기술적 보호범위는 첨부된 특허청구범위에 의해 정해져야 할 것이다.
500 : 유도 모터 시스템
502 : 진동 센서
504 : DAQ부
506 : CNN으로 구현된 결함판별부
508 : 제어장치
510 : 디스플레이 장치
512 : 사용자 인터페이스부
514 : 메모리부

Claims (10)

  1. 컨볼루션 신경망을 이용한 유도 모터의 결함 진단 시스템에 있어서,
    유도 모터를 포함하는 유도 모터 시스템에 장착되어 상기 유도 모터에 의해 발생되는 진동을 센싱하고 그에 따른 진동 센싱 데이터를 생성하여 출력하는 진동 센서;
    상기 진동 센서가 제공하는 진동 센싱 데이터를 변환하여 진동 데이터를 생성하는 DAQ부; 및
    상기 DAQ부로부터 생성된 진동 데이터를 제공받고 정상 상태 및 하나 이상의 결함 상태에서 상기 진동 데이터를 토대로 학습되는 컨볼루션 신경망을 통해, 상기 유도 모터의 결함을 진단하는 컨볼루션 신경망으로 구현된 결함판별부;를 포함하며,
    상기 컨볼루션 신경망으로 구현된 결함판별부는,
    입력 레이어, 다수의 컨볼루션 레이어, 다수의 서브 샘플링 레이어, 풀리 커넥티드 레이어 그리고 정상 또는 하나 이상의 결함상태를 지시하는 출력 레이어로 구성되며,
    상기 컨볼루션 레이어는 입력 데이터를 컨볼루션한 후에 활성 기능을 전달하여 출력 특징 맵을 생성하고,
    상기 컨볼루션 레이어는 수학식 1과 같이 표현되고,
    상기 풀리 커넥티드 레이어는 수학식 2와 같이 표현되며,
    <수학식 1>
    Figure 112020119714818-pat00058

    상기 수학식 1에서
    Figure 112020119714818-pat00114
    는 l번째 레이어에 의해 생성된 j번째 특징맵이고,
    Figure 112020119714818-pat00115
    는 l-1번째 레이어에 의해 생성된 i번째 특징맵이고, 입력 특징맵은 특정 입력 데이터 패턴이고,
    Figure 112020119714818-pat00116
    는 l번째 레이어에서 i번째 입력 특징맵에 연결된 j번째 커널이고, f()는 활성화 함수이고,
    Figure 112020119714818-pat00117
    는 l번째 레이어에서 j번째 커널에 대응되는 바이어스이고, *는 2차원 컨볼루션 동작을 나타냄.
    <수학식 2>
    Figure 112020119714818-pat00063

    상기 수학식 2에서 n은 출력 뉴런의 수이고,
    Figure 112020119714818-pat00064
    는 l번째 출력이고, 분자는 입력 데이터
    Figure 112020119714818-pat00065
    의 지수함수이고 분모는 입력 데이터의 합임.
    상기 서브 샘플링 레이어는 맥스풀링을 이행하여 전체 데이터의 크기를 줄이며,
    상기 컨볼루션 레이어와 상기 서브 샘플링 레이어가 반복되어 수행되며,
    상기 풀리 커넥티드 레이어는 상기 컨볼루션 레이어와 서브 샘플링 레이어의 수행결과를 제공받아 정상 또는 하나 이상의 결함상태를 지시하는 출력 레이어로 전달함을 특징으로하는 컨볼루션 신경망을 이용한 유도 모터의 결함 진단 시스템.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 컨볼루션 신경망으로 구현된 결함판별부는,
    수학식 3 및 수학식 4에 따라 유도 모터의 결함 진단 최적화가 이행됨을 특징으로 하는 컨볼루션 신경망을 이용한 유도 모터의 결함 진단 시스템.
    <수학식 3>
    Figure 112020119714818-pat00066

