KR102309559B1 - 전동기 권선 결함 진단 방법 - Google Patents
전동기 권선 결함 진단 방법 Download PDFInfo
- Publication number
- KR102309559B1 KR102309559B1 KR1020200073742A KR20200073742A KR102309559B1 KR 102309559 B1 KR102309559 B1 KR 102309559B1 KR 1020200073742 A KR1020200073742 A KR 1020200073742A KR 20200073742 A KR20200073742 A KR 20200073742A KR 102309559 B1 KR102309559 B1 KR 102309559B1
- Authority
- KR
- South Korea
- Prior art keywords
- waveform
- value
- vector
- obtaining
- distance
- Prior art date
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
- G01R31/346—Testing of armature or field windings
-
- G06K9/6296—
-
- 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
- G06N3/08—Learning methods
Abstract
본 개시는 전동기 권선 결함 진단 방법에 있어서 상전류를 측정하여 1차원 전류 파형데이터를 획득하는 단계; 2차원 이미지 생성 알고리즘을 이용하여 상기 1차원 전류 파형 데이터에 기초한 2차원 이미지 데이터를 획득하는 단계; 상기 2차원 이미지 데이터를 인공 지능 모델에 입력하여 전류 특성인자 벡터 값을 획득하는 단계; 상기 전류 특성인자 벡터 값과 정상 특성인자 벡터 값의 거리에 기초한 결함지표를 획득하는 단계; 및 상기 결함지표를 이용하여 상기 권선 결함 유무를 판단하는 단계를 개시한다.
Description
본 개시는 전동기 권선 결함 진단 장치 및 그 방법에 관한 것이다.
전동기는 전력을 사용하여 회전력을 발생시키는 동력 기계이다. 전동기는 고정되어 있는 부분인 고정자와 회전하는 부분인 회전자로 구성될 수 있다. 전동기의 고정자에는 도체 전선이 감겨 코일이 형성된다.
전동기는 수많은 생산 제조 설비에 사용될 수 있다. 예를 들어, 발전소 보일러 급수 및 냉각 장치, 정유 플랜트, 자동차 생산 라인 설비에서 전동기가 사용되고 있다.
한편, 전동기의 회전자는 정교한 회전 자계 생성을 위하여 적층 권선을 사용하는데, 전동기의 기동 및 정지 시 회전자에 진동 및 충격이 발생할 수 있고, 이에 따라 권선의 변형 및 단락이 발생하는 문제가 있었다.
이러한 단락 현상을 사전에 감지하기 위한 진단 방법으로 정지 중(off-line) 진단기법과 운전중(on-line) 진단 기법이 있으나, 상기 방법은 자속을 공급하는 여자기계자 및 고정자의 전압, 전류, 저항상태 등을 비교하여 회전자의 상태를 진단하므로 전동기의 여러 파라미터 값을 요구한다는 문제점 및 회전자 권선의 층간 단락 시험을 수행할 시 많은 인원이 필요하고, 사전 측정 장비 준비, 측청 회로 결선, 측정 결과 분석 등에도 많은 시간이 소요되는 문제점이 있었다.
본 개시의 목적은 전동기의 권선 단락 진단 시, 전동기의 고정자 저항, 상호 인덕턴스, 누설 인덕턴스 등의 파라미터 값을 요구하지 않는 권선 단락 진단 방법을 제공하기 위함이다.
본 개시의 목적은 정상 전동기에서 측정한 전류 신호로 학습된 인공 지능 모델을 이용하여 작동중인 전동기의 권선 단락 진단 방법을 제공하기 위함이다.
본 발명의 전동기 권선 결함 진단 방법은, 전류를 측정하여 1차원 전류 파형데이터를 획득하는 단계, 2차원 이미지 생성 알고리즘을 이용하여 상기 1차원 전류 파형데이터에 기초한 2차원 전류 이미지 데이터를 획득하는 단계, 상기 2차원 이미지 데이터를 인공 지능 모델에 입력하여 전류 특성인자 벡터 값을 획득하는 단계, 상기 전류 특성인자 벡터 값과 정상 특성인자 벡터 값의 거리에 기초한 결함지표를 획득하는 단계 및 상기 결함지표를 이용하여 상기 권선 결함 유무를 판단하는 단계를 포함할 수 있다.
