KR102572908B1 - 전기차 구동 모터의 동적 편심 진단 방법 및 장치 - Google Patents

전기차 구동 모터의 동적 편심 진단 방법 및 장치 Download PDF

Info

Publication number
KR102572908B1
KR102572908B1 KR1020230070869A KR20230070869A KR102572908B1 KR 102572908 B1 KR102572908 B1 KR 102572908B1 KR 1020230070869 A KR1020230070869 A KR 1020230070869A KR 20230070869 A KR20230070869 A KR 20230070869A KR 102572908 B1 KR102572908 B1 KR 102572908B1
Authority
KR
South Korea
Prior art keywords
data
motor
electric vehicle
dynamic eccentricity
magnetic flux
Prior art date
Application number
KR1020230070869A
Other languages
English (en)
Inventor
김철
Original Assignee
주식회사 에이테크
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 주식회사 에이테크 filed Critical 주식회사 에이테크
Priority to KR1020230070869A priority Critical patent/KR102572908B1/ko
Application granted granted Critical
Publication of KR102572908B1 publication Critical patent/KR102572908B1/ko

Links

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
    • G01R31/343—Testing dynamo-electric machines in operation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
    • B60L3/0061—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electrical machines
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/12—Recording operating variables ; Monitoring of operating variables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
    • B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
    • B60R16/023—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for transmission of signals between vehicle parts or subsystems
    • B60R16/0231—Circuits relating to the driving or the functioning of the vehicle
    • B60R16/0232—Circuits relating to the driving or the functioning of the vehicle for measuring vehicle parameters and indicating critical, abnormal or dangerous conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/02—Arrangements for measuring frequency, e.g. pulse repetition rate; Arrangements for measuring period of current or voltage
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/02—Measuring direction or magnitude of magnetic fields or magnetic flux
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2200/00—Type of vehicle
    • B60Y2200/90—Vehicles comprising electric prime movers
    • B60Y2200/91—Electric vehicles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/64—Electric machine technologies in electromobility

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

전기차 구동 모터의 동적 편심 진단 방법 및 장치를 개시한다.
본 실시예는 리프트로 인해 전기차가 지면으로부터 상승한 무부하 환경에서 실외 주행없이 모터의 진동 기반 진단이 아닌 모터 구동시 발생되는 누설 자속 신호를 기반으로 전기차의 모터의 동적 편심을 정확하게 진단할 수 있도록 하는 전기차 구동 모터의 동적 편심 진단 방법 및 장치를 제공한다.

Description

전기차 구동 모터의 동적 편심 진단 방법 및 장치{Method and Apparatus for Diagnosing Dynamic Eccentricity of Electric Vehicle Traction Motor}
본 발명의 일 실시예는 전기차 구동 모터의 동적 편심 진단 방법 및 장치에 대한 기술로서, 구동 모터 외부로 누설되는 자속 데이터를 기반으로 동적 편심 결함을 조기에 진단하는 기술에 관한 것이다.
이하에 기술되는 내용은 단순히 본 실시예와 관련되는 배경 정보만을 제공할 뿐 종래기술을 구성하는 것이 아니다.
전기차는 배터리 기반 전기차(BEV), 수소연료전지 기반 전기차(FCEV)를 포함하며, 전 세계적으로 전기차의 수요가 급증함에 따라 이에 대한 정비 방안에 대해 활발히 연구 중에 있다.
도 1은 종래의 전기차 모터의 주요 결함 유형을 나타낸 도면이다.
전기차 구동 모터의 결함은 도 1에 도시된 바와 같이, 전기적 결함과 기계적 결함으로 크게 분류될 수 있다. 전기적 결함은 고정자 권선 결함, 역자계 및 온도에 의한 영구자석 감자 결함, 터미널 접촉불량 결함 등을 포함한다. 기계적 결함은 베어링 결함, 편심 결함, 감속 기어 결함, 물리적인 충격에 의한 영구자석 감자 결함 등으로 포함한다. 기계적 결함 중 편심 결함은 다양한 결함들의 주요원인이 되는 근본적인 결함 요소로써, 운전자의 안전을 위해서 필수적으로 조기에 진단되어야 하는 핵심 결함 유형이다.
일반적으로 전기차 정비 과정에서 모터 또는 감속기에 결함이 발생하면, 결함 부위를 선택적으로 수리하는 것이 아니라, 대부분 모터 자체를 교체하고 있다. 하지만, 전술한 수리 방식은 전기차의 무상 보증 기간이 경과하면, 소비자가 비싼 비용을 지불하면서 모터를 구매해야 하는 문제가 있다. 소비자 입장에서 모터 구매 비용이 비싸기 때문에, 정상 모터로 교체하지 않고 기존 모터가 그대로 장착된 상태로 운행될 확률이 높다. 결국, 모터를 교체하지 않고 그대로 운행할 경우 동적 편심이 심해져 운전자의 2차 피해로 이어질 수 있다.
종래의 내연기관 차량을 정비할 때 정비소에서 엔진의 소리를 듣거나 진동을 측정해서 엔진의 세부 상태를 진단할 수 있었으나, 전기차에서는 엔진의 역할을 대체하는 구동 모터에 대해 신뢰성 있는 표준화된 진단 솔루션이 정립되지 않았다. 전기차 정비 및 인증 시장에 있어서, 체계적이고 표준화된 구동 모터 상태 진단에 대한 정비 솔루션 도입을 필요로 한다.
본 실시예는 리프트로 인해 전기차가 지면으로부터 상승한 무부하 환경에서 실외 주행없이 모터의 진동 기반 진단이 아닌 모터 구동시 발생되는 누설 자속 신호를 기반으로 전기차의 모터의 동적 편심을 정확하게 진단할 수 있도록 하는 전기차 구동 모터의 동적 편심 진단 방법 및 장치를 제공하는 데 목적이 있다.
본 실시예의 일 측면에 의하면, 데이터 수신부에서 전기차에 탑재된 모터의 하단에 장착된 자속 센싱 모듈로부터 운전자의 시운전에 의한 진단 기초 데이터를 수신하는 과정; 데이터 전처리부에서 상기 진단 기초 데이터에 대해 시간-주파수 분석을 수행한 전처리 데이터를 생성하는 과정; 및 데이터 분석부에서 상기 전처리 데이터에 대한 각 시간대 별 인자들 중 최대값을 갖는 주파수 위치와 성분 크기를 추출한 분석 데이터를 생성하는 과정; 및 상태 진단부에서 상기 분석 데이터를 기반으로 상기 모터의 동적 편심(Dynamic Eccentricity)을 진단하는 과정을 제공한다.
이상에서 설명한 바와 같이 본 실시예에 의하면, 리프트로 인해 전기차가 지면으로부터 상승한 무부하 환경에서 실외 주행없이 모터의 진동 기반 진단이 아닌 모터 구동시 발생되는 누설 자속 신호를 기반으로 전기차의 모터의 동적 편심을 정확하게 진단할 수 있는 효과가 있다.
도 1은 종래의 전기차 모터의 주요 결함 유형을 나타낸 도면이다.
도 2는 본 실시예에 따른 전기차 모터의 편심 결함 세부 종류를 나타낸 도면이다.
도 3a,3b,3c는 종래의 진단 방법들과 본 실시예에 따른 자속 기반 진단 방법을 비교하기 위한 도면이다.
도 4는 본 실시예에 따른 자속 기반 전기차 모터의 동적 편심 진단 시스템을 나타낸 도면이다.
도 5는 본 실시예에 따른 OBD 속도 데이터를 이용하여 데이터를 분석할 때 발생하는 부정확성 및 보완 방법을 나타낸 도면이다.
도 6은 본 실시예에 따른 기본 주파수의 배수 성분들인 특성 주파수들의 dB 평균값 예시를 나타낸 도면이다.
이하, 본 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 2는 본 실시예에 따른 전기차 모터의 편심 결함 세부 종류를 나타낸 도면이다.
전기차(400)에 탑재된 모터(404)의 편심 결함은 세부적으로 정적 편심(Static Eccentricity)과 동적 편심(Dynamic Eccentricity)으로 구분된다.
도 2의 (a)에 도시된 모터(404)의 정상 상태, 도 2의 (b)에 도시된 모터(404)의 정적 편심, 도 2의 (c)에 도시된 모터(404)의 동적 편심은 고정자(210)의 중심축, 회전자(220)의 중심축, 회전중심(230)에 따라 구분될 수 있다.
도 2의 (b)에 도시된 모터(404)의 정적 편심은 회전자가 한쪽으로 치우쳐진 상태를 의미한다. 정적 편심은 세부적으로 고정자(210)의 중심축과 회전자(220)의 중심축이 일치하지 않으면서, 회전중심(230) 이 회전자(220)의 중심축과 일치하는 경우이다. 정적 편심은 회전자가 한쪽으로 치우쳐져 있으나, 그 상태를 유지하기 때문에 고정자(210)와 회전자(220) 사이의 공극의 분포가 변하지 않고 유지된다. 정적 편심은 주로 제조 공정상에서 발생하게 되고, 출하 후 장기 운전에 의해 결함의 정도가 심화되지 않는다.
도 2의 (c)에 도시된 모터(404)의 동적 편심은 정적 편심과 같이 회전자가 한쪽으로 치우쳐져 있으나, 모터가 운전되는 과정에서 회전자가 치우져진 방향이 동적으로 변하는 상태를 의미한다. 동적 편심은 운전 과정에서 원심력이 커지게 되고 고속 운전 과정에서 회전자 축 및 베어링의 변형을 가속화시켜 동적 편심 결함의 정도를 악화시킬 수 있다. 동적 편심은 세부적으로 고정자(210)의 중심축과 회전자(220)의 중심축이 일치하지 않으면서, 회전중심(230)이 고정자(210)의 중심축과 일치하는 경우이다. 동적 편심은 회전자(220)의 중심축이 운전 과정에서 원을 그리면서 이동하게 되고 고정자(210)와 회전자(220) 사이의 공극의 분포가 동적으로 변하게 된다. 이로 인해 원심력이 커지게 되고 고속 운전 과정에서 회전자 축 및 베어링의 변형을 가속화 시켜 동적 편심 결함의 정도를 악화시킬 수 있다.
다시 말해, 동적 편심은 정적 편심과 달리 출하 후 장기 운전에 의해 결함의 정도가 심화될 가능성이 존재한다. 결함이 심화되는 과정에서 모터의 불시 정지로 이어질 수 있고, 운전자의 2차 피해를 야기할 수 있다.
도 3a,3b,3c는 종래의 진단 방법들과 본 실시예에 따른 자속 기반 진단 방법을 비교하기 위한 도면이다.
도 3a는 일반적인 전류 기반 센싱 방식을 나타낸 도면이다.
일반적인 전류 기반 진단 방법은 모터와 인버터 사이의 케이블에 전류 센서를 장착하여 전류 데이터를 획득한다. 전류 기반 진단 방법은 획득한 전류 데이터를 기반으로 진단하여야 하나, 최근 신규 출시되는 전기차는 모터와 인버터의 일체형 모듈로 구현에 따라 전류 센서 장착이 불가해지면서 진단 기술 적용이 어려워졌다.
도 3b는 일반적인 진동 기반 센싱 방식을 나타낸 도면이다.
일반적인 진동 기반 진단 방법은 전기차 하부 모터 외부 프레임에 진동 센서를 장착하고, 정해진 코스를 주행하면서 얻은 진동데이터의 오더 분석을 통해 결함을 파악하는 방법이다. 하지만, 진동 기반 진단 과정에서 소요되는 시간이 길고, 주행 코스가 불안정할 때 지면상태에 따라 유입되는 진동 노이즈에 의해 진단 정확도가 떨어지는 문제가 있다. 향후 전기차 정비 인프라 및 관련 시장의 확대가 예견됨에 따라, 진동 기반 진단 방법보다 신속하고 정확한 기술이 필요하다.
도 3c는 본 실시예에 따른 누설 자속 기반 센싱 방식을 나타낸 도면이다.
본 실시예에 따른 전기차 모터의 동적 편심 진단 시스템은 전기차(400)의 모터(404)가 구동 시 외부로 누설되는 자속에 의해 생성된 유도기전력을 자속 센싱 모듈(406)을 이용하여 측정한 후 동적 편심 진단 장치(430)를 이용하여 분석한다.
본 실시예에 따른 전기차 모터의 동적 편심 진단 시스템은 실내 리프트 환경에서 가벼운 시운전만으로 모터(404)의 진단이 가능하기 때문에, 외부 주행이 불필요하다.
본 실시예에 따른 전기차 모터의 동적 편심 진단 시스템은 전기차(400)의 차체 진동에 따른 다양한 외부 노이즈에 영향을 덜 받는 누설 자속 데이터를 이용하기 때문에 동적 편심 성분만을 파악하는 데 적합하다.
본 실시예에 따른 전기차 모터의 동적 편심 진단 시스템은 신규 전기차 정비 시장에 경제적이고 신뢰할 수 있는 진단 방법을 제공하여 모터의 상태를 주기적으로 관리할 수 있도록 한다.
도 4는 본 실시예에 따른 자속 기반 전기차 모터의 동적 편심 진단 시스템을 나타낸 도면이다.
본 실시예에 따른 전기차 모터의 동적 편심 진단 시스템은 정비 리프트(410), 자속 센싱 모듈(406), IoT 취득 장치(420), 동적 편심 진단 장치(430)를 포함한다. 전기차 모터의 동적 편심 진단 시스템에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
정비 리프트(410)는 전기차(400)의 모터(404) 진단을 위해 전기차(400)의 차체를 지면으로부터 상승시켜 무부하 상태를 구축한다.
자속 센싱 모듈(406)은 전기차(400)의 모터(404) 하단에 장착된다. 자속 센싱 모듈(406)은 전기차(400) 내 모터(404)의 하부에 탈착 가능하다. 여기서, 모터(404)는 전기차(400)의 전륜, 후륜에 따른 모터 장착 위치(402)에 장착된다.
자속 센싱 모듈(406)은 정비 리프트(410)에 의해 전기차(400)가 지면으로부터 상승한 무부하 상태에서 운전자가 가속 페달을 밟아 모터(404)가 회전하면서 발생한 자기장에 의해 생성된 유도기전력을 측정한다. 자속 센싱 모듈(406)은 모터(404)의 유도기전력을 기반으로 진단 기초 데이터를 생성한다. 자속 센싱 모듈(406)은 진단 기초 데이터를 동적 편심 진단 장치(430)로 전송한다.
자속 센싱 모듈(406)은 원형으로 권취된 코일을 포함하며, 전기차(400) 하부에 위치한 모터의 외관 프레임에 부착된다. 자속 센싱 모듈(406)은 시운전으로 인해 모터(404)의 외부로 누설되는 자속에 의한 유도기전력을 센싱하여 진단 기초 데이터를 생성한다. 자속 센싱 모듈(406)은 전기차(400)에 탑재되는 모터(404)마다 별도로 제작된 형태를 가지며, 모터(404)의 외관 프레임에 부합되게 장착된다.
IoT 취득 장치(420)는 자속 센싱 모듈(406)로부터 수신한 센싱 정보를 취합하여 진단 기초 데이터를 생성한다. IoT 취득 장치(420)는 진단 기초 데이터를 동적 편심 진단 장치(430)로 전송한다. IoT 취득 장치(420)는 아날로그 데이터를 디지털 데이터로 변환한 진단 기초 데이터를 무선으로 동적 편심 진단 장치(430)로 전송한다.
본 실시예에 따른 동적 편심 진단 장치(430)는 데이터 수신부(440), 데이터 생성부(450), 데이터 전처리부(460), 데이터 분석부(470), 데이터 학습부(480), 상태 진단부(490)를 포함한다. 동적 편심 진단 장치(430)에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다. 동적 편심 진단 장치(430) 통합형 모듈로 구현될 수 있다.
데이터 수신부(440)는 자속 센싱 모듈(406) 또는 IoT 취득 장치(420)로부터 진단 기초 데이터를 수신한다. 데이터 수신부(440)는 전기차(400)에 탑재된 모터(404)의 하단에 장착된 자속 센싱 모듈(406)로부터 운전자의 시운전에 의한 진단 기초 데이터를 수신한다.
데이터 수신부(440)는 자속 센싱 모듈(406)로부터 정비 리프트(410)를 이용하여 전기차(400)의 차체를 지면으로부터 상승시켜 무부하 상태를 구축한 상태에서 운전자가 가속 패달을 밟는 시운전 상태에서 진단 기초 데이터를 획득한다.
데이터 생성부(450)는 진단 기초 데이터를 기반으로 진단 데이터를 생성한다. 데이터 생성부(450)는 세그먼트라는 데이터 단위를 정의하고, 세그먼트 단위 기준으로 진단 기초 데이터를 분할해서 진단 데이터를 생성한다.
데이터 전처리부(460)는 진단 데이터에 대한 전처리를 수행한다. 데이터 전처리부(460)는 진단 데이터에 대해 시간-주파수 분석을 수행한 전처리 데이터를 생성한다. 데이터 전처리부(460)는 세그먼트 단위로 분할된 진단 데이터에 대하여 시간-주파수 분석을 수행한 전처리 데이터를 생성한다.
데이터 전처리부(460)는 진단 데이터에 대해 시간-주파수 분석으로 FFT(Fast Fourier Transform), DWT(Discrete Wavelet Transform), STFT(Short Time Fourier Transform), CWT(Continuous Wavelet Transform), WVD(Wigner-Ville Distributions) 및 HHT(Hilbert-Huang Transform) 등을 포함한 다양한 분석 방식을 적용하여 전처리 데이터를 생성한다.
데이터 전처리부(460)는 시간-주파수 영역에서 해당 신호의 에너지 분포를 파악하기 위해서는 각 포인트마다 특정 에너지 밀도 특성을 갖는 Time-Frequency Atom을 적용할 수 있다.
데이터 전처리부(460)는 웨이블릿 모 함수(mother wavelet) Ψ(t)와 압축 계수 s와 전이 계수 τ의 합성으로 원신호를 변환시킨다. 데이터 전처리부(460)는 특정 웨이블릿 모함수를 원신호의 어느 포인트에 선별 적용하는지에 따라 결함 식별 특징(feature) 값들을 선명하게 추출할 수 있다. 전기차 모터의 경우, 속도가 빠르게 가변하기 때문에 이러한 부하 특성을 고려하지 않는 상태로 임의의 모함수를 적용하게 되면 결함 식별 특징(feature) 값의 해상도가 떨어질 수 있다. 즉, 입력 신호에 따른 최적 모함수를 선별 적용해 고 해상도의 결함 식별 특징(feature) 값을 추출할 수 있어야 높은 진단 정확도를 보일 수 있다. 이러한 조치는 데이터 분석부(470), 데이터 학습부(480), 상태 진단부(490)의 정확도를 함께 상승시키는 기술적 연쇄 효과를 보일 수 있다.
대표적인 웨이블릿 모 함수(mother wavelet) Ψ(t)는 Morlet wavelet, Gabor wavelet, Frequency B-Splines (FBS) wavelet 등이 있다. 본 실시 예에서는 모함수의 특징에 대한 설명을 포함한다.
예컨대, Morlet wavelet의 모 함수(mother wavelet) Ψ(t)는 [수학식 1]과 같다.
[수학식 1]의 변수 중 α는 웨이블릿의 스펙트럼 대역폭으로 웨이블릿의 크기를 결정하는 계수이다. 해당 웨이블릿은 실수 부분이 0을 기준으로 좌우가 대칭인 우함수이고, 허수 부분은 0을 기준으로 상하 대칭인 기함수이다. 시계열 신호 데이터 분석에서 활용되는 경우에 신호의 주파수 분석이 중요하므로 초기 주파수 설정이 가능하도록 [수학식 2]와 같이 재구성된 변형식을 주로 사용한다.
[수학식 1]의 재구성된 변형식에서는 고유 주파수 f0을 통해서 초기 웨이블릿 주파수 설정이 가능하다.
Gabor wavelet의 모 함수(mother wavelet) Ψ(t)는 [수학식 3]과 같다.
[수학식 3]의 Gabor wavelet 역시 복소수 웨이블릿으로, 형상지수 σ과 고유주파수 f0 등의 계수들을 설정해서 시간-주파수 영역에서의 분석 특성을 결정할 수 있다. 분석하려는 시계열 데이터의 특성에 맞춰서 계수들을 최적화해 원하는 특징(feature) 값을 선명하게 추출할 수 있다.
또한, 주파수 변화가 상당히 빠른 데이터의 경우에 보다 결함 식별 특징(feature) 값을 선명하게 추출할 수 있는 Frequency B-Splines (FBS) wavelet은 [수학식 4]와 같다.
wavelet 함수들과 마찬가지로 고유 주파수 f0, Bandwidth 계수 fb 등의 계수들을 설정해서 시간-주파수 영역에서의 분석 특성을 결정할 수 있다. Frequency B-Splines (FBS) wavelet은 보간(interpolator) 방식 wavelet 함수 중 선호도가 높은 wavelet 방식이다. 이 방식은 주파수가 급격하게 변화하는 경우 시간-주파수 영역에서 결함 식별 특징(feature) 값들을 선명하게 추출할 수 없는 이슈를 해결할 수 있다.
입력 신호에 따라 최적화된 상기 모함수를 선별 조합해서 시계열 데이터 x(t)에 대한 시간-주파수 분석을 진행할 수 있다. [수학식 5]에서 x(t)는 분석하고자 하는 신호, τ는 이동변수, s는 스케일 변수이고, Ψ는 웨이브렛 모함수로 변환 과정의 모든 창 함수에 대한 프로토타입 역할을 할 수 있다.
도 5는 본 실시예에 따른 OBD 속도 데이터를 이용하여 데이터를 분석할 때 발생하는 부정확성 및 보완 방법을 나타낸 도면이다.
일반적인 진동 기반 센싱 방식은 오더 분석에 사용되는 데이터의 기본 주파수(1x)를 정의하기 위해서, 전기차 obd can data를 통해 모터의 속도 정보를 활용할 수 있다. 이때, 기본 주파수는 단위 시간동안 모터가 기계적으로 몇 바퀴를 회전하는 지에 대한 정보로, 단위는 1초당 회전속도를 통해 Hz로 표현한다. 보통 obd can data를 통해 1초당 회전속도를 1분당 회전속도로 변환시킨 RPM 데이터를 취득할 수 있다. 다만, obd can 통신 방식의 전송 속도 한계로 RPM 데이터의 속성이 연속적이지 않고 불연속적이다.
본 실시예에 따른 동적 편심 진단 장치(430)는 불연속적인 obd can data 대신에 새로운 속도 및 기본 주파수 추정 로직을 적용해 연속적인 회전속도 정보를 연산할 수 있다.
데이터 분석부(470)는 전처리 데이터를 기반으로 각 시간대 별 인자들 중 최대값을 갖는 주파수 위치와 성분 크기를 추출한 분석 데이터를 생성한다. 데이터 분석부(470)는 최대값을 갖는 주파수 위치와 성분 크기를 이용하여 분석 신호의 결함 식별 특징(feature) 값을 결정한다.
데이터 분석부(470)는 특히 각 시간대 별 최대값을 갖는 위치 정보를 기반으로 전기적 기본 주파수 및 기본 주파수를 연산한다. 데이터 분석부(470)는 해당 기본 주파수 정보를 기반으로 모터(404)의 동적 편심 진단에 활용될 특성 주파수들을 도출한다.
데이터 분석부(470)는 각 시간대 별 최대값을 갖는 주파수 위치를 통해 전기적 기본 주파수(fe)를 산출한다. 이후, 데이터 분석부(470)는 모터(404)의 극 쌍수(pole pair, p)로 나눠주면 모터(404)가 기계적으로 1초에 몇 바퀴를 회전하는 지에 대한 정보, 즉 기본 주파수(1x, fm)를 연산할 수 있다.
데이터 분석부(470)는 해당 기본 주파수의 배수 값(nx, n×fm, n = 1,2,3… 자연수)을 모터(404)의 동적 편심 진단에 활용될 특성 주파수들로 활용할 수 있다.
도 6은 본 실시예에 따른 기본 주파수의 배수 성분들인 특성 주파수들의 dB 평균값 예시를 나타낸 도면이다.
데이터 학습부(480)는 시간-주파수 분석을 수행한 전처리 데이터를 딥러닝 학습용 데이터로 활용하고, 데이터 분석부(470)로부터 추출된 기본 주파수의 배수 값들을 메타데이터 즉, 학습 참고 데이터로 활용한다. 데이터 학습부(480)는 데이터 전처리부(460)로부터 수신된 전처리 데이터, 데이터 분석부(470)로부터 수신된 분석 데이터를 학습용 데이터로 이용하여 학습한 딥러닝 학습 모델을 생성한다.
데이터 학습부(480)는 전기차(400)의 모터(404)에 대한 동적 편심 결함 식별 특징(feature) 값 추출 노드를 딥러닝 알고리즘의 학습을 통해 결정할 수 있다. 데이터 학습부(480)는 데이터 전처리부(460)로부터 시간-주파수 분석을 수행한 전처리 데이터, 데이터 분석부(470)로부터 추출된 기본 주파수의 배수 성분들이 입력되면, 딥러닝 모델의 복수 개의 레이어들을 거쳐 출력 데이터를 생성한다.
학습 과정에서 레이어들의 출력이 숨겨져 있기 때문에 히든 레이어(hidden layer)로 구성되고, 레이어들은 노드로 구성된다. 데이터 학습부(480)는 딥러닝 학습 결과를 최적화 하기 위해서 파라미터로 노드와 레이어의 수를 최적화할 수 있다. 데이터 학습부(480)는 최적화 과정에서 직전 입력 값을 복제하기 위한 각 노드의 가중치(weight) 값을 설정한다. 데이터 학습부(480)는 각 노드가 가지는 특성치로 가중치 벡터(weight vector)가 존재하고, 딥러닝 학습 모델을 학습하는 과정에서 입력값과 출력값의 오차를 제일 작게 하도록 반복해서 파라미터를 바꿈으로써, 노드 가중치(node weight)를 설정해 학습 결과를 최적화할 수 있다.
데이터 학습부(480)는 정상과 동적 편심 상태(1~4단계)로 클래스를 구분하고, 5가지 상태 클래스 각각에 대한 동일 개수의 데이터를 활용해서 딥러닝 학습을 수행하여 결과 모델을 도출할 수 있다.
상태 진단부(490)는 데이터 학습부(480)로부터 학습한 딥러닝 학습 모델을 이용하여 전기차 모터의 동적 편심 결함을 진단할 수 있다. 상태 진단부(490)는 학습 결과 모델로 시험 데이터를 입력하면, 각 클래스 매칭 확률이 계산되며, 그 중 가장 큰 값을 갖는 클래스로 최종 평가 결과를 도출해 낼 수 있다. 다만, 각 클래스의 중간 경계에 있는 경우, 두 개의 클래스가 비슷하거나 큰 차이가 나지 않는 상황이 발생할 수 있다. 상태 진단부(490)는 통상적으로 90% 후반대의 확률이 한 개의 클래스에 나올 경우 바로 최종 평가 결과를 도출하지만, 두 개 이상의 복수 클래스가 유의미한 확률을 갖는 경우에는, 최종 결과 판정을 위해서 메타데이터로 참조했던 기본 주파수의 배수 성분의 데이터를 활용해 판단할 수 있다.
상태 진단부(490)는 전기차(400)의 모터(404)를 동적 편심 결함 진단한 후, 정상 및 동적 편심 결함 단계별로 적절한 안내 멘트를 통해 정비를 권장한다. 예를 들어, 상태 진단부(490)는 정상인 경우 “40,000km를 더 주행한 이후에 재 방문하여 편심 진단 검사를 실시해주세요” 와 같은 정비 지침을 통해 소비자에게 모터의 현 상태를 안내하고 관리 방안을 제공한다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
440: 데이터 수신부
450: 데이터 생성부
460: 데이터 전처리부
470: 데이터 분석부
480: 데이터 학습부
490: 상태 진단부

Claims (6)

  1. 데이터 수신부에서 전기차에 탑재된 모터의 하단에 장착된 자속 센싱 모듈로부터 운전자의 시운전에 의한 진단 기초 데이터를 수신하는 과정;
    데이터 전처리부에서 상기 진단 기초 데이터에 대해 시간-주파수 분석을 수행한 전처리 데이터를 생성하는 과정; 및
    데이터 분석부에서 상기 전처리 데이터에 대한 각 시간대 별 인자들 중 최대값을 갖는 주파수 위치와 성분 크기를 추출한 분석 데이터를 생성하는 과정; 및
    상태 진단부에서 상기 분석 데이터를 기반으로 상기 모터의 동적 편심(Dynamic Eccentricity)을 진단하는 과정;
    을 포함하는 것을 특징으로 하는 전기차 구동 모터의 동적 편심 진단 방법.
  2. 제1항에 있어서,
    상기 자속 센싱 모듈은 원형으로 권취된 코일을 포함하며, 상기 전기차 하부에 위치한 모터의 외관 프레임에 부착되며,
    상기 시운전으로 인해 상기 모터의 외부로 누설되는 자속에 의한 유도기전력을 센싱하여 상기 진단 기초 데이터를 생성하는 것을 특징으로 하는 전기차 구동 모터의 동적 편심 진단 방법.
  3. 제2항에 있어서,
    상기 자속 센싱 모듈은
    상기 전기차에 탑재되는 상기 모터마다 별도로 제작된 형태를 가지며, 상기 모터의 외관 프레임에 부합되게 장착되는 것을 특징으로 하는 전기차 구동 모터의 동적 편심 진단 방법.
  4. 제1항에 있어서,
    상기 데이터 전처리부는
    상기 진단 기초 데이터에 대해 시간-주파수 분석으로 FFT(Fast Fourier Transform), DWT(Discrete Wavelet Transform), STFT(Short Time Fourier Transform), CWT(Continuous Wavelet Transform), WVD(Wigner-Ville Distributions) 및 HHT(Hilbert-Huang Transform) 중 적어도 하나 이상을 이용하여 상기 전처리 데이터를 생성하는 것을 특징으로 하는 전기차 구동 모터의 동적 편심 진단 방법.
  5. 제1항에 있어서,
    데이터 학습부에서 상기 전처리 데이터, 상기 분석 데이터를 학습용 데이터로 이용하여 학습하는 과정
    을 추가로 포함하는 것을 특징으로 하는 전기차 구동 모터의 동적 편심 진단 방법.
  6. 제1항에 있어서,
    상기 데이터 수신부는
    자속 센싱 모듈로부터 정비 리프트를 이용하여 상기 전기차의 차체를 지면으로부터 상승시켜 무부하 상태를 구축한 상태에서 상기 운전자가 가속 페달을 밟는 상기 시운전에 의해 상기 진단 기초 데이터를 획득하는 것을 특징으로 하는 전기차 구동 모터의 동적 편심 진단 방법.
KR1020230070869A 2023-06-01 2023-06-01 전기차 구동 모터의 동적 편심 진단 방법 및 장치 KR102572908B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230070869A KR102572908B1 (ko) 2023-06-01 2023-06-01 전기차 구동 모터의 동적 편심 진단 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230070869A KR102572908B1 (ko) 2023-06-01 2023-06-01 전기차 구동 모터의 동적 편심 진단 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102572908B1 true KR102572908B1 (ko) 2023-08-31

Family

ID=87847332

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230070869A KR102572908B1 (ko) 2023-06-01 2023-06-01 전기차 구동 모터의 동적 편심 진단 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102572908B1 (ko)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006280158A (ja) * 2005-03-30 2006-10-12 Toyota Motor Corp 多相モータの偏心測定方法およびその装置
KR20090098031A (ko) * 2008-03-13 2009-09-17 김재평 유도전동기 권선의 회로분석에 의한 고장검출방법
KR20100112734A (ko) * 2009-04-10 2010-10-20 한국전기연구원 유도전동기의 온-사이트 복합 고장 진단 방법
JP2015534074A (ja) * 2012-10-26 2015-11-26 アーベーベー テクノロジー アクチエンゲゼルシャフトＡＢＢ Ｔｅｃｈｎｏｌｏｇｙ ＡＧ インピーダンス解析に基づく電気機械システムの診断方法
KR20160109159A (ko) * 2015-03-10 2016-09-21 (주)대주기계 가상 주파수 응답함수 기반의 회전기계 이상진단방법과 이를 이용한 회전기계 이상진단장치
KR20180049722A (ko) * 2016-11-03 2018-05-11 한국전기연구원 공작기계용 전동기의 온라인 결함 진단 방법
US20190018073A1 (en) * 2017-07-13 2019-01-17 Itt Manufacturing Enterprises Llc Technique to detect motor leakage flux anomalies
KR20190099861A (ko) * 2018-02-20 2019-08-28 고려대학교 산학협력단 3상 교류 돌극형 동기기의 댐퍼 바 고장 진단 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체
KR20210059551A (ko) * 2019-11-15 2021-05-25 주식회사 에이소프트 고성능 컴퓨팅 자원을 활용한 딥러닝 기반 무인화 상점 시스템 관리 방법
KR20220079876A (ko) * 2019-10-14 2022-06-14 노르웨이전 유니버시티 오브 사이언스 앤드 테크놀러지(엔티엔유) 동기식 기계의 결함 검출
KR20220096794A (ko) * 2020-12-31 2022-07-07 한국수력원자력 주식회사 회전기계의 결함을 진단하는 방법 및 시스템

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006280158A (ja) * 2005-03-30 2006-10-12 Toyota Motor Corp 多相モータの偏心測定方法およびその装置
KR20090098031A (ko) * 2008-03-13 2009-09-17 김재평 유도전동기 권선의 회로분석에 의한 고장검출방법
KR20100112734A (ko) * 2009-04-10 2010-10-20 한국전기연구원 유도전동기의 온-사이트 복합 고장 진단 방법
JP2015534074A (ja) * 2012-10-26 2015-11-26 アーベーベー テクノロジー アクチエンゲゼルシャフトＡＢＢ Ｔｅｃｈｎｏｌｏｇｙ ＡＧ インピーダンス解析に基づく電気機械システムの診断方法
KR20160109159A (ko) * 2015-03-10 2016-09-21 (주)대주기계 가상 주파수 응답함수 기반의 회전기계 이상진단방법과 이를 이용한 회전기계 이상진단장치
KR20180049722A (ko) * 2016-11-03 2018-05-11 한국전기연구원 공작기계용 전동기의 온라인 결함 진단 방법
US20190018073A1 (en) * 2017-07-13 2019-01-17 Itt Manufacturing Enterprises Llc Technique to detect motor leakage flux anomalies
KR20200028407A (ko) * 2017-07-13 2020-03-16 아이티티 매뉴팩츄어링 엔터프라이즈, 엘엘씨 모터 누설 플럭스 이상점을 감지하는 기법
KR20190099861A (ko) * 2018-02-20 2019-08-28 고려대학교 산학협력단 3상 교류 돌극형 동기기의 댐퍼 바 고장 진단 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체
KR20220079876A (ko) * 2019-10-14 2022-06-14 노르웨이전 유니버시티 오브 사이언스 앤드 테크놀러지(엔티엔유) 동기식 기계의 결함 검출
KR20210059551A (ko) * 2019-11-15 2021-05-25 주식회사 에이소프트 고성능 컴퓨팅 자원을 활용한 딥러닝 기반 무인화 상점 시스템 관리 방법
KR20220096794A (ko) * 2020-12-31 2022-07-07 한국수력원자력 주식회사 회전기계의 결함을 진단하는 방법 및 시스템

Similar Documents

Publication Publication Date Title
Kedadouche et al. A new approach based on OMA-empirical wavelet transforms for bearing fault diagnosis
Soualhi et al. Prognosis of bearing failures using hidden Markov models and the adaptive neuro-fuzzy inference system
CN111201374B (zh) 机动车的废气排放的计算
CN113255078A (zh) 一种样本不均衡条件下的轴承故障检测方法及装置
CN107702922B (zh) 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法
US8751192B2 (en) Methods and systems for assessing vehicle transmissions
CN109774740A (zh) 一种基于深度学习的轮对踏面损伤故障诊断方法
CN109655267B (zh) 一种汽车轮毂轴承故障特征提取方法
Zhang et al. Feature engineering and artificial intelligence-supported approaches used for electric powertrain fault diagnosis: A review
CN113093005A (zh) 一种永磁同步电机静态偏心故障诊断方法
CN114048787B (zh) 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统
CN117269754A (zh) 基于卷积神经网络术的ipmsm转子退磁和偏心故障诊断方法
KR102572908B1 (ko) 전기차 구동 모터의 동적 편심 진단 방법 및 장치
CN114739671A (zh) 一种基于改进广义s变换的轴承故障诊断方法
Xue et al. Real-time diagnosis of an in-wheel motor of an electric vehicle based on dynamic Bayesian networks
KR20210010123A (ko) 복합 조건을 고려한 진동 기반 고장 진단 방법 및 이러한 방법을 수행하는 장치
CN114881071A (zh) 基于多源信息的同步电机转子绕组匝间短路故障诊断方法
Senanayaka et al. CNN based Gearbox Fault Diagnosis and Interpretation of Learning Features
CN110018417B (zh) 基于径向杂散磁通检测的电机故障诊断方法、系统及介质
CN113283028A (zh) 一种齿轮箱齿轮故障诊断方法
KR102625352B1 (ko) 모터 하우징 내외부에 포함된 센싱 모듈을 이용한 전기차 구동 모터 및 감속기 진단 시스템
CN115859210A (zh) 一种带电机设备停机尾音智能检测方法及系统
CN109975025B (zh) 基于自适应滤波解调的机车轮对轴承定量诊断方法
CN112781723B (zh) 一种基于频谱方差的谐波成分检测方法
CN113984392A (zh) 一种电驱动总成系统振动品质在线测试评估方法

Legal Events

Date Code Title Description
GRNT Written decision to grant