    <수학식 4>
    Figure 112020119714818-pat00067

    상기 수학식 3 및 수학식 4에서
    Figure 112020119714818-pat00068
    는 망각요소이고
    Figure 112020119714818-pat00069
    는 네트워크 파라메터이고,
    Figure 112020119714818-pat00070
    는 비용함수이고,
    Figure 112020119714818-pat00071
    는 네트워크 그라디언트이고 T는 타임스텝으로, 네트워크 파라메터가 k라면 Gt는 타임스텝 t까지 각 변수가 이동하는 그라디언트의 제곱의 합을 저장한 k 차원의 벡터이고,
    Figure 112020119714818-pat00072
    는 학습율이고
    Figure 112020119714818-pat00073
    는
    Figure 112020119714818-pat00074
    에서
    Figure 112020119714818-pat00075
    의 범위를 가지는 작은 값임.
  5. 제1항에 있어서,
    각종 정보를 표시하는 디스플레이 장치;
    사용자가 제공하는 각종 정보 및 명령을 입력받는 사용자 인터페이스부; 및
    상기 디스플레이 장치와 상기 사용자 인터페이스부를 통해 GUI를 제공하고, 상기 GUI를 통해 상기 DAQ부가 제공하는 진동 데이터와 상기 컨볼루션 신경망으로 구현된 결함판별부의 결과정보를 제공받아 상기 디스플레이 장치를 통해 표시하며, 상기 사용자 인터페이스부를 통한 사용자 명령에 따라 상기 컨볼루션 신경망으로 구현된 결함판별부를 제어하는 제어장치;를 더 포함하는 것을 특징으로 하는 컨볼루션 신경망을 이용한 유도 모터의 결함 진단 시스템.
  6. 컨볼루션 신경망을 이용한 유도 모터의 결함 진단 방법에 있어서,
    진동 센서가 유도 모터를 포함하는 유도 모터 시스템에 장착되어 상기 유도 모터에 의해 발생되는 진동을 센싱하고 그에 따른 진동 센싱 데이터를 생성하여 출력하는 단계;
    상기 진동 센서가 제공하는 진동 센싱 데이터를 변환하여 진동 데이터를 생성하는 단계; 및
    상기 진동 데이터를 제공받고 정상 상태 및 하나 이상의 결함 상태에서 상기 진동 데이터를 토대로 학습되는 컨볼루션 신경망을 통해 상기 유도 모터의 결함을 진단하는 단계;를 포함하며,
    상기 컨볼루션 신경망을 통해 상기 유도 모터의 결함을 진단하는 단계는,
    입력 레이어, 다수의 컨볼루션 레이어, 다수의 서브 샘플링 레이어, 풀리 커넥티드 레이어 그리고 정상 또는 하나 이상의 결함상태를 지시하는 출력 레이어로 구성되는 컨볼루션 신경망에서,
    상기 컨볼루션 레이어는 입력 데이터를 컨볼루션한 후에 활성 기능을 전달하여 출력 특징 맵을 생성하고,
    상기 컨볼루션 레이어는 수학식 1과 같이 표현되고,
    상기 풀리 커넥티드 레이어는 수학식 2와 같이 표현되며,
    <수학식 1>
    Figure 112020119714818-pat00118

    상기 수학식 1에서
    Figure 112020119714818-pat00119
    는 l번째 레이어에 의해 생성된 j번째 특징맵이고,
    Figure 112020119714818-pat00120
    는 l-1번째 레이어에 의해 생성된 i번째 특징맵이고, 입력 특징맵은 특정 입력 데이터 패턴이고,
    Figure 112020119714818-pat00121
    는 l번째 레이어에서 i번째 입력 특징맵에 연결된 j번째 커널이고, f()는 활성화 함수이고,
    Figure 112020119714818-pat00122
    는 l번째 레이어에서 j번째 커널에 대응되는 바이어스이고, *는 2차원 컨볼루션 동작을 나타냄.
    <수학식 2>
    Figure 112020119714818-pat00123