또한, 2차원 이미지 데이터를 획득하는 단계는, 상기 1차원 전류 파형 데이터 포인트 중 제1 파형 벡터 및 제2 파형 벡터를 선정하는 단계, 상기 2차원 이미지 생성 알고리즘을 이용하여, 상기 제1파형 벡터와 상기 제2 파형 벡터의 거리에 기초한 특정값을 획득하는 단계 및 상기 특정값을 2차원 이미지데이터에 매핑하는 단계를 포함할 수 있다.
또한, 제1 파형 벡터와 상기 제2 파형 벡터의 거리에 기초한 특정값을 획득하는 단계는 시간 영역에서 상기 제1파형 벡터와 상기 제2 파형 벡터의 거리가 기 설정된 제1값 이상인 경우, 상기 제1 값을 상기 특정값으로 획득하는 단계를 포함할 수 있다.
또한, 제1파형 벡터와 상기 제2 파형 벡터의 거리에 기초한 특정값을 획득하는 단계는 시간 영역에서 상기 제1파형 벡터와 상기 제2 파형 벡터의 거리가 상기 제1값보다 작은 경우, 상기 제1 파형 벡터 및 상기 제2 파형 벡터의 거리를 상기 특정값으로 획득하는 단계를 더 포함할 수 있다.
또한, 인공 지능 모델은 컨볼루션 뉴럴 네트워크(CNN)를 포함할 수 있다.
또한, 결함지표를 획득하는 단계는, 상기 전류 특성인자 벡터 값과 상기 정상 특성인자 벡터 값의 마할라노비스 거리(Mahalanobis Distance)에 기초하여 결정되는 단계를 포함할 수 있다.
또한, 결함지표를 이용하여 상기 권선결함유무를 판단하는 단계는, 상기 마할라노비스 거리에 기초한 결함지표가 기 설정된 값을 초과하는 경우, 권선 결함으로 판단하는 단계를 포함할 수 있다.
또한, 2차원 이미지 생성 알고리즘은, Recurrence Plot(RP), Gramian Angular Field(GAF), Markov Transition Field(MTF), Affinity Matrix(AM) 및 Dynamic Time Warping(DTW)을 포함할 수 있다.
본 개시는 전동기의 고정자 저항, 상호 인덕턴스, 누설 인덕턴스 등의 파라미터 값을 요구하지 않는 권선 단락 진단 방법을 제공하므로 간편한 권선 단락 진단 방법을 제공할 수 있다.
본 개시는 2차원 이미지 생성 알고리즘을 이용하여 전류 파형 데이터에 기초한, 2차원 이미지 데이터를 획득함으로써 전동기의 권선 결함을 탐지할 수 있다.
본 개시는 2차원 이미지 생성 알고리즘을 이용하여 1차원 전류 파형의 미세한 변화가 반영된 2차원 이미지를 획득함으로써 전동기의 권선 결함을 탐지할 수 있다.
도 1은 본 발명의 전동기 권선 결함 진단 장치의 구성을 나타낸 구성도이다.
도 2은 본 발명의 일 실시예에 따른 전동기 권선 결함 진단 방법을 나타낸 순서도이다.
도 3 내지 도 5c는 본 발명의 일 실시예에 따른 제2 Recurrence Plot의 실험데이터를 나타낸다.
도 2은 본 발명의 일 실시예에 따른 전동기 권선 결함 진단 방법을 나타낸 순서도이다.
도 3 내지 도 5c는 본 발명의 일 실시예에 따른 제2 Recurrence Plot의 실험데이터를 나타낸다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 개시의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
도 1은 본 발명의 전동기 권선 결함 진단 장치의 구성을 나타낸 구성도이다.
도 1을 참조하면, 전동기 권선 결함 진단 장치(100)는 전동기의 전반적인 제어를 담당하는 제어부(110)를 포함할 수 있다.
또한, 전동기 권선 결함 진단 장치(100)는 제어부(110)의 제어 신호에 의해 회전체에 인가되는 입력 부하 또는 출력 부하에 대한 시점별 전류 파형 데이터를 획득하는 취득부(130)를 포함할 수 있다.
이때 전류 파형 데이터는 시간의 흐름에 따라 전류의 파형 데이터가 1차원으로 나타난 데이터를 포함할 수 있다.
전동기 권선 결함 진단 장치(100)는 전류 파형 데이터를 궤적 성분으로 변환하여 2차원 이미지 데이터로 변환하는 변환부(170)를 포함할 수 있다.
전동기 권선 결함 진단 장치(100)는 인공 지능 모델을 통해 변환된 2차원 이미지의 특징을 추출하는 추출부(190)를 포함하고, 추출된 이미지의 특징 분포의 상대적 거리에 따라 회전체 결함 구분 및 심각도를 도출하는 진단부(150)을 포함할 수 있다.
도 2은 본 발명의 일 실시예에 따른 전동기 권선 결함 진단 방법을 나타낸 순서도이다.
도 2을 참조하면, 본 발명의 전동기 권선 결함 진단 방법은 상전류를 측정하여 1차원 전류 파형데이터를 획득하는 단계(S10), 2차원 이미지 생성 알고리즘을 이용하여 상기 1차원 전류 파형데이터에 기초한 2차원 이미지 데이터를 획득하는 단계(S20), 2차원 이미지데이터를 인공 지능 모델에 입력하여 전류 특성인자 벡터 값을 획득하는 단계(S30), 전류 특성인자 벡터 값과 정상 특징값을 이용하여 결함 지표를 계산하는 단계(S40) 및 결함지표를 이용하여 권선 결함 유무를 판단하는 단계(S50)을 포함할 수 있다.
상기 과정을 통하여 본 발명에 따른 전동기 권선 결함 진단 방법은 노이즈에 강건하고, 약한 전류 변화를 감지할 수 있는 권선 결함 진단 방법을 제공할 수 있다. 이하 각 단계에 대하여 구체적으로 설명한다.
본 발명은 전동기 권선 결함 진단 방법에 있어서, 상전류를 측정하여 1차원 전류 파형데이터를 획득하는 단계를 포함할 수 있다(S10).
이때, 1차원 전류 파형데이터는 시간의 흐름에 따른 전류변화가 파형으로 나타난 데이터를 포함할 수 있다.
전동기의 권선 단락 고장이 발생하면, 고장난 전기적 회로에 의해서 회전 주파수의 하모닉 성분 및 노이즈 성분이 발생한다. 이런 성분들로 인해 3상 전류 중 고장이 발생한 전류 신호의 크기 및 모양이 변한다.
위와 같이, 전류는 권선 결함의 특성을 직접 나타낼 수 있다. 또한 파형은 자연적인 시간 순서에 따른 일련의 데이터 포인트이므로 전류 파형의 변화는 권선 결함 모니터링에 유용한 데이터이다.
한편, 추후 S30의 인공 지능 모델에 입력될 입력값은 2차원 이미지 데이터임이 바람직한데, 이를 위해 전류 파형 데이터를 2차원 이미지 데이터로 변경하는 과정이 필요하다.
전동기 권선 결함 진단 방법은, 2차원 이미지 생성 알고리즘을 이용하여 상기 1차원 전류 파형데이터에 기초한 2차원 이미지데이터를 획득하는 단계(S20)를 포함할 수 있다.
이때, 2차원 이미지데이터는 2차원 이미지 생성 알고리즘을 통하여 1차원 전류 파형데이터가 2차원으로 표현된 이미지를 포함할 수 있다.
또한, 2차원 이미지 생성 알고리즘은 제2 Recurrence Plot(이하 제2 RP라 칭함)을 포함할 수 있다. 제2 Recurrence Plot 은 종래 Recurrence Plot(이하 RP라 칭함) 보다 노이즈에 강건하고 약한 신호 변화를 감지할 수 있는 알고리즘이다.
구체적으로 2차원 이미지데이터를 획득하는 단계는, 1차원 전류 파형 데이터의 포인트 중 제1 파형 벡터 및 제2 파형 벡터를 선정하는 단계, 상기 2차원 이미지 생성 알고리즘을 이용하여 상기 제1 파형 벡터와 상기 제2 파형 벡터의 거리에 기초한 특정값을 획득하는 단계 및 상기 특정값을 2차원 이미지 데이터에 매핑하는 단계를 포함할 수 있다.
이하, 본 발명의 일 실시예에 따른 제2 Recurrence Plot을 설명하기에 앞서, 종래의 Recurrence Plot을 설명한다.
Recurrence Plot은 위상 영역을 통해 1차원 데이터를 시각화하는 알고리즘으로 시계열 데이터의 m 차원 공간 궤적을 구한 뒤, 시계열의 m 차원 궤적에서 거리 행렬을 획득하는 방법으로 진행되며, RP는 다음과 같은 수학식으로 표현될 수 있다.
여기서 x(i)와 x(j)는 각각 1차원 전류 파형데이터 포인트의 벡터(The vectors of the waveform data points)로서 각각이 제1 파형 벡터 및 제2 파형 벡터를 의미할 수 있다. ε은 기 설정된 임계 값(ε> 0)을 의미할 수 있다. 그리고 행렬 R(i,j)는 생성되는 2차원 이미지 데이터로서 2차원 이미지 데이터일 수 있다.
상기 수학식 1을 참조하면, 두 궤적 (x(i) 및 x(j)의 궤적)의 거리가 ε보다 작은 경우, 행렬 R(i,j)에 1이란 값이 매핑될 수 있다.
한편, 종래의 RP는 기 설정된 임계값에 따라 RP의 값이 1 또는 0으로 고정되기 때문에 약한 파형 데이터 변화를 검출하는데 어려움이 있다.
이하 본 발명의 일 실시예에 따른 제2 Recurrence Plot을 설명한다.
본 개시에서 제 2 Recurrence Plot을 이용하여 상기 2차원 이미지데이터를 획득하는 단계는, 제1파형 벡터와 제2 파형 벡터의 거리에 기초한 특정값을 획득하는 단계 및 상기 특정값을 2차원 이미지 데이터에 매핑하는 단계를 포함할 수 있다.
구체적으로 특정값을 획득하는 단계는, 시간 영역에서 제1파형 벡터와 제2 파형 벡터의 거리가 기 설정된 제1값 이상인 경우, 상기 제1 값을 상기 특정값으로 획득하는 단계를 포함할 수 있다.
상기 특정값은 2차원 이미지 데이터에 매핑될 수 있다.
또한, 특정값을 획득하는 단계는, 시간 영역에서 상기 제1파형 벡터와 상기 제2 파형 벡터의 거리가 상기 제1값보다 작은 경우, 상기 제1 파형 벡터 및 상기 제2 파형 벡터의 거리를 상기 특정값으로 획득하는 단계를 더 포함할 수 있다. 상기 특정값은 2차원 이미지 데이터에 매핑될 수 있다.
본 발명의 일 실시예에 제2 Recurrence Plot은 다음과 같은 수학식으로 표현될 수 있다.
여기서 x(i)와 x(j)는 각각 1차원 전류 파형데이터의 포인트의 벡터(The vectors of the waveform data points)로서 각각이 제1 파형 벡터 및 제2 파형 벡터를 의미할 수 있다.
N은 기 설정된 임계값(N> 0)으로 제1값을 의미할 수 있다. 그리고 행렬 R(i,j)는 생성되는 2차원 이미지 데이터로서 2차원 이미지 데이터일 수 있다.
수학식 2를 참조하면, 제2 Recurrnt Plot은 시간 영역에서 전류 파형 데이터 파형 벡터(x(i) 및 (x(j)의 궤적)의 궤적의 거리가 N(제1값) 이상인 경우, 행렬 R(i,j)에 특정 임계 값 N(제1값)이 매핑될 수 있다.
또한 시간 영역에서 전류 파형 데이터 파형 벡터(x(i) 및 (x(j)의 궤적)의 궤적의 거리가 N(제1값)보다 작은 경우 약한 데이터 변화로 판단하고, 행렬 R(i,j)에 제1 파형 벡터 및 제2 파형 벡터의 거리값이 매핑될 수 있다.
본 발명은 제2 RP 알고리즘을 이용하여 시계열 데이터의 모든 관련 동적 정보를 포함할 뿐만 아니라 데이터 노이즈에 대해 강력하게 작동하고 신호가 약한 데이터 변화를 검출할 수 있는 2차원 이미지를 생성할 수 있다.
한편, 본 발명의 일 실시예에 따른, 2차원 이미지 생성 알고리즘을 이용하여 1차원 전류 파형데이터에 기초한 2차원 이미지 데이터를 획득하는 단계는 데이터 전처리, 제안된 Recurrence Plot 및 이미지 크기 재조정 단계를 더 포함할 수 있다.
또한, 2차원 이미지 생성 알고리즘은 Recurrence Plot(RP), Gramian Angular Field(GAF), Markov Transition Field (MTF), Affinity Matrix(AM) 및 동적 시간 왜곡과 같은 파형 데이터에서 2D 이미지를 변환하는 Dynamic Time Warping(DTW)을 사용하는 것도 가능하다.
이하 2차원 이미지데이터를 이용하여 권선 결함 유무를 판단하는 과정을 설명한다.
본 발명의 권선 결함 진단 방법은, 상기 2차원 이미지를 인공 지능 모델에 입력하여 전류 특성인자 벡터 값을 획득하는 단계를 포함할 수 있다(S30).
이때, 인공 지능 모델은 컨볼루션 뉴럴 네트워크 모델(Convolution Neural Network, CNN)을 포함할 수 있으며, 상기 전류 특성인자 벡터 값은 컨볼루션 뉴럴 네트워크의 출력 레이어가 출력한 특징 벡터를 포함할 수 있다.
구체적으로 컨볼루션 뉴럴 네트워크는 이미지의 특징을 효과적으로 반영하는 뉴럴 네트워크로서, 사전 훈련된 컨볼루션 뉴럴 네트워크는 이미지의 특징 추출에 사용될 수 있다.
본 발명의 컨볼루션 뉴럴 네트워크는 2차원 파형 이미지 데이터가 입력되면 주어진 2차원 파형 이미지데이터에 포함된 특성인자 벡터 값을 출력하도록 사전학습된 모델을 포함할 수 있다.
구체적으로 본 발명의 일 실시예에서, 컨볼루션 뉴럴 네트워크는 3개의 콘볼루션 레이어와 2 개의 완전연결(Fully-Connected)된 레이어로 구성되는 모델을 포함할 수 있다.
예를 들어, 라벨링되지 않은 2차원 이미지가 컨볼루션 뉴럴 네트워크에 입력되는 경우, 사전 훈련된 컨볼루션 뉴럴 네트워크는 상기 2차원 파형 이미지의 특징값이 포함된 특성인자 벡터를 출력할 수 있다.
컨볼루션 뉴럴 네트워크가 출력한 특성인자 벡터 값은 이후 권선 결함 유무를 판단하기 위한 결함 지표 계산(S40)에 사용될 수 있다.
본 발명의 전동기 권선 결함 진단 방법은 인공 지능 모델을 이용하여 전류 특성인자 벡터 값을 추출한 이후, 상기 전류 특성인자 벡터 값과 정상 특성인자 벡터 값의 거리에 기초한 결함지표를 획득하는 단계를 포함할 수 있다(S40).
구체적으로 결함 지표는 전류 특성인자 벡터 값과 정상 특징값의 마할라노비스 거리 값을 포함할 수 있다.
마할라노비스 거리란 데이터의 중심값(평균값)들로 이루어진 중심으로부터 특정 데이터와의 거리를 의미할 수 있다.
구체적으로 본 발명의 일 실시예에서 결함지표는 인공 지능 모델이 출력한 전류 특성인자 벡터 값이 정상 전류 특성인자 벡터 값의 분포에서 떨어진 거리를 의미하는 마할라노비스 거리를 측정함으로써 계산될 수 있다.
본 개시의 권선 결함 진단 방법은, 상기 결함지표를 이용하여 상기 전동기 권선 결함 유무를 판단하는 단계를 포함할 수 있다(S50).
본 발명의 일 실시예에 따르면, 결함지표를 계산한 뒤 생성된 결함지표와 기 설정된 임계치와의 비교를 통해 전동기의 권선 결함 유무를 판단할 수 있다.
예를 들어, 권선 결함 심각도가 증가함에 따라 결함지표 값인 마할라노비스 거리도 증가할 수 있다. 따라서 마할라노비스 거리에 기초한 결함지표가 기 설정된 값을 초과하는 경우, 상기 권선 결함으로 판단할 수 있을 것이다.
도 3 내지 도 5는발명의 일 실시예에 따른 제2 Recurrence Plot의 실험데이터를 나타낸다.
먼저 도 3은 U상 전류, V상 전류 및 W상 전류에 따른 전류 파형 그래프의 시뮬레이션 파형을 나타낸 것이다.
도 3을 참조하면 3(a)는 권선 결함 유무가 정상인 경우, 3(a)는 권선 결함 유무가 결함 1.82%인 경우, 3(c)는 권선 결함 유무가 결함 4.33%인 경우 및 3(d)는 권선 결함 유무가 결함 7.8%인 경우를 나타낸다.
도 4는 상기 도 3에 따른 전류 파형 그래프를 기초로 2차원 이미지 생성 알고리즘을 이용하여 획득한 2차원 이미지 데이터를 나타낸다.
도 4에서 노란색 영역은 전류의 최대 값을 의미하고 파란색 선은 전류의 기울기를 의미할 수 있다.
도 5는 본 발명의 권선 결함 진단 방법에 따른 시뮬레이션 결과 RP 와 제2 RP에 따른 노란색 영역의 크기를 비교한 그래프이다.
도 5에서와 같이 제2 RP에 기초한 2차원 이미지는 종래의 RP에 기초한 2차원 이미지와 대비하였을 때, 잡음이 많은 조건에서도 전류의 특징을 잘 반영할 수 있으며 전류 신호의 세기가 약한 경우 전류의 미세한 변화를 종래의 RP보다 민감하게 감지할 수 있다는 것을 알 수 있다.
전술한 본 개시는, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 단말기의 프로세서를 포함할 수도 있다.
Claims (8)
- 전동기 권선 결함 진단 방법에 있어서
상전류를 측정하여 1차원 전류 파형데이터를 획득하는 단계;
2차원 이미지 생성 알고리즘을 이용하여 상기 1차원 전류 파형 데이터에 기초한 2차원 이미지 데이터를 획득하는 단계;
상기 2차원 이미지 데이터를 인공 지능 모델에 입력하여 전류 특성인자 벡터 값을 획득하는 단계;
상기 전류 특성인자 벡터 값과 정상 특성인자 벡터 값의 거리에 기초한 결함지표를 획득하는 단계; 및
상기 결함지표를 이용하여 권선 결함 유무를 판단하는 단계를 포함하는,
전동기 권선 결함 진단 방법. - 제 1항에 있어서,
상기 2차원 이미지 데이터를 획득하는 단계는,
상기 1차원 전류 파형 데이터의 포인트 중 제1 파형 벡터 및 제2 파형 벡터를 선정하는 단계;
상기 2차원 이미지 생성 알고리즘을 이용하여,
상기 제1파형 벡터와 상기 제2 파형 벡터의 거리에 기초한 특정 값을 획득하는 단계; 및
상기 특정값을 2차원 이미지데이터에 매핑하는 단계를 포함하는,
전동기 권선 결함 진단 방법. - 제 2항에 있어서
상기 제1파형 벡터와 상기 제2 파형 벡터의 거리에 기초한 특정 값을 획득하는 단계는
시간 영역에서 상기 제1파형 벡터와 상기 제2 파형 벡터의 거리가 기 설정된 제1값 이상인 경우, 상기 제1 값을 상기 특정 값으로 획득하는 단계를 포함하는,
전동기 권선 결함 진단 방법. - 제 3항에 있어서
상기 제1 파형 벡터와 상기 제2 파형 벡터의 거리에 기초한 특정값을 획득하는 단계는
시간 영역에서 상기 제1 파형 벡터와 상기 제2 파형 벡터의 거리가 상기 제1값보다 작은 경우, 상기 제1 파형 벡터 및 상기 제2 파형 벡터의 거리를 상기 특정 값으로 획득하는 단계를 더 포함하는,
전동기 권선 결함 진단 방법. - 제 1항에 있어서
상기 인공 지능 모델은
컨볼루션 뉴럴 네트워크(CNN)를 포함하는,
전동기 권선 결함 진단 방법. - 제 1항에 있어서
결함지표를 획득하는 단계는,
상기 전류 특성인자 벡터 값과 상기 정상 특성인자 벡터 값의 마할라노비스 거리(Mahalanobis Distance)에 기초하여 결정되는 단계를 포함하는,
전동기 권선 결함 진단 방법. - 제 6항에 있어서
상기 결함지표를 이용하여 권선 결함 유무를 판단하는 단계는,
상기 마할라노비스 거리에 기초한 결함지표가 기 설정된 값을 초과하는 경우, 권선 결함으로 판단하는 단계를 포함하는,
전동기 권선 결함 진단 방법. - 제 1항에 있어서
상기 2차원 이미지 생성 알고리즘은,
Recurrence Plot(RP), Gramian Angular Field(GAF), Markov Transition Field(MTF), Affinity Matrix(AM) 및 Dynamic Time Warping(DTW) 중 적어도 하나를 포함하는,
전동기 권선 결함 진단 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200073742A KR102309559B1 (ko) | 2020-06-17 | 2020-06-17 | 전동기 권선 결함 진단 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200073742A KR102309559B1 (ko) | 2020-06-17 | 2020-06-17 | 전동기 권선 결함 진단 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102309559B1 true KR102309559B1 (ko) | 2021-10-07 |
Family
ID=78609585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200073742A KR102309559B1 (ko) | 2020-06-17 | 2020-06-17 | 전동기 권선 결함 진단 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102309559B1 (ko) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114447838A (zh) * | 2022-01-21 | 2022-05-06 | 山东电工电气集团有限公司 | 一种基于小样本的高压电缆局部放电模式识别方法 |
CN114704438A (zh) * | 2022-06-02 | 2022-07-05 | 深圳众城卓越科技有限公司 | 风电机组故障监控方法及装置 |
CN115905959A (zh) * | 2023-01-06 | 2023-04-04 | 佰聆数据股份有限公司 | 基于缺陷因子的电力断路器关联性故障分析方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090078075A (ko) * | 2008-01-14 | 2009-07-17 | 충북대학교 산학협력단 | Dft와 웨이블렛을 이용한 유도전동기 고장진단방법 |
KR20120031143A (ko) * | 2010-09-22 | 2012-03-30 | 산요 덴키 가부시키가이샤 | 전기 기기의 영구자석의 열화 판정 방법 및 장치 |
KR101169797B1 (ko) * | 2011-02-14 | 2012-07-30 | 양철오 | 3상 유도전동기의 고정자 권선 고장 진단시스템 |
KR101490636B1 (ko) * | 2013-12-24 | 2015-02-06 | 울산대학교 산학협력단 | 유도전동기의 결함 분류 방법 및 장치 |
CN107643181A (zh) * | 2016-07-21 | 2018-01-30 | 北京航空航天大学 | 一种基于图像识别的滚动轴承变工况故障诊断方法 |
KR20180049722A (ko) * | 2016-11-03 | 2018-05-11 | 한국전기연구원 | 공작기계용 전동기의 온라인 결함 진단 방법 |
KR20190067441A (ko) * | 2017-12-07 | 2019-06-17 | 한국생산기술연구원 | 딥 러닝과 웨이블렛 변환을 이용한 회전체의 고장 진단 시스템 |
KR102039036B1 (ko) * | 2018-06-15 | 2019-11-04 | (주)영일랩스 | 딥러닝 고장예측 분석기반 전동식 조향장치 래틀 검사시스템 |
-
2020
- 2020-06-17 KR KR1020200073742A patent/KR102309559B1/ko active IP Right Grant
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090078075A (ko) * | 2008-01-14 | 2009-07-17 | 충북대학교 산학협력단 | Dft와 웨이블렛을 이용한 유도전동기 고장진단방법 |
KR20120031143A (ko) * | 2010-09-22 | 2012-03-30 | 산요 덴키 가부시키가이샤 | 전기 기기의 영구자석의 열화 판정 방법 및 장치 |
KR101169797B1 (ko) * | 2011-02-14 | 2012-07-30 | 양철오 | 3상 유도전동기의 고정자 권선 고장 진단시스템 |
KR101490636B1 (ko) * | 2013-12-24 | 2015-02-06 | 울산대학교 산학협력단 | 유도전동기의 결함 분류 방법 및 장치 |
CN107643181A (zh) * | 2016-07-21 | 2018-01-30 | 北京航空航天大学 | 一种基于图像识别的滚动轴承变工况故障诊断方法 |
KR20180049722A (ko) * | 2016-11-03 | 2018-05-11 | 한국전기연구원 | 공작기계용 전동기의 온라인 결함 진단 방법 |
KR20190067441A (ko) * | 2017-12-07 | 2019-06-17 | 한국생산기술연구원 | 딥 러닝과 웨이블렛 변환을 이용한 회전체의 고장 진단 시스템 |
KR102039036B1 (ko) * | 2018-06-15 | 2019-11-04 | (주)영일랩스 | 딥러닝 고장예측 분석기반 전동식 조향장치 래틀 검사시스템 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114447838A (zh) * | 2022-01-21 | 2022-05-06 | 山东电工电气集团有限公司 | 一种基于小样本的高压电缆局部放电模式识别方法 |
CN114704438A (zh) * | 2022-06-02 | 2022-07-05 | 深圳众城卓越科技有限公司 | 风电机组故障监控方法及装置 |
CN114704438B (zh) * | 2022-06-02 | 2022-09-20 | 深圳众城卓越科技有限公司 | 风电机组故障监控方法及装置 |
CN115905959A (zh) * | 2023-01-06 | 2023-04-04 | 佰聆数据股份有限公司 | 基于缺陷因子的电力断路器关联性故障分析方法及装置 |
CN115905959B (zh) * | 2023-01-06 | 2023-07-18 | 佰聆数据股份有限公司 | 基于缺陷因子的电力断路器关联性故障分析方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102309559B1 (ko) | 전동기 권선 결함 진단 방법 | |
Moosavi et al. | ANN based fault diagnosis of permanent magnet synchronous motor under stator winding shorted turn | |
Zanardelli et al. | Identification of intermittent electrical and mechanical faults in permanent-magnet AC drives based on time–frequency analysis | |
Dias et al. | Broken rotor bars detection in induction motors running at very low slip using a Hall effect sensor | |
Bouzid et al. | An efficient simplified physical faulty model of a permanent magnet synchronous generator dedicated to stator fault diagnosis part II: Automatic stator fault diagnosis | |
Husari et al. | Incipient interturn fault detection and severity evaluation in electric drive system using hybrid HCNN-SVM based model | |
Glowacz | Recognition of acoustic signals of synchronous motors with the use of MoFS and selected classifiers | |
Uysal et al. | Real-time condition monitoring and fault diagnosis in switched reluctance motors with Kohonen neural network | |
Rahnama et al. | Machine‐learning approach for fault detection in brushless synchronous generator using vibration signals | |
Hussain et al. | Fault Detection and Identification Using Deep Learning Algorithms in InductionMotors. | |
CN106093626B (zh) | 一种用于诊断crh5型高铁逆变器的微小故障的方法 | |
Rahman et al. | Motor fault detection using vibration patterns | |
Skowron et al. | Stator winding fault diagnosis of induction motor operating under the field-oriented control with convolutional neural networks | |
Masoumi et al. | Signal-model-based fault diagnosis in windings of synchronous generator | |
Refaat et al. | ANN-based diagnosis of incipient stator winding turn faults for three-phase induction motors in the presence of unbalanced supply voltage | |
Chang et al. | Fuzzy theory-based partial discharge technique for operating state diagnosis of high-voltage motor | |
Faiz et al. | Interturn fault diagnosis in brushless direct current motors—A review | |
Narayan et al. | Detection of Stator Fault in Synchronous Reluctance Machines Using Shallow Neural Networks | |
KR102544604B1 (ko) | 동기기 고장 진단 방법 및 장치 | |
Masoumi et al. | Online model-based fault detection of synchronous generators using residual analysis | |
Agah et al. | Stator Winding Inter-Turn Short-Circuit Fault Modeling and Detection of Squirrel-Cage Induction Motors | |
Baraldi et al. | A procedure for practical prognostics and health monitoring of fully electric vehicles for enhanced safety and reliability | |
Shen et al. | A data based diagnostic method for current sensor fault in permanent magnet synchronous motors (pmsm) | |
Krzysztofiak et al. | Online control signal-based diagnosis of interturn short circuits of PMSM drive | |
Arabacı et al. | Detection of induction motor broken rotor bar faults under no load condition by using support vector machines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |