KR102538542B1 - 상전류 신호를 이용한 모터 고장 진단 방법 및 장치 - Google Patents

상전류 신호를 이용한 모터 고장 진단 방법 및 장치 Download PDF

Info

Publication number
KR102538542B1
KR102538542B1 KR1020210047020A KR20210047020A KR102538542B1 KR 102538542 B1 KR102538542 B1 KR 102538542B1 KR 1020210047020 A KR1020210047020 A KR 1020210047020A KR 20210047020 A KR20210047020 A KR 20210047020A KR 102538542 B1 KR102538542 B1 KR 102538542B1
Authority
KR
South Korea
Prior art keywords
failure
severity
module
motor
estimation module
Prior art date
Application number
KR1020210047020A
Other languages
English (en)
Other versions
KR20220141019A (ko
Inventor
윤병동
박찬희
김현재
이준민
윤명백
안길준
Original Assignee
서울대학교산학협력단
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 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020210047020A priority Critical patent/KR102538542B1/ko
Publication of KR20220141019A publication Critical patent/KR20220141019A/ko
Application granted granted Critical
Publication of KR102538542B1 publication Critical patent/KR102538542B1/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
    • 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
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
    • G01R31/2836—Fault-finding or characterising
    • G01R31/2846—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms
    • G01R31/2848—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms using simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

본 발명에 따른 모터 고장 진단 방법은, 모터의 상전류 신호로부터 얻어지는 학습 데이터를 이용하여 신경망 모델을 학습시키는 단계-여기서, 상기 신경망 모델은, 모터의 고장 모드를 식별하는 고장 진단 모듈 및 각 고장 모드에 대한 고장 심각도를 추정하는 심각도 추정 모듈을 포함하고, 상기 고장 진단 모듈에서 추출된 특징 데이터가 상기 심각도 추정 모듈에 입력됨-; 및 상기 학습된 신경망 모델을 이용하여 모터의 고장 모드 및 고장 심각도를 판단하는 단계를 포함하는 것을 특징으로 한다.