    상기 수학식 2에서 n은 출력 뉴런의 수이고,
    Figure 112020119714818-pat00124
    는 l번째 출력이고, 분자는 입력 데이터
    Figure 112020119714818-pat00125
    의 지수함수이고 분모는 입력 데이터의 합임.
    상기 서브 샘플링 레이어는 맥스풀링을 이행하여 전체 데이터의 크기를 줄이며,
    상기 컨볼루션 레이어와 상기 서브 샘플링 레이어가 반복되어 수행되며,
    상기 풀리 커넥티드 레이어는 상기 컨볼루션 레이어와 서브 샘플링 레이어의 수행결과를 제공받아 정상 또는 하나 이상의 결함상태를 지시하는 출력 레이어로 전달함을 특징으로 하는 컨볼루션 신경망을 이용한 유도 모터의 결함 진단 방법.
  7. 삭제
  8. 삭제
  9. 제6항에 있어서,
    상기 컨볼루션 신경망은,
    수학식 3 및 수학식 4에 따라 유도 모터의 결함 진단 최적화를 이행을 특징으로 하는 컨볼루션 신경망을 이용한 유도 모터의 결함 진단 방법.
    <수학식 3>
    Figure 112020119714818-pat00084

    <수학식 4>
    Figure 112020119714818-pat00085

    상기 수학식 3 및 수학식 4에서
    Figure 112020119714818-pat00086
    는 망각요소이고
    Figure 112020119714818-pat00087
    는 네트워크 파라메터이고,
    Figure 112020119714818-pat00088
    는 비용함수이고,
    Figure 112020119714818-pat00089
    는 네트워크 그라디언트이고 T는 타임스텝으로, 네트워크 파라메터가 k라면 Gt는 타임스텝 t까지 각 변수가 이동하는 그라디언트의 제곱의 합을 저장한 k 차원의 벡터이고
    Figure 112020119714818-pat00090
    는 학습율이고
    Figure 112020119714818-pat00091
    는
    Figure 112020119714818-pat00092
    에서
    Figure 112020119714818-pat00093
    의 범위를 가지는 작은 값임.
  10. 제6항에 있어서,
    상기 진동 데이터와 상기 유도 모터의 결함판별결과를 디스플레이 장치를 통해 표시하는 단계;를 더 포함하는 것을 특징으로 하는 컨볼루션 신경망을 이용한 유도 모터의 결함 진단 방법.
KR1020190131657A 2019-10-22 2019-10-22 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템 KR102189269B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190131657A KR102189269B1 (ko) 2019-10-22 2019-10-22 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190131657A KR102189269B1 (ko) 2019-10-22 2019-10-22 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템

Publications (1)

Publication Number Publication Date
KR102189269B1 true KR102189269B1 (ko) 2020-12-09

Family

ID=73786705

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190131657A KR102189269B1 (ko) 2019-10-22 2019-10-22 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102189269B1 (ko)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113049958A (zh) * 2021-04-13 2021-06-29 天津大学 基于adxl335和深度学习的电机故障诊断模拟实验台及诊断方法
CN113435453A (zh) * 2021-06-11 2021-09-24 西安交通大学 基于卷积神经网络的往复式压缩机故障诊断方法及系统
CN113674300A (zh) * 2021-08-24 2021-11-19 苏州天准软件有限公司 用于cnc自动测量的模型训练方法、测量方法及系统、设备、介质
CN113887702A (zh) * 2021-09-10 2022-01-04 哈尔滨工业大学 基于wlctd与cnn-lstm的工业机器人谐波减速器早期故障检测方法
CN114459760A (zh) * 2021-12-31 2022-05-10 南京理工大学 一种强噪声环境下的滚动轴承故障诊断方法及系统
KR20220100310A (ko) 2021-01-08 2022-07-15 서울대학교산학협력단 전동기의 고장 검출 장치 및 방법
KR20220141019A (ko) * 2021-04-12 2022-10-19 서울대학교산학협력단 상전류 신호를 이용한 모터 고장 진단 방법 및 장치
CN115712065A (zh) * 2023-01-05 2023-02-24 湖南大学 时频旋转门与卷积核感知匹配的电机故障诊断方法及系统
CN116434777A (zh) * 2023-06-09 2023-07-14 国网山东省电力公司济南供电公司 基于多级注意力和特征融合的变压器故障诊断方法及系统
CN116626491A (zh) * 2023-07-26 2023-08-22 江苏大学 一种五相永磁电机匝间短路故障诊断方法
CN116858541A (zh) * 2023-09-01 2023-10-10 湖南科技大学 基于密集特征重用的轴承早期故障诊断方法及系统
CN117540190A (zh) * 2023-11-22 2024-02-09 广东粤电科试验检测技术有限公司 一种基于cnn自特征融合的变压器故障诊断方法和系统
CN117723782A (zh) * 2024-02-07 2024-03-19 山东大学 用于桥梁结构健康监测的传感器故障识别定位方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101169796B1 (ko) 2011-02-14 2012-07-30 양철오 유도 전동기의 회전자바 고장 진단시스템
KR20130041572A (ko) * 2011-10-17 2013-04-25 한국전기연구원 고압 유도전동기 종합 온라인 상태 진단 장치 및 방법
KR101416626B1 (ko) 2013-06-17 2014-08-06 한국전기연구원 유도전동기 고장 진단 장치 및 이를 이용한 진단 방법
KR101432786B1 (ko) 2013-11-14 2014-09-23 엠앤디테크놀로지 주식회사 모터의 고장진단방법 및 그 시스템
CN105910827A (zh) * 2016-04-25 2016-08-31 东南大学 基于判别性卷积特征学习的感应电机故障诊断方法
JP2018091640A (ja) * 2016-11-30 2018-06-14 株式会社デンソー 装置の検査装置、および、装置の検査方法
KR20180073523A (ko) 2018-04-13 2018-07-02 주식회사 포스코 모터 고장 진단 장치 및 그 방법

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101169796B1 (ko) 2011-02-14 2012-07-30 양철오 유도 전동기의 회전자바 고장 진단시스템
KR20130041572A (ko) * 2011-10-17 2013-04-25 한국전기연구원 고압 유도전동기 종합 온라인 상태 진단 장치 및 방법
KR101416626B1 (ko) 2013-06-17 2014-08-06 한국전기연구원 유도전동기 고장 진단 장치 및 이를 이용한 진단 방법
KR101432786B1 (ko) 2013-11-14 2014-09-23 엠앤디테크놀로지 주식회사 모터의 고장진단방법 및 그 시스템
CN105910827A (zh) * 2016-04-25 2016-08-31 东南大学 基于判别性卷积特征学习的感应电机故障诊断方法
JP2018091640A (ja) * 2016-11-30 2018-06-14 株式会社デンソー 装置の検査装置、および、装置の検査方法
KR20180073523A (ko) 2018-04-13 2018-07-02 주식회사 포스코 모터 고장 진단 장치 및 그 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Jonguk Lee. Convolution Neural Networks 소개. 2015년 4월 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220100310A (ko) 2021-01-08 2022-07-15 서울대학교산학협력단 전동기의 고장 검출 장치 및 방법
KR102538542B1 (ko) 2021-04-12 2023-05-30 서울대학교산학협력단 상전류 신호를 이용한 모터 고장 진단 방법 및 장치
KR20220141019A (ko) * 2021-04-12 2022-10-19 서울대학교산학협력단 상전류 신호를 이용한 모터 고장 진단 방법 및 장치
CN113049958A (zh) * 2021-04-13 2021-06-29 天津大学 基于adxl335和深度学习的电机故障诊断模拟实验台及诊断方法
CN113435453B (zh) * 2021-06-11 2023-04-07 西安交通大学 基于卷积神经网络的往复式压缩机故障诊断方法及系统
CN113435453A (zh) * 2021-06-11 2021-09-24 西安交通大学 基于卷积神经网络的往复式压缩机故障诊断方法及系统
CN113674300A (zh) * 2021-08-24 2021-11-19 苏州天准软件有限公司 用于cnc自动测量的模型训练方法、测量方法及系统、设备、介质
CN113674300B (zh) * 2021-08-24 2022-10-28 苏州天准软件有限公司 用于cnc自动测量的模型训练方法、测量方法及系统、设备、介质
CN113887702A (zh) * 2021-09-10 2022-01-04 哈尔滨工业大学 基于wlctd与cnn-lstm的工业机器人谐波减速器早期故障检测方法
CN114459760A (zh) * 2021-12-31 2022-05-10 南京理工大学 一种强噪声环境下的滚动轴承故障诊断方法及系统
CN115712065A (zh) * 2023-01-05 2023-02-24 湖南大学 时频旋转门与卷积核感知匹配的电机故障诊断方法及系统
CN116434777B (zh) * 2023-06-09 2023-10-20 国网山东省电力公司济南供电公司 基于多级注意力和特征融合的变压器故障诊断方法及系统
CN116434777A (zh) * 2023-06-09 2023-07-14 国网山东省电力公司济南供电公司 基于多级注意力和特征融合的变压器故障诊断方法及系统
CN116626491A (zh) * 2023-07-26 2023-08-22 江苏大学 一种五相永磁电机匝间短路故障诊断方法
CN116626491B (zh) * 2023-07-26 2023-11-03 江苏大学 一种五相永磁电机匝间短路故障诊断方法
CN116858541A (zh) * 2023-09-01 2023-10-10 湖南科技大学 基于密集特征重用的轴承早期故障诊断方法及系统
CN116858541B (zh) * 2023-09-01 2023-12-01 湖南科技大学 基于密集特征重用的轴承早期故障诊断方法及系统
CN117540190A (zh) * 2023-11-22 2024-02-09 广东粤电科试验检测技术有限公司 一种基于cnn自特征融合的变压器故障诊断方法和系统
CN117723782A (zh) * 2024-02-07 2024-03-19 山东大学 用于桥梁结构健康监测的传感器故障识别定位方法及系统
CN117723782B (zh) * 2024-02-07 2024-05-03 山东大学 用于桥梁结构健康监测的传感器故障识别定位方法及系统

Similar Documents

Publication Publication Date Title
KR102189269B1 (ko) 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템
Kao et al. Analysis of permanent magnet synchronous motor fault diagnosis based on learning
JP6740247B2 (ja) 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法
US10664754B2 (en) Information processing apparatus
Su et al. Induction machine condition monitoring using neural network modeling
Soualhi et al. Prognosis of bearing failures using hidden Markov models and the adaptive neuro-fuzzy inference system
US7930122B2 (en) Evaluating anomaly for one-class classifiers in machine condition monitoring
Kwan et al. A novel approach to fault diagnostics and prognostics
CN108490923B (zh) 用于电气牵引系统的微小故障检测与定位的系统设计方法
JPH0572026A (ja) 回転系設備故障診断装置及び方法
CN115683235B (zh) 一种工业机器人伺服电机振动故障检测方法及装置
Li et al. Signal frequency domain analysis and sensor fault diagnosis based on artificial intelligence
CN114118219A (zh) 基于数据驱动的长期加电设备健康状态实时异常检测方法
Cheng et al. Online bearing remaining useful life prediction based on a novel degradation indicator and convolutional neural networks
CN115098962A (zh) 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法
CN111007390A (zh) 基于代数方法的模拟电路故障诊断模型
CN116552306B (zh) 直流桩的监控系统及其方法
Borhana et al. Fault detection of bearing using support vector machine-SVM
CN115236272A (zh) 多工况条件下的气体传感器故障诊断方法、装置及存储介质
CN117723782B (zh) 用于桥梁结构健康监测的传感器故障识别定位方法及系统
CN110045716B (zh) 一种闭环控制系统早期故障检测和诊断方法和系统
KR20090112892A (ko) 반도체식 가스센서의 고장진단장치 및 방법
Zhi-hong et al. Sensor Fault Diagnosis Based on Wavelet Analysis and LSTM Neural Network
CN114046816A (zh) 基于轻量级梯度提升决策树的传感器信号故障诊断方法
Qianqian et al. Study on life prediction of radar based on non-parametric regression model

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant