KR102339485B1 - 인공신경망을 이용한 아크신호 검출방법 - Google Patents

Abstract

본 발명은 프로세서에 의해 입력 받은 전기신호가 아크신호인지 여부를 인공신경망을 이용하여 검출하는 방법에 관한 것으로서, 전기회로에서 시간에 따른 전류의 크기를 나타내는 데이터를 입력값으로 획득하여 행렬 데이터로 변환시키는 데이터 변환단계, 상기 변환된 행렬 데이터를 이용하여 인공신경망을 학습시키는 데이터 학습 단계, 및 상기 변환된 행렬 데이터를 상기 학습된 인공신경망에 입력시켜 아크신호를 검출하는 아크신호 검출단계를 포함할 수 있다.

Description

인공신경망을 이용한 아크신호 검출방법{ARC SIGNAL DETECTION METHOD USING ARTIFICIAL NEURAL NETWORK}

발명은 직렬아크 신호를 인공신경망을 이용하여 검출하는 방법에 관한 것으로서, 더욱 상세하게는 인공신경망에 입력되는 직렬아크 신호를 행렬 데이터로 변환시켜 직렬아크 신호 검출에 소요되는 시간을 줄임과 동시에 성능을 향상시키기 위한 방법에 관한 것이다.

매년 전력의 수요가 늘어나고 있으며 그에 따른 전기화재의 비중도 높아지고 있다. 이러한 전기화재 원인들의 공통점은 아크(ARC)를 동반한다는 것이다. 아크는 불안정한 현상으로서 화재를 야기할 만큼 오래 지속되지 않는 것이 일반적이지만, 반복되는 진동 등에 의해서 아크가 지속된다면 아크 발생지점이 국부적으로 발열되어 주변 가연물에 전기화재를 야기한다.

아크는 회로 형태에 따라 직렬아크와 병렬아크로 구분할 수 있다. 그 중 직렬아크는 부하와 직렬로 연결된 하나의 도선에서 발생하고, 압착, 진동, 구부러짐 접속부의 느슨해짐 등으로 인하여 접촉 및 떼어짐이 반복되어 발생한다. 직렬아크에 의한 전류는 부하의 임피던스에 의해 제한되기 때문에 차단기 용량보다 작은 경우 차단동작을 하지 않아 화재로 진행될 위험성이 있다.

이러한, 직렬아크 신호를 검출하기 위한 다양한 기법들이 진행되고 있으며, 시간 신호에 푸리에 변환, 웨이블릿 변환 또는 통계적 특징 등을 활용하여 아크 검출을 하는 방법들이 소개되어 있다. 그러나 이러한 주파수 변환 및 특징 추출 방법은 부가적인 처리 시간이 요구되며 처리에 소요되는 시간이 길다는 문제점이 있다.

본 발명은 딥러닝을 이용하여 종단간 학습으로 특징 추출 과정 없이 직접 원시 데이터를 활용함으로써 아크신호 검출에 소요되는 시간을 줄이기 위한 방법에 관한 것이다.

또한, 본 발명은 아크신호를 행렬 데이터로 변환한 후에 합성곱 신경망으로 분류하는 방법을 통해 원시 데이터를 사용함으로써 발생하는 성능 저하 문제를 해결하는 아크신호 검출방법을 제공하는 것을 목적으로 한다.

본 발명은 전기회로에서 발생하는 전류신호 데이터를 행렬 데이터로 변환한 후 인공신경망을 통해 분류함으로써, 아크신호를 검출하는데 소요되는 시간을 줄임과 동시에 인공신경망을 통한 검출 방법의 성능을 향상시키기 위한 아크신호 검출방법에 관한 것이다.

본 발명의 하나의 관점에 따른 아크신호 검출방법은,

전기회로에서 시간에 따른 전류의 크기를 나타내는 데이터를 입력값으로 획득하여 행렬 데이터로 변환시키는 데이터 변환단계; 상기 변환된 행렬 데이터를 이용하여 인공신경망을 학습시키는 데이터 학습 단계; 및 상기 변환된 행렬 데이터를 상기 학습된 인공신경망에 입력시켜 아크신호를 검출하는 아크신호 검출단계;를 포함하는 것이다.

또한, 본 발명의 상기 하나의 관점에 대한 부가적 특징으로서,

상기 데이터 변환단계는, 상기 입력값의 주파수 및 샘플링률을 상기 입력값과 함께 입력 받는 단계; 상기 샘플링률을 상기 주파수로 나누어 소정의 변수를 산출하는 단계; 상기 입력값을 상기 산출된 소정의 변수와 동일한 크기를 가지는 시간에 따른 전류의 크기 데이터로 분할하는 단계; 및 상기 분할된 데이터들을 분할된 순서대로 나열하여 상기 산출된 소정의 변수를 행으로 하고, 상기 분할된 데이터의 개수(N)를 열로 하는 행렬 데이터를 생성하는 단계;를 포함하는 것이다.

또한, 본 발명의 상기 하나의 관점에 대한 부가적 특징으로서,

상기 아크신호 검출단계는 상기 데이터 변환단계를 통해 얻은 행렬 데이터를 상기 학습된 인공신경망에 입력하여 합성곱 연산을 통해 특징을 추출하는 특징 추출 단계; 상기 추출된 특징들 중에서 최대값을 가지는 특징들만 추출하는 데이터 풀링 단계; 및 상기 데이터 풀링단계를 거친 데이터를 복수개의 뉴런을 통해 정상신호 또는 아크신호로 분류하는 데이터 분류단계;를 포함하는 것이다.

또한, 본 발명의 상기 하나의 관점에 대한 부가적 특징으로서,

상기 데이터 학습단계는 상기 학습되는 데이터를 증강시키는 데이터 증강단계;를 더 포함하는 것이다.

또한, 본 발명의 상기 하나의 관점에 대한 부가적 특징으로서,

상기 데이터 증강단계는 상기 행렬 데이터의 행을 서로 랜덤하게 교환하거나 상기 행렬 데이터에 특정 변수를 곱하는 것이다.

본 발명에 따른 인공신경망을 이용한 아크신호 검출방법에 따르면, 인공신경망에 입력되는 데이터의 특징을 추출하는 과정 없이 직접 원시 데이터를 활용함으로써 아크신호 검출에 소요되는 시간을 줄일 수 있다.

또한, 본 발명은 합성곱 신경망을 사용함으로써 원시 데이터를 사용함으로 인해 발생하는 성능 저하 문제를 해결할 수 있다.

도 1은 전기회로에서 검출되는 전류신호 중 정상신호와 아크신호의 예들을 그래프로 나타낸 도면이다.
도 2는 본 발명의 인공신경망을 설명하는 도면이다.
도 3은 본 발명의 일 실시 예에 따른 인공신경망을 이용한 아크신호 검출방법을 도시한 순서도이다.
도 4는 본 발명의 다른 실시 예에 따른 인공신경망을 이용한 아크신호 검출방법을 도시한 순서도이다.
도 5는 본 발명의 일 실시 예에 따른 전류신호를 행렬 데이터로 변환하는 과정을 나타내는 도면이다.
도 6은 본 발명의 일 실시 예에 따른 데이터 변환 결과를 나타내기 위한 도면이다.
도 7은 본 발명의 또 다른 실시 예에 따른 인공신경망을 이용한 아크신호 검출방법을 도시한 순서도이다.
도 8은 본 발명의 또 다른 실시 예에 따른 인공신경망을 이용한 아크신호 검출방법을 도시한 순서도이다.

이하에서는 도면을 참조하여 이 발명을 실시하기 위한 구체적인 내용으로서, 이 발명에 따른 인공신경망을 이용하여 아크신호를 검출하는 방법의 작동에 관여하는 요소들에 대해 설명한다.

도 1은 전기회로에서 검출되는 전류신호 중 정상신호와 아크신호의 예를 그래프로 나타낸 도면이다.

도 1의 그래프들은 전기회로에서 추출되는 전류신호들을 나타내며, 도 1(a)가 정상신호를 나타내는 그래프, 도 1(b)가 아크신호를 나타내는 그래프이다. 아크가 발생할 때 전류신호의 파형은 전압의 극성이 변화되는 순간, 영점 부근에서 사각형 형태의 일그러짐(shoulder)이 발생되는 것에 특징이 있다. 도 1을 참조하면, 정상신호와 아크신호 사이의 차이점을 알 수 있다. 이러한 정상신호와 아크신호의 차이점을 이용하여 전기회로에서 획득된 신호가 아크신호 인지 여부를 검출한다.

도 2은 본 발명의 인공신경망을 설명하는 도면이다.

인공신경망(Artificial neural network, ANN)은 인체의 신경 세포인 뉴런(neuron)을 모방한 가상의 신경소자인 퍼셉트론(perceptron)을 망(network)으로 연결하여, 입력과 출력을 갖춘 일종의 함수를 만든 것으로 퍼셉트론이 구성하는 복잡한 회로망을 통해 복잡한 계산이나 분류를 비교적 간단하게 재현하거나 예측할 수 있다.

본 발명의 일 실시 예에 따른 인공신경망은 합성곱 신경망(Convolutional Neural Network, CNN)으로서 이미지 처리에 탁월한 성능을 보이는 신경망이다. 따라서 이미지 인식이나 음성인식에서 주로 사용되며, 다차원 배열 데이터를 처리하도록 구성되어 있다. 완전연결층(fully-connected) 일반 신경망(ANN 또는 DNN)의 경우, 2차원 이미지 데이터를 1차원 벡터로 변환하여 처리하거나, 1차원 원시 데이터를 그대로 처리하므로 이미지의 특성을 찾지 못하고 이미지의 위치가 조금만 달라지거나 왜곡되는 경우에 올바른 성능을 내지 못한다. 그러나 합성곱 신경망(CNN)은 이미지를 하나의 데이터가 아닌, 여러 개의 영역으로 분할하여 처리하므로 이미지가 왜곡되더라도 이미지의 국부적 특성을 추출할 수 있어 올바른 성능을 낼 수 있다. 그러나 본 발명에 사용되는 인공신경망은 합성곱 신경망(CNN)에 한정되는 것은 아니며 본 발명의 목적을 달성하기 위한 범위 내에서 다양한 변형이 가능하다.

도 3은 본 발명의 일 실시 예에 따른 인공신경망을 이용한 아크신호 검출방법을 도시한 순서도이다.

본 발명의 실시 예의 인공신경망을 이용하여 아크신호를 검출하는 방법은 전기회로에서 검출되는 시간에 따른 전류의 크기를 나타내는 데이터를 입력값으로 획득하여 행렬 데이터로 변환시키는 데이터 변환단계(S100), 상기 변환된 행렬 데이터를 이용하여 인공신경망을 학습시키는 데이터 학습 단계(S200) 및 상기 변환된 행렬 데이터를 상기 학습된 인공신경망에 입력시켜 아크신호를 검출하는 아크신호 검출단계(S300)로 이루어진다.

이러한 단계(S100~S300)에 의해 전기회로에서 검출되는 신호를 인공신경망에 입력시킬 수 있는 데이터로 변환시킴으로써, 인공신경망의 학습 및 아크신호의 검출이 가능하다. 이하 더욱 상세하게 설명한다.

도 4는 본 발명의 다른 실시 예에 따른 인공신경망을 이용한 아크신호 검출방법의 데이터 변환 방법을 도시한 순서도이며, 도 5는 본 발명의 일 실시 예에 따른 전류신호를 행렬 데이터로 변환하는 과정을, 도 6은 본 발명의 일 실시 예에 따른 데이터 변환 결과를 나타내는 도면이다.

본 발명에서 사용되는 인공신경망인 합성곱 신경망의 입력데이터는 2차원 데이터여야 하므로, 1차원 데이터인 전기회로에서 검출되는 전류신호를 2차원 데이터인 행렬 데이터로 변환시키는 과정이 필요하다. 즉, 입력된 1차원 신호를 축적해서 2차원의 데이터로 제작하는 과정이 필요하다.

도 4에 도시된 바와 같이 본 발명의 일 실시 예에 따른 데이터 변환 단계(S100)는 입력값의 주파수 및 샘플링률을 상기 입력값과 함께 입력 받는 단계(S110), 상기 샘플링률을 상기 주파수로 나누어 소정의 변수를 산출하는 단계(S120), 상기 입력값을 상기 소정의 변수로 분할하는 단계(S130) 및 상기 데이터들을 분할된 순서대로 나열하여 상기 소정의 변수를 행으로 하고, 상기 분할된 데이터의 개수(N)를 열로 하는 행렬 데이터를 생성하는 단계(S140)로 이루어진다.

상기 데이터 변환 단계(S100)에서 입력 받는 입력 값은 전기회로에서 검출되는 전류신호로서 시간에 따른 전류의 크기를 나타내는 데이터를 의미한다. 주파수[Hz]는 입력되는 전류신호가 가지는 주파수를 의미하며, 샘플링률 [Hz]이란 이산적인 신호를 만들기 위해 연속적인 신호에서 얻어지는 단위시간당 샘플링 횟수를 말한다.

소정의 변수(W)란 1차원 데이터를 분할하기 위해 산출되는 기준 값으로 입력되는 신호의 주파수와 샘플링률에 의해 계산된다.

예를 들어, 신호의 기본 주파수가 60HZ이고, 샘플링률(sampling rate)이 27kHZ인 경우, 소정의 변수(W)는 27000/60=450이다.

도 5에 도시된 바와 같이, 시간에 따른 전류의 크기를 나타내는 데이터를 소정의 변수(W)의 크기만큼 분할한 뒤 데이터가 분할되는 순서에 따라 행렬의 제1행에서부터 시작하여 다음 행으로 나아가며 차례대로 나열된다.

즉, 가장 먼저 분할된 데이터인

이 제1행에 나열되고, 두 번째로 분할된 데이터인

가 제2행에 나열되고, 세 번째로 분할된 데이터인

이 제3행에 나열되며 상기 과정이 반복되어 가장 마지막으로 분할되는 데이터인

이 가장 마지막 행에 나열됨으로써 데이터 변환 과정이 종결된다.

위와 같이 전류신호를 행렬 데이터로 나타낼 경우, 즉, 각 시간에 따른 전류의 크기 값을 행렬의 각 픽셀 값으로 나타낼 경우, 이미지 파일과 데이터 형식이 동일해지므로 합성곱 신경망에 입력 값으로 사용될 수 있다.

도 6을 참조하면, 실제 1차원의 전류신호로부터 생성된 2차원의 데이터를 볼 수 있다. 도 6의 (a)는 1차원의 전류 신호이고, 도 6의 (b)는 도 (a)의 신호로부터 생성된 해상도가 20x450인 2차원의 데이터이다. 즉, 도 6 (b)는 도 6 (a)의 전류신호를 소정의 변수인 450으로 20번 분할한 뒤, 나열한 결과값을 나타낸다.

도 7은 본 발명의 또 다른 실시 예에 따른 인공신경망을 이용한 아크신호 검출방법의 아크신호 검출단계를 도시한 순서도이다.

도 7에 도시된 바와 같이 본 발명의 일 실시 예에 따른 아크신호 검출단계(S300)는 데이터 변환단계를 통해 얻은 행렬 데이터를 상기 학습된 인공신경망에 입력하여 합성곱 연산을 통해 특징을 추출하는 특징 추출 단계(S310), 상기 추출된 특징들 중에서 최대값을 가지는 특징들만 추출하는 데이터 풀링 단계(S320) 및 상기 데이터 풀링 단계를 거친 데이터를 복수개의 뉴런을 통해 정상신호 또는 아크신호로 분류하는 데이터 분류단계(S330)로 이루어진다.

먼저, 특징 추출 단계(S310)에서는 행렬 데이터에 합성곱 연산을 거쳐 데이터의 특징을 추출한다. 이하 특징 추출 단계를 합성곱 층이라고 부른다. 합성곱 층은 복수개가 중복되어 사용될 수 있으며, 이때, 입력되는 행렬 데이터의 가로, 세로 크기가 서로 다른 것을 고려하여 합성곱 층에 사용되는 필터의 크기를 조절할 수 있다.

풀링 단계(S320)는 추출된 특징들을 서브 샘플링하는 단계로서, 합성곱층에서 추출된 특징들에서 약한 특징은 무시하고 강한 특징들을 추출하여 영상의 차원을 축소하는 것이다. 즉, 강한 특징값이 다른 특징 값들을 대표한다는 개념을 기반으로 한다. 본 발명에서는 강한 특징들을 추출하는 방법으로서 합성곱층을 통해 추출된 특징들 중에서 최댓값을 추출하였다.

데이터 분류단계(S330)에서는 상기 특징 추출단계와 풀링단계의 반복 수행에서 추출된 특징을 신경망을 거치면서 정상과 아크신호로 분류한다.

도 8은 본 발명의 또 다른 실시 예에 따른 인공신경망을 이용한 아크신호 검출방법의 데이터 증강단계를 도시한 순서도이다.

인공신경망의 학습에는 많은 데이터의 양이 요구된다. 데이터의 양이 부족할 경우 발생하는 문제를 과적합(overfitting)이라고 한다. 이러한 과적합 문제를 해결하기 위해 데이터 증강(data augmentation)이 제안된다.

도 8에 도시된 바와 같이 본 발명의 일 실시 예에 따른 데이터 증강단계(S1000)는 데이터 변환단계(S100)와 데이터 학습단계(S200)의 사이에 더 포함될 수 있으며, 본 발명에서 제안되는 데이터 증강 방법은 행렬 데이터의 행을 서로 랜덤(random)하게 교환하거나 상기 행렬 데이터에 특정 변수를 곱하는 것이다.

예를 들어, 행렬 데이터의 행을 서로 랜덤하게 교환하는 것은 N개의 행을 가지는 행렬데이터에 있어서, n1번째 행과 n2번째 행을 서로 교환하는 것을 의미하며, 행렬 데이터에 특정 변수를 곱하는 것은 행렬 데이터에 [0.8, 1.2]를 곱하는 것을 의미한다. 이러한 데이터 증강 방법을 사용할 경우 아크 분류의 정확도가 증강방법을 사용하지 않은 경우에 비해 6퍼센트 증가한다.

이하 본 발명의 이해를 돕기 위해 상술한 기술적 사상을 적용한 실험 예를 설명한다. 다만, 하기의 실험 예는 본 발명의 이해를 돕기 위한 것일 뿐, 본 발명이 아래의 실험 예에 의해서 한정되는 것은 아니다.

[실험 예]

본 발명의 일부 실시 예에 따른 인공신경망을 이용한 아크신호 검출방법에 대해서 실험한 결과를 설명하면 다음과 같다.

실험에서 사용된 입력데이터의 80%는 학습데이터로, 20%는 실험 데이터로 사용되었다. 합성곱 층에 사용되는 함수로 relu(rectified linear unit)함수를 사용하였고, 풀링 단계에서 강한 특징을 추출하는 방법으로 max pooling을 하였으며, 데이터 분류 단계에서는 은닉층은 1개 층으로 구성하고 뉴런의 개수는 100으로 하였다. 또한, 출력층에서는 2개의 뉴런이 있으며 활성 함수로 소프트맥스(softmax)를 사용하였다. 이 경우 학습률은 0.001이고, 최적화는 adam이 사용된다.

위와 같은 조건으로 본 발명의 실시 예에 따른 인공신경망을 이용한 아크신호 검출결과 표 1과 같은 결과값을 얻었다.

DNN	CNN
데이터 증강 X	데이터 증강 X	데이터 증강 O
79.44	88.04	94.8

이와 같이 본 발명에 따른 인공신경망을 이용한 아크신호 검출방법에 따르면, 분류 정확도가 79.44인 일반 인공신경망(ANN 또는 DNN)에 의한 아크신호 검출방법에 비해 분류 정확도가 8.6% 이상 향상되며, 데이터 증강방법을 이용하면 약 14% 이상으로 향상된다. 본 발명의 범위는 이러한 효과에 한정되는 것은 아니다.

이상, 본 발명의 실시 예들에 대해 설명하였는바, 본 발명은 이러한 실시 예들의 구성에 한정되지 않고, 청구범위에 기재한 범위에서 다양한 수정과 변경이 가능하다.

Claims (5)

1. 프로세서에 의해 입력 받은 전기신호가 아크신호인지 여부를 인공신경망을 이용하여 아크신호를 검출하는 방법에 있어서,
   전기회로에서 시간에 따른 전류의 크기를 나타내는 데이터를 입력값으로 획득하여 행렬 데이터로 변환시키는 데이터 변환단계;
   상기 변환된 행렬 데이터를 이용하여 인공신경망을 학습시키는 데이터 학습 단계; 및
   상기 변환된 행렬 데이터를 상기 학습된 인공신경망에 입력시켜 아크신호를 검출하는 아크신호 검출단계를 포함하고,
   상기 데이터 변환단계는,
   상기 입력값의 주파수 및 샘플링률을 상기 입력값과 함께 입력 받는 단계;
   상기 샘플링률을 상기 주파수로 나누어 소정의 변수를 산출하는 단계;
   상기 입력값을 상기 산출된 소정의 변수와 동일한 크기로 분할하는 단계; 및
   상기 분할된 데이터들을 분할된 순서대로 나열하여 상기 산출된 소정의 변수를 행으로 하고, 상기 분할된 데이터의 개수(N)를 열로 하는 행렬 데이터를 생성하는 단계를 더 포함하는 인공신경망을 이용한 아크신호 검출방법.
   
2. 삭제
3. 청구항 1에 있어서,
   상기 아크신호 검출단계는
   상기 데이터 변환단계를 통해 얻은 행렬 데이터를 상기 학습된 인공신경망에 입력하여 합성곱 연산을 통해 특징을 추출하는 특징 추출 단계;
   상기 추출된 특징들 중에서 최대값을 가지는 특징들만 추출하는 데이터 풀링 단계; 및
   상기 데이터 풀링단계를 거친 데이터를 복수개의 뉴런을 통해 정상신호 또는 아크신호로 분류하는 데이터 분류단계를 포함하는 인공신경망을 이용한 아크신호 검출방법.
   
4. 청구항 1에 있어서,
   상기 데이터 학습단계는 상기 학습되는 데이터를 증강시키는 데이터 증강단계를 더 포함하는 인공신경망을 이용한 아크신호 검출방법.
   
5. 청구항 4에 있어서,
   상기 데이터 증강단계는 상기 행렬 데이터의 행을 서로 랜덤하게 교환하거나 상기 행렬 데이터에 특정 변수를 곱하는 것인 인공신경망을 이용한 아크신호 검출방법.
   
   
   

Images