Description

상전류 신호를 이용한 모터 고장 진단 방법 및 장치{Method and apparatus for diagnosis of motor using current signals}
본 발명은 모터 고장 진단 방법 및 장치에 관한 것으로, 보다 상세하게는 상전류 신호를 이용하여 모터의 고장 모드를 식별하고 고장 심각도를 추정할 수 있는 모터 고장 진단 방법 및 장치에 관한 것이다.
모터는 저렴한 비용과 높은 신뢰성으로 인해 회전력이 필요한 다양한 응용 분야에서 널리 사용된다. 모터는 사용중 손상 및 환경 조건과 같은 예상치 못한 스트레스에 노출되기 때문에 기계적 및 전기적 고장을 겪게 된다. 모터의 성능 저하는 제품의 품질 저하로 이어지므로, 모터의 상태를 진단하고 고장 심각도를 평가하는 것이 중요하다.
딥러닝을 활용하여 기계의 고장을 진단하는 기존의 기법들은 주로 진동 신호를 이용하고 있다. 모터의 경우 진동 신호 측정을 위해서는 추가 센서의 설치가 요구되어, 진동 신호 대비 측정이 용이한 상전류 신호를 활용한 고장 진단 기법이 연구되고 있으나, 딥러닝을 활용하는 기법은 초기 단계로 고장 진단에만 집중되어 있다.
상전류 신호를 이용한 기존의 모터 고장 진단 기술은 신호의 주파수를 분석하거나 다량의 데이터에 기초한 신호처리 혹은 퍼지 방식 등으로 모터의 고장을 진단한다. 그리고 기존에 모터의 고장 심각도를 추정하는 기술은 대부분 고장 수준에 따른 건전성 인자의 변동 추이를 관측하는 데 그치고 있다. 그러나 고장 특성 주파수를 알기 위해서는 모터 관련 사전 지식(예컨대 폴(pole) 수, 베어링 정보 등)이 필요하고, 신호처리 기반의 방식 역시 경험에 기반하여 파라미터를 선정해야 하기 때문에 상당한 전문가적 지식이 요구된다. 또한 종래의 건전성 인자들은 고장 종류가 다름에도 불구하고 건전성 인자가 겹치는 경우가 많아 실제 적용에 어려움이 있다.
본 발명이 이루고자 하는 기술적 과제는, 상전류 신호를 이용하여 딥러닝 모델을 통해 모터의 고장 모드를 식별하고 고장 심각도를 추정할 수 있는 모터 고장 진단 방법 및 장치를 제공하는 데 있다.
상기 기술적 과제를 해결하기 위한 본 발명에 따른 모터 고장 진단 방법은, 모터의 상전류 신호로부터 얻어지는 학습 데이터를 이용하여 신경망 모델을 학습시키는 단계-여기서, 상기 신경망 모델은, 모터의 고장 모드를 식별하는 고장 진단 모듈 및 각 고장 모드에 대한 고장 심각도를 추정하는 심각도 추정 모듈을 포함하고, 상기 고장 진단 모듈에서 추출된 특징 데이터가 상기 심각도 추정 모듈에 입력됨-; 및 상기 학습된 신경망 모델을 이용하여 모터의 고장 모드 및 고장 심각도를 판단하는 단계를 포함하는 것을 특징으로 한다.
상기 심각도 추정 모듈은 각 고장 모드마다 대응되도록 구비되고, 상기 특징 데이터가 상기 고장 진단 모듈을 통해 식별된 고장 모드에 대응하는 심각도 추정 모듈에 입력될 수 있다.
상기 고장 진단 모듈은, 순차적으로 연결된 복수 개의 컨볼루션 블록들을 포함하고, 마지막 컨볼루션 블록에서 출력되는 상기 특징 데이터가 상기 고장 심각도 모듈에 입력될 수 있다. 상기 복수 개의 컨볼루션 블록들 각각은, 컨볼루션 계층 및 풀링 계층을 포함할 수 있다. 상기 고장 진단 모듈은, 상기 마지막 컨볼루션 블록에 연결되어 고장 모드를 출력하는 완전 연결 계층을 더 포함할 수 있다.
상기 심각도 추정 모듈은, 순차적으로 연결된 복수 개의 컨볼루션 블록들 및 마지막 컨볼루션 블록에 연결되어 고장 심각도를 출력하는 완전 연결 계층을 포함할 수 있다. 상기 복수 개의 컨볼루션 블록들 각각은, 컨볼루션 계층 및 풀링 계층을 포함할 수 있다.
상기 모터 고장 진단 방법은, 상기 상전류 신호를 전처리하여 상기 학습 데이터를 생성하는 단계를 더 포함할 수 있다.
상기 학습시키는 단계는, 상기 입력 데이터를 이용하여 상기 고장 진단 모듈을 학습시킨 다음 상기 특징 데이터를 이용하여 상기 심각도 추정 모듈을 학습시키되, 상기 학습된 고장 진단 모듈에서 추출된 특징 데이터를 해당 고장 모드에 대응하는 심각도 추정 모듈에 입력하여 상기 심각도 추정 모듈을 학습시킬 수 있다.
상기 학습시키는 단계는, 상기 고장 진단 모듈과 상기 심각도 추정 모듈을 동시에 학습시키되, 학습 과정 중에 상기 고장 진단 모듈에서 추출되는 특징 데이터를 해당 고장 모드에 대응하는 심각도 추정 모듈에 입력하여 상기 심각도 추정 모듈을 학습시킬 수 있다.
상기 기술적 과제를 해결하기 위한 본 발명에 따른 모터 고장 진단 장치는, 모터의 상전류 신호로부터 얻어지는 학습 데이터를 이용하여 신경망 모델을 학습시키는 학습부-여기서, 상기 신경망 모델은, 모터의 고장 모드를 식별하는 고장 진단 모듈 및 각 고장 모드에 대한 고장 심각도를 추정하는 심각도 추정 모듈을 포함하고, 상기 고장 진단 모듈에서 추출된 특징 데이터가 상기 심각도 추정 모듈에 입력됨-; 및 상기 학습된 신경망 모델을 이용하여 모터의 고장 모드 및 고장 심각도를 판단하는 판단부를 포함하는 것을 특징으로 한다.
상기 모터 고장 진단 장치는, 상기 상전류 신호를 전처리하여 상기 학습 데이터를 생성하는 전처리부를 더 포함할 수 있다.
상기 학습부는, 상기 학습 데이터를 이용하여 상기 고장 진단 모듈을 학습시킨 다음 상기 특징 데이터를 이용하여 상기 심각도 추정 모듈을 학습시키되, 상기 학습된 고장 진단 모듈에서 추출된 특징 데이터를 해당 고장 모드에 대응하는 심각도 추정 모듈에 입력하여 상기 심각도 추정 모듈을 학습시킬 수 있다.
상기 학습시키는 단계는, 상기 고장 진단 모듈과 상기 심각도 추정 모듈을 동시에 학습시키되, 학습 과정 중에 상기 고장 진단 모듈에서 추출되는 특징 데이터를 해당 고장 모드에 대응하는 심각도 추정 모듈에 입력하여 상기 심각도 추정 모듈을 학습시킬 수 있다.
상기된 본 발명에 의하면, 추가적인 센서의 설치가 필요 없고 취득이 용이한 상전류 신호를 이용하여 딥러닝 모델을 통해 모터의 고장을 진단하고 고장 심각도를 추정할 수 있다.
또한, 모터 관련 특성 정보나 복잡한 신호처리 기술 등 전문가적 지식 없이 딥러닝 모델을 통해 모터의 고장 진단 및 심각도 추정을 할 수 있다.
또한, 고장 모드를 식별하는 상위 모듈에서 추출되는 특징 데이터가 고장 심각도를 추정하는 하위 모듈을 학습시키는데 활용되어 상위 모듈에서 추출된 고장 관련 특징들이 효율적으로 재사용되며, 이를 통해 하위 모듈은 상위 모듈에서 학습된 정보를 바탕으로 해당 고장 모드에 따른 특징만 집중적으로 학습할 수 있어 심각도 추정 성능을 개선할 수 있다.
도 1은 본 발명의 일 실시예에 따른 모터 고장 진단 장치의 블록도를 나타낸다.
도 2는 본 발명의 일 실시예에 따른 모터 고장 진단 및 고장 심각도 추정을 위한 신경망 모델의 개략적인 구조를 나타낸다.
도 3은 본 발명의 일 실시예에 따른 모터 고장 진단 및 고장 심각도 추정을 위한 신경망 모델의 구체적인 구조를 나타낸다.
도 4는 고장 진단 모듈의 첫 번째 내지 세 번째 컨볼루션 블록에서 각각 추출되는 특징 데이터를 t-SNE로 시각화한 특징 공간의 일 예를 나타낸다.
도 5는 본 발명의 일 실시예에 따른 신경망 모델 학습 과정의 흐름도를 나타낸다.
도 6은 본 발명의 다른 실시예에 따른 신경망 모델 학습 과정의 흐름도를 나타낸다.
도 7은 본 발명의 일 실시예에 따른 모터 고장 진단 또는 신경망 모델 테스트 과정의 흐름도를 나타낸다.
도 8은 본 발명의 실시예와 기존 기법의 고장 진단 및 심각도 추정 결과의 고장 진단 정확도 및 심각도 추정 오차를 나타낸다.
도 9는 본 발명의 실시예와 기존 기법의 심각도 추정 오차를 막대 그래프로 표현한 것을 나타낸다.
도 10은 본 발명의 실시예와 기존 기법의 심각도 추정 성능을 비교하여 표현한 것을 나타낸다.
이하에서는 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 이하 설명 및 첨부된 도면들에서 실질적으로 동일한 구성요소들은 각각 동일한 부호들로 나타냄으로써 중복 설명을 생략하기로 한다. 또한 본 발명을 설명함에 있어 관련된 공지기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략하기로 한다.
도 1은 본 발명의 일 실시예에 따른 모터 고장 진단 장치의 블록도를 나타낸다. 본 실시예에 따른 모터 고장 진단 장치는 전처리부(110), 학습부(120), 신경망 모델(130), 판단부(140)를 포함할 수 있다.
전처리부(110)는 모터의 상전류 신호를 전처리(preprocessing)하여 학습 데이터 또는 입력 데이터를 생성한다.
상전류 신호는 모터의 전원 공급부에 교류형 전류 센서를 설치하여 측정하거나, 모터를 구동하는 제어장치 내부의 전류제어기 출력단으로부터 측정될 수 있다. 전처리는 리샘플링(resampling), 증대(augmentation), 정규화(normalization), 스케일링(scaling) 등을 포함할 수 있다. 리샘플링은 취득된 상전류 신호의 샘플링 레이트가 다를 경우 훈련 정확도가 떨어질 수 있으므로 샘플링 레이트를 균일하게 맞추는 과정이다. 증대는 딥러닝 모델 학습에서 학습 데이터가 많을수록 정확도가 향상되므로 데이터의 양을 증대시키는 과정이다. 정규화는 데이터를 균일화하는 과정이며, 스케일링은 용량이 다른 모터나 구동 환경이 다른 모터로의 확장 적용 가능성을 확보하기 위한 과정이다.
학습부(120)는 상전류 신호가 전처리된 데이터인 학습 데이터를 이용하여, 고장 모드 및 해당 고장 모드에 대한 고장 심각도를 출력하는 신경망 모델(130)을 학습시킨다.
도 2는 본 발명의 일 실시예에 따른 모터 고장 진단 및 고장 심각도 추정을 위한 신경망 모델(130)의 개략적인 구조를 나타낸다.
신경망 모델(130)은, 상위 모듈로서 모터의 고장 모드를 식별하는 고장 진단 모듈(200)과, 하위 모듈로서 각 고장 모드에 대한 고장 심각도를 추정하는 심각도 추정 모듈(300, 400, 500)을 포함할 수 있다.
고장 모드는 정상(Normal) 및 복수 개의 고장 유형(Fault 1, 2, 3)을 포함할 수 있다. 본 실시예에서 3개의 고장 유형을 예로 들었으나, 고장 유형은 하나 이상의 임의의 수일 수 있다. 일 예로, 모터의 고장 유형은 편심(eccentricity), 회전자봉 손상, 불균형(unbalance) 등을 포함할 수 있다.
심각도 추정 모듈(300, 400, 500)은 각 고장 모드(고장 유형)마다 대응되도록 구비될 수 있다. 예컨대 고장 유형(Fault 1, 2, 3)에 각각 대응되도록 제1 내지 제3 심각도 추정 모듈(300, 400, 500)이 구비될 수 있다. 제1 심각도 추정 모듈(300)은 Fault 1에 대한 고장 심각도를 출력하고, 제2 심각도 추정 모듈(400)은 Fault 2에 대한 고장 심각도를 출력하고, 제3 심각도 추정 모듈(500)은 Fault 3에 대한 고장 심각도를 출력할 수 있다. 본 실시예에서 3개의 고장 유형에 대응하는 3개의 심각도 추정 모듈(300, 400, 500)을 예로 들었으나, 심각도 추정 모듈 역시 고장 유형의 수에 따라 하나 이상의 임의의 수일 수 있다.
고장 진단 모듈(200)에서 추출되는 특징 데이터는 고장 진단 모듈(200)을 통해 식별된 고장 모드에 대응하는 심각도 추정 모듈에 입력될 수 있다. 즉, 고장 진단 모듈(200)을 통해 Fault 1이 식별되면 특징 데이터는 제1 심각도 추정 모듈(300)로 입력되고, 고장 진단 모듈(200)을 통해 Fault 2가 식별되면 특징 데이터는 제2 심각도 추정 모듈(400)로 입력되고, 고장 진단 모듈(200)을 통해 Fault 3이 식별되면 특징 데이터는 제3 심각도 추정 모듈(500)로 입력될 수 있다. 그에 따라 제1 내지 제3 심각도 추정 모듈(300, 400, 500)은 각각 고장 유형(Fault 1, 2, 3)에 대한 고장 심각도를 추정할 수 있다.
학습 데이터는 고장 진단 모듈(200)을 거치면서 고장 특징을 나타내는 건전성 인자로 학습될 수 있다. 심각도 추정 모듈(300, 400, 500)은, 고장 진단 모듈(200)에서 사용한 입력 데이터가 아닌, 고장 진단 모듈(200)에서 추출되는 특징 데이터(즉, 잠재 특징)를 입력으로 사용하여 특정 고장 유형의 심각도만을 집중적으로 학습할 수 있다. 고장 심각도는 이산(discrete) 값이 아닌 연속(continuous) 값으로 설정되어 심각도 추정 모듈(300, 400, 500)이 차후 고장 예측 회귀모델로 활용 가능하도록 설계될 수 있다.
고장 진단 모듈(200)의 태스크는 수식
Figure 112021042266490-pat00001
로 표현될 수 있다. 여기서
Figure 112021042266490-pat00002
는 고장 모드를, x는 입력 데이터(학습 데이터)를, WFD는 고장 진단 모듈(200)의 웨이트(파라미터) 매트릭스를 나타낸다. 즉, 고장 진단 모듈(200)은 입력 데이터 x가 고장 진단 모듈(200)을 통과하여 진단된 고장 모드(
Figure 112021042266490-pat00003
)가 실제 고장 모드(
Figure 112021042266490-pat00004
)와 유사하도록 손실함수를 최소화하는 방향으로 학습될 수 있다. 고장 진단 모듈(200)의 손실함수
Figure 112021042266490-pat00005
는 크로스-엔트로피(cross-entropy)를 이용하여 계산될 수 있고, 예를 들어 다음과 같이 표현될 수 있다.
Figure 112021042266490-pat00006
여기서, β1은 L2 정규화 계수를 나타낸다.
심각도 추정 모듈(300, 400, 500)은 각 고장 모드마다 구비되어, 상위 모듈인 고장 진단 모듈(200)의 고장 모드 식별 결과에 따라 특정 심각도 추정 모듈이 학습될 수 있다. 심각도 추정 모듈의 태스크는
Figure 112021042266490-pat00007
로 표현될 수 있다. 여기서
Figure 112021042266490-pat00008
는 고장 진단 모듈(200)에서 추출된 특징 데이터를, WSE는 심각도 추정 모듈의 웨이트(파라미터) 매트릭스를, S는 고장 심각도를 나타낸다. 고장 진단 모듈(200)의 손실함수가 충분히 감소한 경우, 특징 데이터
Figure 112021042266490-pat00009
는 특정 고장에 대한 충분한 정보를 담고 있기 때문에 심각도 추정 모듈(WSE)의 학습 시 특정 고장의 심각도에 집중된 학습이 가능하다. 심각도 추정 모듈은 특징 데이터
Figure 112021042266490-pat00010
가 해당 심각도 추정 모듈(WSE)을 통과하여 추정된 특정 고장의 심각도(
Figure 112021042266490-pat00011
)가 실제 고장 심각도(
Figure 112021042266490-pat00012
)와 유사하도록 손실함수를 최소화하는 방향으로 학습될 수 있다. 심각도 추정 모듈의 손실함수
Figure 112021042266490-pat00013
는 제곱평균오차(MSE)를 이용하여 계산될 수 있고, 예를 들어 다음과 같이 표현될 수 있다.
Figure 112021042266490-pat00014
여기서 β2은 L2 정규화 계수를 나타내고, f2는 특징 데이터
Figure 112021042266490-pat00015
및 심각도 추정 모듈의 WSE로부터 계산된 심각도를 나타낸다.
도 3은 본 발명의 일 실시예에 따른 모터 고장 진단 및 고장 심각도 추정을 위한 신경망 모델의 구체적인 구조를 나타낸다.
고장 진단 모듈(200)은, 순차적으로 연결된 복수 개의 컨볼루션 블록들(210, 220, 230)과, 마지막 컨볼루션 블록(230)에 연결되어 고장 모드를 출력하는 완전 연결 계층(fully connected layer)(240)을 포함할 수 있다. 본 실시예에서 컨볼루션 블록의 수는 3개인 것을 예로 들었으나, 컨볼루션 블록은 하나 이상의 임의의 수일 수 있다. 각 컨볼루션 블록(210, 220, 230)은 컨볼루션 레이어(211, 221, 231) 및 풀링 레이어(pooling layer)(212, 222, 232)를 포함할 수 있다.
도 4는 고장 진단 모듈(200)의 첫 번째 내지 세 번째 컨볼루션 블록(210, 220, 230)에서 각각 추출되는 특징 데이터를 t-SNE로 시각화한 특징 공간의 일 예를 나타낸다.
도 4를 참조하면, 첫 번째 및 두 번째 컨볼루션 블록(210, 220)에 비해 세 번째 컨볼루션 블록(230)의 특징 공간이 고장 모드에 대해 보다 응축된 클러스터를 형성함을 알 수 있다. 이처럼 컨볼루션 블록을 통과할수록 고장 특성 학습도가 올라가는 것을 기반으로, 고장 진단 모듈(200)의 마지막 컨볼루션 블록(230)에서 출력되는 특징 데이터를 심각도 추정 모듈(300, 400, 500)의 입력 데이터로 사용할 수 있다. 그러나 실시예에 따라서는, 고장 진단 모듈(200)의 임의의 컨볼루션 블록에서 출력되는 특징 데이터가 입력 데이터로 사용될 수도 있다.
다시 도 3을 참조하면, 각 심각도 추정 모듈(300, 400, 500)은, 순차적으로 연결된 복수 개의 컨볼루션 블록들[(310, 320), (410, 420), (510, 520)]과, 마지막 컨볼루션 블록(320, 420, 520)에 연결되어 고장 심각도를 출력하는 완전 연결 계층(330, 430, 530)을 포함할 수 있다. 본 실시예에서 컨볼루션 블록의 수는 2개인 것을 예로 들었으나, 컨볼루션 블록은 하나 이상의 임의의 수일 수 있다. 각 컨볼루션 블록[(310, 320), (410, 420), (510, 520)]은 컨볼루션 레이어[(311, 321), (411, 421), (511, 521)] 및 풀링 레이어(pooling layer)[(312, 322), (412, 422), (512, 522)]를 포함할 수 있다.
다시 도 1을 참조하면, 판단부(140)는, 신경망 모델(130)을 테스트하거나 모터를 진단하고자 할 때, 상전류 신호가 전처리된 입력 데이터를 학습된 신경망 모델(130)에 입력하여 모터의 고장 모드 및 고장 심각도를 판단할 수 있다. 가령, 입력 데이터가 고장 진단 모듈(200)을 통해 Fault 1으로 분류되면, 고장 진단 모듈(200)로부터 추출되는 특징 데이터는 Fault 1에 대응하는 제1 심각도 추정 모듈(300)에 입력되어, 제1 심각도 추정 모듈(300)을 통해 Fault 1의 심각도가 추정될 수 있다.
도 5는 본 발명의 일 실시예에 따른 신경망 모델(130) 학습 과정의 흐름도를 나타낸다. 본 실시예는 학습 데이터를 이용하여 고장 진단 모듈(200)을 학습시킨 다음 고장 진단 모듈(200)의 특징 데이터를 이용하여 심각도 추정 모듈(300, 400, 500)을 학습시키는 것으로, 학습된 고장 진단 모듈(200)에서 추출된 특징 데이터를 해당 고장 모드에 대응하는 심각도 추정 모듈에 입력하여 심각도 추정 모듈을 학습시킨다.
고장 모드 및 고장 심각도가 레이블된 상전류 신호가 준비되면(510단계), 전처리부(110)는 상전류 신호를 전처리하여 학습 데이터를 생성한다(515단계).
학습부(120)는 학습 데이터를 고장 진단 모듈(200)에 입력하고(520단계), 고장 진단 모듈(200)의 손실함수(
Figure 112021042266490-pat00016
)를 계산한다(525단계). 530단계에서 학습이 완료되지 않았으면, 학습부(120)는 고장 진단 모듈(200)의 그래디언트를 계산하고 파라미터(WFD)를 업데이트(535단계)한 다음, 520단계로 돌아가 학습을 반복한다. 이러한 학습 과정은 미니 배치 경사 하강법(mini-batch gradient descent method)으로 수행될 수 있다.
530단계에서 고장 진단 모듈(200)의 학습이 완료되면, 학습부(120)는 학습 데이터를 학습된 고장 진단 모듈(200)에 입력하고(540단계), 고장 진단 모듈(200)에서 특징 데이터를 추출한다(545단계). 학습부(120)는 특징 데이터를 고장 진단 모듈(200)을 통해 식별된 고장 모드에 대응하는 심각도 추정 모듈에 입력하고(550단계), 해당 심각도 추정 모듈의 손실함수(
Figure 112021042266490-pat00017
)를 계산한다(555단계). 560단계에서 학습이 완료되지 않았으면, 학습부(120)는 해당 심각도 추정 모듈의 그래디언트를 계산하고 파라미터(WSE)를 업데이트(565단계)한 다음, 550단계로 돌아가 학습을 반복한다. 이러한 학습 과정 역시 미니 배치 경사 하강법(mini-batch gradient descent method)으로 수행될 수 있다. 530단계에서 심각도 추정 모듈의 학습이 완료되면 종료한다.
도 6은 본 발명의 다른 실시예에 따른 신경망 모델(130) 학습 과정의 흐름도를 나타낸다. 본 실시예는 고장 진단 모듈(200)과 심각도 추정 모듈(300, 400, 500)을 동시에 학습시키는 것으로, 학습 과정 중에 고장 진단 모듈(200)에서 추출되는 특징 데이터를 해당 고장 모드에 대응하는 심각도 추정 모듈에 입력하여 심각도 추정 모듈을 학습시킨다.
고장 모드 및 고장 심각도가 레이블된 상전류 신호가 준비되면(610단계), 전처리부(110)는 상전류 신호를 전처리하여 학습 데이터를 생성한다(615단계).
학습부(120)는 학습 데이터를 고장 진단 모듈(200)에 입력하고(620단계), 고장 진단 모듈(200)의 손실함수(
Figure 112021042266490-pat00018
)를 계산한다(625단계). 학습부(120)는 고장 진단 모듈(200)에서 특징 데이터를 추출하여(630단계), 특징 데이터를 고장 진단 모듈(200)을 통해 식별된 고장 모드에 대응하는 심각도 추정 모듈에 입력하고(635단계), 해당 심각도 추정 모듈의 손실함수(
Figure 112021042266490-pat00019
)를 계산한다(640단계). 645단계에서 학습이 완료되지 않았으면, 학습부(120)는 고장 진단 모듈(200)과 심각도 추정 모듈의 그래디언트를 계산하고 파라미터(WFD, WSE)를 업데이트(650단계)한 다음, 620단계로 돌아가 학습을 반복한다. 이러한 학습 과정 역시 미니 배치 경사 하강법(mini-batch gradient descent method)으로 수행될 수 있다. 645단계에서 학습이 완료되면 종료한다.
도 7은 본 발명의 일 실시예에 따른 모터 고장 진단 또는 신경망 모델(130) 테스트 과정의 흐름도를 나타낸다.
전처리부(110)는 상전류 신호를 전처리하여 입력 데이터를 생성한다(710단계). 이때 전처리는 리샘플링, 정규화 및 스케일링을 포함할 수 있다.
판단부(140)는 입력 데이터를 고장 진단 모듈(200)에 입력하여(720단계), 고장 진단 모듈(200)을 통해 고장 모드를 식별한다(730단계). 판단부(140)는 고장 진단 모듈(200)에서 특징 데이터를 추출하고(740단계), 추출된 특징 데이터를 상기 730단계를 통해 식별된 고장 모드에 대응하는 심각도 추정 모듈에 입력하여(750단계), 해당 심각도 추정 모듈을 통해 해당 고장 모드의 심각도를 추정한다(760단계).
도 8은 본 발명의 실시예와 기존 기법의 고장 진단 및 심각도 추정 결과의 고장 진단 정확도 및 심각도 추정 오차를 나타내고, 도 9는 본 발명의 실시예와 기존 기법의 심각도 추정 오차를 막대 그래프로 표현한 것이다. 기존 기법 1은 주파수 특성인자(spectral features)와 기계학습분류기를 이용한 것으로, 상전류 신호의 고장 특성 주파수 크기를 건전성 인자로 활용하여 서포트 벡터 머신(support vector machine)을 학습시켜 고장 진단 및 심각도 추정을 수행하였다. 기존 기법 2는 주성분 분석(principal component analysis)과 기계학습분류기를 이용한 것으로, 상전류 신호의 주파수 크기로부터 주성분 분석(Principal Component Analysis, PCA)을 통해 건전성 인자를 추출하고 서포트 벡터 머신을 학습시켜 고장진단 및 심각도 추정을 수행하였다. 도 8을 참조하면, 본 발명의 실시예는 고장 진단 정확도가 기존 기법 대비 2% 이상 높게 나타났으며, 특히 도 9를 참조하면 본 발명의 실시예는 고장 심각도 추정 오차가 고장 종류 별로 약 10배 가량 개선될 것을 알 수 있다.
도 10은 본 발명의 실시예와 기존 기법의 심각도 추정 성능을 비교하여 표현한 것을 나타낸다. 도 10을 참조하면, 편심, 회전자봉 손상, 불균형의 모든 고장 유형에서 본 발명의 실시예의 고장 심각도 추정 결과가 기존 기법에 비해 실제 고장 심각도에 훨씬 가깝게 나타남을 알 수 있다.
본 발명의 실시예들에 따른 장치는 프로세서, 프로그램 데이터를 저장하고 실행하는 메모리, 디스크 드라이브와 같은 영구 저장부(permanent storage), 외부 장치와 통신하는 통신 포트, 터치 패널, 키(key), 버튼 등과 같은 사용자 인터페이스 장치 등을 포함할 수 있다. 소프트웨어 모듈 또는 알고리즘으로 구현되는 방법들은 상기 프로세서상에서 실행 가능한 컴퓨터가 읽을 수 있는 코드들 또는 프로그램 명령들로서 컴퓨터가 읽을 수 있는 기록 매체 상에 저장될 수 있다. 여기서 컴퓨터가 읽을 수 있는 기록 매체로 마그네틱 저장 매체(예컨대, ROM(read-only memory), RAM(random-access memory), 플로피 디스크, 하드 디스크 등) 및 광학적 판독 매체(예컨대, 시디롬(CD-ROM), 디브이디(DVD: Digital Versatile Disc)) 등이 있다. 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템들에 분산되어, 분산 방식으로 컴퓨터가 판독 가능한 코드가 저장되고 실행될 수 있다. 매체는 컴퓨터에 의해 판독가능하며, 메모리에 저장되고, 프로세서에서 실행될 수 있다.
본 발명의 실시예들은 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 실시예는 하나 이상의 마이크로프로세서들의 제어 또는 다른 제어 장치들에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩 업 테이블(look-up table) 등과 같은 집적 회로 구성들을 채용할 수 있다. 본 발명에의 구성 요소들이 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있는 것과 유사하게, 실시예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 실시예는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. "매커니즘", "요소", "수단", "구성"과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다. 상기 용어는 프로세서 등과 연계하여 소프트웨어의 일련의 처리들(routines)의 의미를 포함할 수 있다.
실시예에서 설명하는 특정 실행들은 일 실시예들로서, 어떠한 방법으로도 실시 예의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, "필수적인", "중요하게" 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

Claims (20)

  1. 모터 고장 진단 방법으로서,
    모터의 상전류 신호로부터 얻어지는 학습 데이터를 이용하여 신경망 모델을 학습시키는 단계-여기서, 상기 신경망 모델은, 모터의 고장 모드를 식별하는 고장 진단 모듈 및 각 고장 모드에 대한 고장 심각도를 추정하는 심각도 추정 모듈을 포함하고, 상기 고장 진단 모듈에서 추출된 특징 데이터가 상기 심각도 추정 모듈에 입력됨-; 및
    상기 학습된 신경망 모델을 이용하여 모터의 고장 모드 및 고장 심각도를 판단하는 단계를 포함하고,
    상기 고장 진단 모듈은, 순차적으로 연결된 복수 개의 컨볼루션 블록들을 포함하고, 마지막 컨볼루션 블록에서 출력되는 상기 특징 데이터가 상기 심각도 추정 모듈에 입력되는 것을 특징으로 하는 모터 고장 진단 방법.
  2. 제1항에 있어서,
    상기 심각도 추정 모듈은 각 고장 모드마다 대응되도록 구비되고,
    상기 특징 데이터가 상기 고장 진단 모듈을 통해 식별된 고장 모드에 대응하는 심각도 추정 모듈에 입력되는 것을 특징으로 하는 모터 고장 진단 방법.
  3. 삭제
  4. 제1항에 있어서,
    상기 복수 개의 컨볼루션 블록들 각각은, 컨볼루션 계층 및 풀링 계층을 포함하는 것을 특징으로 하는 모터 고장 진단 방법.
  5. 제1항에 있어서,
    상기 고장 진단 모듈은, 상기 마지막 컨볼루션 블록에 연결되어 고장 모드를 출력하는 완전 연결 계층을 더 포함하는 것을 특징으로 하는 모터 고장 진단 방법.
  6. 제1항에 있어서,
    상기 심각도 추정 모듈은,
    순차적으로 연결된 복수 개의 컨볼루션 블록들 및 마지막 컨볼루션 블록에 연결되어 고장 심각도를 출력하는 완전 연결 계층을 포함하는 것을 특징으로 하는 모터 고장 진단 방법.
  7. 제6항에 있어서,
    상기 복수 개의 컨볼루션 블록들 각각은, 컨볼루션 계층 및 풀링 계층을 포함하는 것을 특징으로 하는 모터 고장 진단 방법.
  8. 제1항에 있어서,
    상기 상전류 신호를 전처리하여 상기 학습 데이터를 생성하는 단계를 더 포함하는 것을 특징으로 하는 모터 고장 진단 방법.
  9. 제2항에 있어서,
    상기 학습시키는 단계는, 상기 학습 데이터를 이용하여 상기 고장 진단 모듈을 학습시킨 다음 상기 특징 데이터를 이용하여 상기 심각도 추정 모듈을 학습시키되, 상기 학습된 고장 진단 모듈에서 추출된 특징 데이터를 해당 고장 모드에 대응하는 심각도 추정 모듈에 입력하여 상기 심각도 추정 모듈을 학습시키는 것을 특징으로 하는 모터 고장 진단 방법.
  10. 제2항에 있어서,
    상기 학습시키는 단계는, 상기 고장 진단 모듈과 상기 심각도 추정 모듈을 동시에 학습시키되, 학습 과정 중에 상기 고장 진단 모듈에서 추출되는 특징 데이터를 해당 고장 모드에 대응하는 심각도 추정 모듈에 입력하여 상기 심각도 추정 모듈을 학습시키는 것을 특징으로 하는 모터 고장 진단 방법.
  11. 모터 고장 진단 장치로서,
    모터의 상전류 신호로부터 얻어지는 학습 데이터를 이용하여 신경망 모델을 학습시키는 학습부-여기서, 상기 신경망 모델은, 모터의 고장 모드를 식별하는 고장 진단 모듈 및 각 고장 모드에 대한 고장 심각도를 추정하는 심각도 추정 모듈을 포함하고, 상기 고장 진단 모듈에서 추출된 특징 데이터가 상기 심각도 추정 모듈에 입력됨-; 및
    상기 학습된 신경망 모델을 이용하여 모터의 고장 모드 및 고장 심각도를 판단하는 판단부를 포함하고,
    상기 고장 진단 모듈은, 순차적으로 연결된 복수 개의 컨볼루션 블록들을 포함하고, 마지막 컨볼루션 블록에서 출력되는 상기 특징 데이터가 상기 심각도 추정 모듈에 입력되는 것을 특징으로 하는 모터 고장 진단 장치.
  12. 제11항에 있어서,
    상기 심각도 추정 모듈은 각 고장 모드마다 대응되도록 구비되고,
    상기 특징 데이터가 상기 고장 진단 모듈을 통해 식별된 고장 모드에 대응하는 심각도 추정 모듈에 입력되는 것을 특징으로 하는 모터 고장 진단 장치.
  13. 삭제
  14. 제11항에 있어서,
    상기 복수 개의 컨볼루션 블록들 각각은, 컨볼루션 계층 및 풀링 계층을 포함하는 것을 특징으로 하는 모터 고장 진단 장치.
  15. 제11항에 있어서,
    상기 고장 진단 모듈은, 상기 마지막 컨볼루션 블록에 연결되어 고장 모드를 출력하는 완전 연결 계층을 더 포함하는 것을 특징으로 하는 모터 고장 진단 장치.
  16. 제11항에 있어서,
    상기 심각도 추정 모듈은,
    순차적으로 연결된 복수 개의 컨볼루션 블록들 및 마지막 컨볼루션 블록에 연결되어 고장 심각도를 출력하는 완전 연결 계층을 포함하는 것을 특징으로 하는 모터 고장 진단 장치.
  17. 제16항에 있어서,
    상기 복수 개의 컨볼루션 블록들 각각은, 컨볼루션 계층 및 풀링 계층을 포함하는 것을 특징으로 하는 모터 고장 진단 장치.
  18. 제11항에 있어서,
    상기 상전류 신호를 전처리하여 상기 학습 데이터를 생성하는 전처리부를 더 포함하는 것을 특징으로 하는 모터 고장 진단 장치.
  19. 제12항에 있어서,
    상기 학습부는, 상기 학습 데이터를 이용하여 상기 고장 진단 모듈을 학습시킨 다음 상기 특징 데이터를 이용하여 상기 심각도 추정 모듈을 학습시키되, 상기 학습된 고장 진단 모듈에서 추출된 특징 데이터를 해당 고장 모드에 대응하는 심각도 추정 모듈에 입력하여 상기 심각도 추정 모듈을 학습시키는 것을 특징으로 하는 모터 고장 진단 장치.
  20. 제12항에 있어서,
    상기 학습시키는 단계는, 상기 고장 진단 모듈과 상기 심각도 추정 모듈을 동시에 학습시키되, 학습 과정 중에 상기 고장 진단 모듈에서 추출되는 특징 데이터를 해당 고장 모드에 대응하는 심각도 추정 모듈에 입력하여 상기 심각도 추정 모듈을 학습시키는 것을 특징으로 하는 모터 고장 진단 장치.



KR1020210047020A 2021-04-12 2021-04-12 상전류 신호를 이용한 모터 고장 진단 방법 및 장치 KR102538542B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210047020A KR102538542B1 (ko) 2021-04-12 2021-04-12 상전류 신호를 이용한 모터 고장 진단 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210047020A KR102538542B1 (ko) 2021-04-12 2021-04-12 상전류 신호를 이용한 모터 고장 진단 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20220141019A KR20220141019A (ko) 2022-10-19
KR102538542B1 true KR102538542B1 (ko) 2023-05-30

Family

ID=83804467

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210047020A KR102538542B1 (ko) 2021-04-12 2021-04-12 상전류 신호를 이용한 모터 고장 진단 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102538542B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017120649A (ja) 2015-07-31 2017-07-06 ファナック株式会社 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
KR102115268B1 (ko) 2020-01-31 2020-05-26 서울대학교산학협력단 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법
KR102136863B1 (ko) 2019-05-02 2020-07-22 국방과학연구소 S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 방법
US20200348207A1 (en) * 2019-05-03 2020-11-05 Mitsubishi Electric Research Laboratories, Inc. Method for Estimating Bearing Fault Severity for Induction Motors
KR102189269B1 (ko) 2019-10-22 2020-12-09 경북대학교 산학협력단 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102051390B1 (ko) * 2017-08-04 2019-12-03 한국항공대학교산학협력단 심층 신경망 학습 장치 및 방법
KR102472134B1 (ko) * 2018-03-29 2022-11-29 삼성전자주식회사 심층학습을 기반으로 한 설비 진단 시스템 및 방법
KR102501883B1 (ko) * 2018-07-06 2023-02-21 에임시스템 주식회사 기계 학습 기반의 설비 이상 분류 시스템 및 방법
KR20200052453A (ko) * 2018-10-31 2020-05-15 삼성에스디에스 주식회사 딥러닝 모델 학습 장치 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017120649A (ja) 2015-07-31 2017-07-06 ファナック株式会社 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
JP2021002398A (ja) 2015-07-31 2021-01-07 ファナック株式会社 故障予知装置、故障予知システム及び故障予知方法
KR102136863B1 (ko) 2019-05-02 2020-07-22 국방과학연구소 S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 방법
US20200348207A1 (en) * 2019-05-03 2020-11-05 Mitsubishi Electric Research Laboratories, Inc. Method for Estimating Bearing Fault Severity for Induction Motors
KR102189269B1 (ko) 2019-10-22 2020-12-09 경북대학교 산학협력단 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템
KR102115268B1 (ko) 2020-01-31 2020-05-26 서울대학교산학협력단 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법

Also Published As

Publication number Publication date
KR20220141019A (ko) 2022-10-19

Similar Documents

Publication Publication Date Title
Martins et al. Unsupervised neural-network-based algorithm for an on-line diagnosis of three-phase induction motor stator fault
WO2017094267A1 (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
Ondel et al. Coupling pattern recognition with state estimation using Kalman filter for fault diagnosis
JP7133315B2 (ja) 故障予知システム
JP7082461B2 (ja) 故障予知方法、故障予知装置および故障予知プログラム
US6898554B2 (en) Fault detection in a physical system
US8094706B2 (en) Frequency-based, active monitoring of reliability of a digital system
US10571890B2 (en) Diagnostic data acquisition system, diagnostic system, and computer readable medium
US11853047B2 (en) Sensor-agnostic mechanical machine fault identification
CN113360337A (zh) 对用于机器的状态监控的模型进行验证和选择的方法
KR102510060B1 (ko) 딥러닝 펌프 시뮬레이션을 통한 이상 데이터 확보 방법과 오토인코더 기반의　 이상 감지 모델 수립 방법과 시스템
CN113360304A (zh) 用于对机器的异常状态进行原因分析的方法和计算单元
KR102480899B1 (ko) 다채널 신호를 이용한 모터 고장 진단 방법 및 장치
KR20200010671A (ko) 기계 학습 기반의 설비 이상 진단 시스템 및 방법
KR102538542B1 (ko) 상전류 신호를 이용한 모터 고장 진단 방법 및 장치
Shim et al. Unsupervised anomaly detection for electric drives based on variational auto-encoder
JP7469828B2 (ja) 構造物診断システム、構造物診断方法、および構造物診断プログラム
JP2023179851A (ja) 装置状態評価システムおよび装置状態評価方法
KR20230075150A (ko) 시스템 건전성을 관리하기 위한 방법 및 장치
KR102601072B1 (ko) 모터 고장 진단을 위한 이미지 생성 방법 및 장치, 상기 이미지를 이용한 모터 고장 진단 방법 및 장치
Hamoudi et al. Stator fault detection in induction machines by parameter estimation using trust region algorithms
KR20230093166A (ko) 딥러닝 기반 터빈 진단 및 고장 예측 방법 및 이러한 방법을 수행하는 장치
Aggab et al. An approach for assessment of level of degradation and RUL estimation for a dynamic systeme
JP2023021514A (ja) 装置診断システムおよび装置診断方法
Rayyam et al. Novel Virtual Speed Sensor Design for Fault-Tolerant Vector Control for Induction Motor Drives Based on the Non-Linear Unscented Kalman Filter.

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant