KR20090125481A - 인버터 고장 검출 장치 및 그 방법 - Google Patents

Abstract

본 발명은 인버터 고장 검출 장치 및 그 방법에 관한 것이다.

본 발명에 따르면, 인버터 고장 검출 장치는 전류 검출기로부터 입력받은 각 상의 전류 신호들을 이산 웨이브렛 변환하여 고장 순간을 검출한다. 즉 스위치 개방 회로 고장에 의해 발생하는 각 상의 전류 신호들에 포함된 불연속을 검출한다. 그리고 지원 벡터 머신을 이용하여 고장을 판별한다. 이때, 불연속이 검출된 시점으로부터 기 설정된 과거 주기 및 미래 주기 동안에 카운트된 전류 샘플을 이용하여 고장을 판별한다.

이와 같이, 이산 웨이브렛 변환을 사용하여 고장으로 가정되는 신호의 불연속을 검출하므로 고장 판별에 어려움을 야기할 수 있는 과도 상태를 어느 정도 회피할 수 있고 지원 벡터 머신을 사용하여 정상 상태에서 얻어지는 특징 데이터 집합과 고장에 의해 발생하는 특징 데이터 집합 사이의 최적 분류 경계를 찾아낼 수 있으므로 명확한 고장 판단 기준을 획득할 수 있다.

인버터, 삼상 PWM 인버터, 스위치 개방 회로 고장

Description

인버터 고장 검출 장치 및 그 방법{Device for detecting an inverter trouble and method thereof}

본 발명은 인버터 고장 검출 장치 및 그 방법에 관한 것이다. 더욱 상세하게 본 발명은 삼상 PWM(Pulse Width Modulation, 이하 'PWM'라 기술함) 인버터의 스위치 개방 회로 고장(switch open-circuit faults)을 검출하는 장치 및 그 방법에 관한 것이다.

직류를 교류로 변환하는 인버터, 그 중에서도 삼상 PWM 인버터는 전동기 구동 드라이브, UPS(Uninterruptible Power Supply), 능동 전력 필터 등과 같은 다양한 산업 응용분야를 비롯하여 신재생 에너지 변환 시스템과 하이브리드 자동차 등에도 활용되고 있다.

인버터 시스템의 설계와 제어 기술은 어느 정도 성숙되었으나, 산업 현장에서는 많은 종류의 예상치 못한 인버터 고장이 자주 발생한다. 특히, 인버터 고장은 전체 시스템의 동작에 영향을 미치게 되므로, 시스템의 신뢰성을 증가시키고 고장에 의한 악영향을 제거하기 위해서 고장 검출과 진단이 필요하다.

삼상 PWM 인버터 시스템에서 발생할 수 있는 여러가지 고장들 중에서 스위칭 소자의 고장은 커패시터 고장 다음으로 빈번하게 발생한다.

스위칭 소자의 고장에서 개방 회로 고장의 발생 빈도가 그리 낮지 않음에도 단락 회로 고장에 비해 빈도가 낮다는 이유로 개방 회로 고장은 그다지 심각하게 고려되지 않았다. 개방 회로 고장은 시스템의 상태에 따라 시스템 셧-다운을 야기할 수도 있으나, 개방 회로 고장이 반드시 시스템의 동작 불능을 야기하지는 않기 때문에 고장이 발생하더라도 시스템이 계속적으로 동작할 수도 있다. 이 경우 고장에 대한 복구없이 계속적인 시스템의 동작으로 인해 다른 스위치에 대한 열적 결함, 전동기의 권선 및 베어링 고장 등의 2차 고장으로 이어질 수 있다.

종래에 스위칭 소자의 개방 회로 고장을 진단하는 다양한 방법이 제안되어 있으나, 어떤 스위치가 고장인지를 판별할 수 있는 방법은 없다. 또한, 전압 센서를 이용한 고장 진단 방법이 제안되었는데, 이는 빠른 고장 검출이 가능하지만 전류 신호를 이용하는 경우와 비교할 때 추가적인 전압 센서가 필요하다는 단점이 있다

도 1은 일반적인 인버터 스위치의 개방 회로 고장을 설명하기 위한 삼상 PWM 인버터 회로의 전류 흐름도이다. 이때, 도 1(a-n), (b-n)은 정상 상태에서의 스위치 동작 모드를 나타내고 도 1(a-f), (b-f)는 고장 상태에서의 스위치 동작 모드를 나타낸다. 그리고, 도 1(a-n), (a-f)는 전류 방향이 양(+)일 경우이고, 도 1(b-n), (b-f)는 전류 방향이 음(-)일 경우이다.

도 1에 보인 바와 같이, 스위치 S1이 고장일 경우 레그 A는 위쪽의 바이패스 다이오드 D1에 의해 양의 dc 버스에 연결된다. 이 경우 전류는 그림 1(a-f)에서 보 이는 것처럼 바이패스 다이오드 D2를 통해 급속히 0으로 감소하고 0으로 유지된다. 그리고 다른 두 상 전류는 반대의 위상을 가진다.

다음, 만일 전류 방향이 음일 때 레그 A의 위 스위치 S1이 고장이라면 그림 (b-n), (b-f)에서 보이듯이 다이오드 D1을 통해 전류가 흐르므로 스위치 고장은 전류 흐름에 아무런 영향을 미치지 않는다.

반대로, 만일 레그 A의 스위치 S2가 고장이라면 레그 A가 아래쪽 바이패스 다이오드 D2에 의해 음의 dc 버스에 연결되어 있기 때문에 고장 현상은 전류의 방향이 양이 아니라 음일 때 나타난다. 그러므로 만일 스위치 개방 회로 고장이 발생하면, 전류는 약 반 주기 동안 0으로 유지되고 전류는 직류 옵셋 성분을 포함한다.

이러한 스위치 개방 회로 고장은 V(Voltage)/F(Frequency) 제어기와 같은 개루프 제어기를 사용하여 관성이 큰 유도기를 구동하는 유도기 구동장치에서는 그다지 큰 문제가 아닐 수도 있다.

하지만, 벡터 제어와 같이 궤환 제어기를 사용하는 경우 전류 제어기로 인한 과전류가 유발될 수 있으므로 시스템을 정지하지 않고 계속적으로 운전하기 위해서 빠른 고장 검출과 허용 제어가 필요하다.

본 발명이 이루고자 하는 기술적 과제는 스위치 개방 회로 고장 검출 및 고장 판별을 수행하는 인버터 고장 검출 장치 및 그 방법을 제공하는 것이다.

상기 기술한 바와 같은 과제를 이루기 위하여 본 발명의 특징에 따른 인버터 고장 검출 장치는,

인버터의 각 상의 전류 신호를 검출하여 출력하는 전류 검출기; 및 상기 전류 검출기로부터 입력받은 각 상의 전류 신호들을 이산 웨이브렛 변환하여 고장 순간을 검출하고, 지원 벡터 머신을 이용하여 고장을 판별하는 고장 검출부를 포함한다.

본 발명의 특징에 따른 인버터 고장 검출 방법은,

인버터의 각 상의 전류 신호들을 이산 웨이브렛 변환하여 불연속되는 순간을 검출하는 단계; 및 상기 불연속이 검출되면 지원 벡터 머신을 이용하여 고장을 판별하는 단계를 포함한다.

본 발명에 의하면, 이산 웨이브렛 변환과 지원 벡터 머신이라는 패턴 인식 알고리즘을 적용하여 고장의 순간이 이산 웨이브렛 변환을 이용하여 검출되고 고장 상과 고장 스위치는 지원 벡터 머신을 이용하여 판별할 수 있다.

따라서, 이산 웨이브렛 변환을 사용하여 고장으로 가정되는 신호의 불연속을 검출할 경우, 이를 통해 고장 판별에 어려움을 야기할 수 있는 과도 상태를 어느 정도 회피할 수 있다.

또한, 지원 벡터 머신을 사용하여 두 집합, 즉 정상 상태에서 얻어지는 특징 데이터 집합과 고장에 의해 발생하는 특징 데이터 집합 사이의 최적 분류 경계를 찾아낼 수 있으므로 명확한 고장 판단 기준을 획득할 수 있다.

이와 더불어, 본 발명에 의하면 1/4 주기에서 최대 반주기 안에 고장 진단이 완성되므로, 한 주기의 전류 정보가 필요한 종래의 전류 궤적 혹은 인공 지능 기술을 이용한 고장 진단 기술보다 향상된 성능을 제공한다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "…부" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.

도 2는 본 발명의 실시예에 따른 삼상 PWM 인버터의 구성도이다.

도 2에 보이는 인버터에서, 한 레그의 위쪽과 아래쪽의 스위치는 데드-타임 없이 항상 반대로 동작되고 스위치는 이상적이라고 가정한다. 개방 회로 고장은 한 레그의 스위치가 동작하지 않는 것을 말한다.

도 2에 보인 바와 같이, 삼상 PWM 인버터의 개방 회로 고장을 검출하는 인버터 고장 검출 장치는 전류 검출기(100) 및 고장 검출부(200)를 포함한다.

고장 검출부(200)는 전류 검출기(100)와 연결되어 각 상(A, B, C)의 전류(i_a, i_b, i_c)를 입력 받는다. 전류 검출기(100)는 삼상 PWM(Pulse Width Modulation, 이하 'PWM'라 기술함) 인버터 각 상(A, B, C)의 전류를 검출하여 출력한다.

고장 검출부(200)는 전류 검출기(100)를 통해 측정한 전류 신호를 기반으로 삼상 PWM 인버터의 개방 회로 고장을 진단한다.

고장 검출부(200)는 인버터 스위치의 개방 고장으로 인해 발생하는 인버터 출력 전류 신호의 불연속 순간을 검출(고장 검출)하기 위해 이산 웨이브렛 변환(Discrete Wavelet Transform, 이하 'DWT' 라 기술함)을 사용한다. 또한, 고장 판별을 위해 지원 벡터 머신(Support Vector Machine, 이하 'SVM' 라 기술함)이라는 학습 머신을 사용한다. 즉 고장의 순간이 DWT를 이용하여 검출되고 고장 상과 고장 스위치는 SVM을 이용하여 판별된다.

이와 같이, DWT를 사용하여 고장으로 가정되는 신호의 불연속을 검출할 경 우, 이를 통해 고장 판별에 어려움을 야기할 수 있는 과도상태를 어느 정도 회피할 수 있다. 또한, SVM을 사용하여 두 집합, 즉 정상 상태에서 얻어지는 특징 데이터 집합과 고장에 의해 발생하는 특징 데이터 집합 사이의 최적 분류 경계를 찾아낼 수 있으므로 명확한 고장 판단 기준을 획득할 수 있다.

도 3은 본 발명의 실시예에 따른 인버터 고장 검출 장치의 내부 구성을 나타낸 블록도이다. 즉 도 2의 고장 검출부(200)의 세부적인 구성을 나타낸 블록도이다.

도 3에 보인 바와 같이, 고장 검출부(200)는 정규화 수행부(210), 검출부(220), 추출부(230), 훈련부(240) 및 판별부(250)를 포함한다.

정규화 수행부(210)는 부하의 기동, 과도상태, 외란 등과 무관하게 전류 신호가 일정한 진폭을 갖도록 정규화(normalization)한다. 고장 진단을 위해 전류 신호를 사용함에 있어, 과도 상태에 의한 갑작스런 전류 크기의 변화는 고장 진단의 성능을 나쁘게 만드는 원인 중의 하나이다. 따라서, 전류 크기를 일정한 값으로 정규화하는 과정이 필요한 것이다.

검출부(220)는 정규화 수행부(210)가 출력하는 정규화된 전류를 DWT 변환하여 고장으로 인해 발생하는 신호의 불연속을 검출 즉 고장으로 짐작되는 시점을 검출한다.

여기서, DWT는 파형에서 불연속을 빠르게 검출할 수 있기 때문에 외란 등을 해석하는데 유용한 도구이다. 3상 PWM 인버터 시스템의 스위칭 주파수가 크고 부하의 인덕턴스가 저항에 비해 크다면 샘플링된 전류 신호는 순수한 사인파로 가정할 수 있다. 그러나 여기에 부하의 급작스런 변동이나 외란에 의해 신호에 불연속(갑작스런 변화)이 포함될 수 있으며 이것은 스위치 개방 고장이 발생하였을 경우에도 마찬가지이다. 즉 스위치 개방 고장이 발생하면 고장 스위치가 존재하는 레그에 의해 발생되는 상 전류에 커다란 불연속이 나타나며, 뿐만 아니라 나머지 상 전류에도 큰 불연속이 나타난다. 따라서 DWT를 이용하여 이러한 불연속을 검출하여 고장으로 가정되는 시점을 판별할 수 있다. 즉 저항이 0이고 순수한 인덕턴스만으로 구성된 삼상 평형 부하를 구동하는 인버터에서 개방 회로 고장이 발생한다면 고장난 상(레그)에 의해 발생되는 상 전류를 기본파와 직류 오프셋으로 구성된다. 그리고 나머지 두 상(레그)의 전류에는 직류 오프셋의 반이 각각 포함된다.

추출부(230)는 고장 순간을 기준으로 고장 진단을 위한 특징들을 추출한다. 즉 검출부(220)가 검출한 불연속 시점으로부터 과거와 미래의 특정 주기 동안 정규화된 전류 샘플을 고장 발생 및 외란 등 여러 가지 상황에서 수집한다.

훈련부(240)는 추출부(230)로부터 입력받은 여러 조건에서 수집된 특징 데이터로 구성된 훈련 데이터를 이용하여 최적의 분류 경계 즉 훈련 데이터에 대한 참, 거짓을 판별하도록 훈련된다.

외란 혹은 갑작스런 지령 변화에 의해 야기될 수 있는 과도 상태를 고려한다면, 과도 상태를 포함하는 정상 상태와 고장 상태를 명확히 구별하는데 어려움이 있다. 이런 이유로, 앞에서 언급된 정상 상태와 고장 상태의 두 상태 사이의 최적 결정 경계를 찾기 위해 훈련부(240)는 SVM이라는 학습 머신을 사용하여 훈련된다.

판별부(250)는 추출부(230)로부터 입력되는 특징 데이터 및 훈련부(240)의 훈련 과정에 의해 획득된 파라미터들을 이용하여 고장 상(레그) 및 고장 스위치를 판별한다.

이제, 이상 설명한 구성을 토대로 인버터 고장 검출을 수행하는 방법을 도 4 내지 도 11을 통해 상세히 설명하기로 한다.

도 4는 본 발명의 실시예에 따른 인버터 고장 검출 방법의 일련의 처리 과정을 나타낸 순서도이다.

도 4에 보인 바와 같이, 검출(S101)된 상 전류 신호의 정규화(S103)를 통해 전류 크기를 일정한 값으로 정규화한다. 정규화 과정을 이용하였을 경우, 정규화된 전류 신호의 크기는 부하 상태에 따라 영향을 받지 않기 때문에 전류 신호를 사용하여 더 쉽게 스위치 고장을 검출할 수 있다. 전류는 아래 수학식 1과 같이 정규화될 수 있다.

여기서,

는 상 전류들이고,

는 정규화된 전류들이며,

이다.

는 정지 좌표계에서의 dq축 전류들이다.

다음, S103 단계에서 정규화된 전류를 DWT를 이용하여 변환(S105)하여 고장 으로 인해 발생하는 신호의 불연속을 검출한다(S107). 이때, 삼상 중 어느 한 상에서라도 불연속이 검출되면 불연속 검출 신호를 발생한다.

또한, 이산 웨이브렛 변환된 각 상의 전류 신호들의 크기가 기 설정된 임계치를 초과하는 경우, 이때의 불연속의 순간을 고장 시점으로 검출할 수 있다. 기 설정된 임계치는 실제 고장 상황 및 외란으로 인한 고장 상황도 모두 해당하도록 설정된다.

여기서, DWT 변환은 도 5 내지 도 7에 보인 바와 같이 이루어진다.

먼저, 도 5는 본 발명의 실시예에 따른 이산 웨이브렛 변환 과정을 나타낸 예시도이고, 도 6은 본 발명의 실시예에 따른 이산 웨이브렛 변환을 위한 필터의 구성도이며, 도 7은 본 발명의 실시예에 따른 이산 웨이브렛 변환 결과를 나타낸 예시도이다.

DWT의 한 방법인 다중 해상도 해석(Multi-Resolution Anaylsis)에서, 다중 해상도 근사(Multi-Resolution Approximation)는 각 공간

의 직교축을 생성하는 스케일 함수

에 의해 결정된다.

예를 들어, 스케일

와

에서 함수

의 근사는 각각

와

으로의 직교 사상(mapping)과 동일하다. 여기서,

는

에 포함된다.

같은 방식으로 웨이브 함수

는

내의

의 직교 여(orthogonal complement)인

의 의 직교축이다. 즉,

이다.

으로의

의 직교 사상은 다음 수학식 2와 같이

와

으로의 직교 사상의 합으로 분해될 수 있다.

여기서,

,

,

및

이다.

의 여인

은, 스케일

에서 나타나고 해상도가 낮은 스케일

에서 사라지는, 함수

의 세부정보(details)를 제공한다.

어떤

와

라도 다음 수학식 3, 4와 같이

의 직교축

로 분해될 수 있다.

수학식 3 및 4의 좌변과 우변에

와 내적을 취하면 다음 수학식 5 및 6과 각각 같다.

여기서, *는 콘볼루션을 의미한다.

이때, 수학식 5와 6의 과정이 도 5에 보인 바와 같다. 일종의 필터 뱅크 시스템과 비슷한 DWT는 특정 필터들을 이용하여 함수

더 높은 해상도 영역에서 낮은 영역으로 순차적으로 사상하는 것이다. 도 5에 보인 바와 같이 3상 3채널 구조를 통해 DWT 과정이 이루어진다. 도 5에서 h는 일종의 저역 통과 필터이고, g는 고역 통과 필터이다.

는 근사 계수라고 하고

는 상세 계수 혹은 웨이브렛 계수라고 한다. 상세 계수는 함수

를 웨이브렛 공간으로 사상함으로서 얻어지는 결과이다.

DWT를 실현하는 데 있어, 몇 개의 FIR 필터들(유한 반응 필터)이 사용되며, 이것은 db2(daubechies2) 스케일과 웨이브렛을 적용함으로서 얻어진다. 해당 스케 일과 웨이브렛, 그리고 필터 계수들은 도 6에 보인 바와 같다. 도 6(a)는 스케일(Scaling), 도 6(b)는 웨이브렛(Wavelet), 도 6(c)는 저역 통과 필터 계수(Low-pass filter coefficients), 도 6(d)는 고역 통과 필터 계수(High-pass filter coefficients)를 나타낸다.

더욱이, 도 7에 보인 바와 같이 고장난 상 전류가 0으로 유지되는 동안 다른 상 전류들에서 갑작스런 불연속이 나타난다. 또한, 고장난 상 전류 파형에서는 명확한 불연속이 고장 순간을 제외하고는 나타나지 않는다. 이러한 특성 때문에 DWT는 고장 상태에서 정규화된 전류를 해석하는데 더욱 유용하다.

도 7(a), (d), (g)는 각 상(A, B, C)의 실제 전류 파형과 정규화된 전류 파형을 나타낸다. 그리고 도 7(b), (e), (h)는 도 7(a),(d),(g)의 정규화된 파형을 db2 웨이브렛을 적용함으로서 얻어지는 첫 번째 상세 계수들, 도 7(c), (f), (i)는 두 번째 상세 계수들을 나타낸다.

첫 번째, 두 번째 상세 계수는 도 5에서의

와

에 해당된다. 여기서, 스위칭 주파수는 5[kHz]이고 첫번째와 두번째 단계의 FIR 필터 샘플링 주파수는 각각 10[kHz]와 5[kHz]이다.

도 7에서 보인 바와 같이, 만일 전류 신호가 불연속 상황을 포함하면 상세 계수는 불연속점에서 짧은 시간 동안 급작스럽게 크기가 증가되며 파장이 좁혀진다. 그러므로, 미리 정해진 특정 문턱치를 이용하여 쉽게 불연속이 검출될 수 있다. 즉 세부 신호 즉 상세 계수의 크기가 특정 문턱치를 넘게 되면 우선 고장 상황 으로 가정된다.

한편, 고장 발생시 불연속은 고장난 상과 그렇지 않은 상의 전류 모두에서 나타날 뿐만 아니라 외란 혹은 갑작스런 지령 변화에 의해서도 나타날 수 있으므로, 고장난 상 및 스위치를 판별할 수는 없다.

다시 도 4에 대한 설명으로 돌아가면 S107 단계에서는 고장난 상 및 스위치를 판별하기 위한 특징 데이터들을 추출한다.

즉 불연속이 검출(S107)되면 검출된 불연속 시점으로부터 과거 1/2 주기와 미래 1/4 주기 동안에 전류 샘플을 수집하여 제1 특징 데이터로 추출한다(S109). 그리고 수집된 전류 샘플을 이용하여 과거 1/2 주기 동안의 전류 샘플의 합 및 미래 1/4 주기 동안의 전류 샘플 변화를 산출하여 제2 특징 데이터로 추출한다(S111). 이때, 주기의 결정은 인버터의 출력 기준 주파수에 의해 이루어진다.

실시예에 의하면, 수집된 전류 샘플을 이용하여 이전 1/2주기 동안 특정 범위(-0.2에서 0.2) 사이에 존재하는 샘플 수와 평균값, 그리고 이후 1/4주기 동안 특정 범위(-0.2에서 0.2) 사이에 존재하는 샘플 수와 기울기를 구하게 된다.

이때, 전류 샘플 수는 고장 상(레그) 판별을 위해 이용되며 전류 평균값 및 기울기는 고장 스위치 판별을 위해 이용된다.

여기서, 제1 특징 데이터 및 제2 특징 데이터 추출은 도 8 내지 도 10에 보인 바와 같이 이루어진다.

먼저, 도 8은 본 발명의 실시예에 따른 특정 범위 내 전류 샘플 수를 나타낸 예시도이다.

도 8(a)는 정규화된 전류 파형의 정상 상태에서의 특정 범위 내 전류 샘플 수를 나타내고, 도 8(b), (c)는 정규화된 전류 파형의 고장 상태에서의 특정 범위 내 전류 샘플 수를 나타낸다. 이때, 특정 범위는 "-0.2와 0.2" 사이이다.

고장 검출 신호가 발생되는 순간 과거 1/2 주기 정보를 이용하여 고장이 검출될 것이다 즉 도 8(c)의 경우 3/4 T 근처에서 나머지 두 상에 대한 세부신호가 문턱치를 넘게 된다. 이와 달리, 도 8(b)의 경우에서는 고장 검출 신호가 발생되는 순간 과거 1/2 주기 동안의 전류 샘플 수는 정상적인 동작 상태에서의 정보를 가진다.

따라서, 1/4 주기 이후에 과거 1/2 주기 동안의 전류 샘플 수 및 이후 1/4 주기 동안의 전류 샘플 수에 의해 고장이 검출된다.

다음, 도 9는 본 발명의 실시예에 따른 고장에 의한 전류 패턴을 나타낸 예시도로서, 위쪽 스위치가 고장난 경우를 나타낸다.

도 9(a), (b), (c)는 양의 전류가 흐르고 있을 때 위쪽 스위치가 고장난 경우이다. 여기서, (a)는 큰 기울기를 가지고 반주기의 평균값이 양이다. 그리고 (b)는 마찬가지로 큰 기울기를 가지고 반주기 평균이 거의 영이다. (c)의 경우에서 기울기는 매우 작으며 평균값은 음이다. (d)와 (e)는 음의 전류가 흐를 때 스위치가 고장난 경우이다. 여기서, (d)와 (e)의 기울기는 거의 영이고 평균값은 음이다.

도 9(a), (b)의 경우 고장 검출 시점으로부터 1/4주기 이후의 기울기가 1보다 크고 과거 1/2 주기의 평균값은 '+' 값을 가진다. 그러나 도 9(c)의 경우 고장 검출 시점으로부터 1/4주기 이후의 기울기가 1보다 작고 과거 1/2 주기의 평균값은 '-' 값을 가진다. 도 9(d), (e)의 경우 고장 검출 시점으로부터 1/4주기 이후의 기울기는 거의 0에 가까우며 과거 1/2 주기의 평균값은 '-' 값을 가진다. 따라서 이 정보를 이용하여 고장 스위치가 위 스위치인지 아래 스위치인지를 판별할 수 있다.

또한, 만일 외란 혹은 갑작스런 지령 변화에 의해 야기될 수 있는 과도 상태를 고려한다면, 과도 상태를 포함하는 정상 상태와 고장 상태를 명확히 구별하는데 어려움이 있다. 이런 이유로, 앞에서 언급된 정상 상태와 고장 상태의 두 상태사이의 최적 결정 경계를 찾기 위해 SVM이라는 학습 머신이 사용되는 것이다.

즉 SVM을 기반으로 제1 특징 데이터를 이용하여 일단 고장 상이 판별되면 고장 스위치는 DWT에 의해 검출되는 고장 순간을 기준으로 과거 반주기의 평균값과 1/4 주기의 기울기를 포함한 제2 특징 데이터를 이용하여 쉽게 판별될 수 있다.

도 10은 본 발명의 실시예에 따른 정규화된 전류 파형으로부터 특징을 추출하는 예시도이다.

도 10에 보인 바와 같이, SVM1과 SVM2가 각각 고장 상과 고장 스위치를 판별하기 위해 사용된다.

먼저, 고장 순간(detection point)을 기준으로 과거 반주기와 이후 1/4 주기에 대한 영 전류 샘플의 카운트가 SVM 1의 입력인 특징들로 선택된다. 특징들은 도 10에서 대역폭(-0.2 ~ 0.2) 안에 존재하는 검은 사각형과 원의 수이다.

그리고 과거 반주기 동안의 샘플의 합(도 10의

에서

인

의 합)과 1/4 주기 동안의 샘플 변화(도 10에서 (

))이 SVM2의 입력으로 선 택된다.

여기서

은 불연속 검출 순간의 전류 값이고

은 검출 순간에서 1/4주기 이후 전류 값이다. 또한

과

은 과거 반주기와 이후 1/4주기 동안의 총 전류 샘플수를 의미한다.

다시 도 4에 대한 설명으로 돌아가면, 도 8 내지 도 10 을 통해 설명한 제1 특징 데이터 추출(S109) 및 제2 특징 데이터 추출(S111)을 여러가지 상황에서 수행하여 훈련 데이터(

)를 수집(S113)하여 오프라인에서 SVM 훈련을 수행한다.

이때, 도 11은 본 발명의 실시예가 적용되는 SVM을 설명하기 위한 그래프이다.

도 11에 보인 바와 같이, SVM의 주목적은 훈련 데이터로 구성되고 참(+1)과 거짓(-1)으로 정의되는 두 개의 집합을 집합 사이의 거리가 최대가 되도록 하는 분리 경계를 찾는 것이다. 즉 존재하는 모든 초평면(hyper-plane) 이른바 분류기 중에서 훈련 데이터 오차를 최소화하는, 다시 말해 가장 큰 마진 M을 가지는 초평면을 찾아내는 것이다. 주어진 훈련 데이터로부터 최적화된 초평면을 찾는 문제는 마진 M을 최대화하도록 SVM을 훈련하는 것과 동일한 문제이다.

이는 다음 수학식 7의 쌍대 문제를 연산하여 획득된다.

Maximize : (1)

Subject to :

(2)

(3)

여기서,

는 라그랑지 승수이고,

은 훈련 데이터이다(

은 입력 데이터이고

는 출력 데이터이다). C는 분류 성능과 일반화 능력 사이의 트레이드-오프(trade-off)를 결정하는 상수이다. C의 값이 커지면 오분류 오차가 작아지며 C의 값이 작다면 오분류 오차는 커지는 대신 일반화 능력이 증가한다.

은 특징 공간으로의 비선형 사상을 수행하는 다항식 커널 함수 (polynomial kernel function) 이다.

수학식 7의 (2)의 조건을 가지는 (1)을 풀면, 라그랑지 승수

가 결정되고 분리 함수가 다음 수학식 8과 같이 얻어진다.

여기서, b는 다음 수학식 9와 같은 바이어스 항이다.

그리고

는 지원 벡터들의 수이다. 지원 벡터는 영 아닌

를 가지는

를 말한다.

다시 도 4에 대한 설명으로 돌아가면, 훈련 데이터가 입력된 후(S113) 도 12에서 설명한 커널 함수를 선정(S115)하고 주어진 훈련 데이터(

)에 대하여 커널 함수(

)를 계산한다(S117). 일반적으로는 특정 사상 함수를 이용하여 고차의 특징공간으로 사상하는 대신 커널 함수를 이용하여 입력 공간에서 직접적으로 분류기(초평면)를 찾게 된다. 이것은 커널 트릭(Kernel trick)이라고 한다.

다음, C값을 설정하고, S117 단계에서 계산된 커널 함수(

)를 이용하여 SVM 훈련을 통해 수학식 8을 구성하는 파라미터들 즉 지원 벡터(

), 라그랑지 승수(

), 바이어스 항 b 및 C를 결정한다(S119).

따라서, 최적 분류 초평면을 찾기 위한 과정인 SVM의 훈련이란 라그랑지 승수

와 바이어스 b, 그리고 비용 변수 C를 찾아내는 과정과 같다고 할 수 있다.

이후, 실시간으로 추출된 제1 특징 데이터 및 제2 특징 데이터를 입력받아(S121) 커널 함수(

)를 계산한다(S123).

마지막으로, S119 단계에서 결정된 즉 SVM 훈련을 통해 획득된 파라미터들과 S121 단계 및 S123 단계를 통해 실시간으로 획득된 특징 데이터들 및 커널 함 수(

)를 이용하여 온라인에서 수학식 8의 분리 함수(f(x))를 얻을 수 있다. 이러한 분리 함수(f(x))를 이용하여 고장 판별을 수행한다(S125). 분리 함수(f(x))의 출력은 '+1' 혹은 '-1' 이다.

도 12는 본 발명의 실시예에 따른 고장 판별 구조를 나타낸 예시도이다. 즉 SVM의 분리 함수(f(x))를 이용한 고장 진단 구조를 보여준다.

도 12에 보인 바와 같이, DWT에 의해 고장 순간이 검출되면 정규화된 전류 파형으로부터 추출한 제1 특징 데이터(전류 샘플 수) 및 제2 특징 데이터(전류 샘플의 평균값 및 기울기)를 각각 SVM1 및 SVM2의 입력으로 하여 오프라인상에서 SVM 훈련을 수행한다. 고장 판별의 순서는 1. 고장 상(레그)의 판별(SVM1) 및 2. 고장 스위치의 판별(SVM2)이다. 이때, SVM1의 훈련은 삼상 전류 모두로부터 획득된 특징을 이용하여 수행된다. 그리고 SVM2의 출력은 SVM1의 출력이 고장 상태를 의미하는 '+1'일 경우에만 활성화된다.

이하 도 13 내지 도 18은 본 발명의 실시예에 따른 인버터 고장 검출 방법을 시뮬레이션한 결과를 나타낸 것이다. 고장 상태가 아닌 정상 상태에서 잘못된 고장 신호(fault flag)를 발생하는지를 확인하기 위해 갑작스럽게 주파수와 크기를 변화시키며 결과를 관측한 것이다.

도 13 내지 도 16는 R(1[Ω])-L(7[mH]) 부하에 대한 전류 제어의 경우에서 상전류 파형들과 고장 신호를 나타낸다. 이때, 각 상에 대한 고장 판별 신호 '-1'은 정상 상태를 의미하고 '+'은 고장 상태를 의미한다. 또한, 고장난 상에서 고장 판별 신호 '+1'은 위쪽 스위치를 의미하고 '-1'은 아래쪽 스위치를 의미한다.

먼저, 도 13은 주파수 변화 중에 A 상의 위쪽 스위치가 고장난 경우 성능을 나타낸다. 도 13(a)는 주파수 파형을 나타내고, 도 13(b)는 상들의 고장 판별 신호를 나타내며, 도 13(c)는 A 상의 위쪽 스위치의 고장 판별 신호를 나타낸다.

즉 도 13에 보인 바와 같이, 주파수가 갑작스럽게 변할 경우에도 잘못된 고장 판별 신호는 발생하지 않았다.

다음, 도 14는 크기(진폭) 변화 중에 A 상의 아래쪽 스위치가 고장난 경우 성능을 나타낸다. 도 14(a)는 주파수 파형을 나타내고, 도 14(b)는 상들의 고장 판별 신호를 나타내고, 도 14(c)는 A 상의 아래쪽 스위치의 고장 판별 신호를 나타낸다.

즉 도 14에 보인 바와 같이, 전류 크기(진폭)이 갑작스럽게 변했음에도 잘못된 고장 판별 신호는 발생하지 않았다.

다음, 도 15는 주파수와 크기(진폭) 모두 변화할 경우 B 상의 위쪽 스위치가 고장난 경우의 성능을 나타낸다. 도 15(a)는 주파수 파형을 나타내고, 도 15(b), (c), (d)는 각 상들의 고장 판별 신호를 나타낸다. 도 15(e)는 도 15(a)의 점선으로 표시된 부분을 확대한 주파수 파형을 나타내고, 도 15(f)는 도 15(e)에 대한 각 상들의 고장 판별 신호를 나타내며, 도 15(f)는 B 상의 고장 판별 신호를 나타낸다.

즉 도 15에 보인 바와 같이, 고장 상과 고장 스위치에 대한 고장 판별 신호들은 고장 순간으로부터 1/4 주기 후에 정확하게 발생되는 것을 알 수 있다.

도 16은 정상적인 주파수 진행과 역상 진행에서 성능을 나타내 f=60sin4Πt, I_mag=15sin4πt 이다. 도 16(a)는 주파수 파형을 나타내고 도 16(b)는 상들의 고장 판별 신호를 나타낸다.

즉 도 16에 보인 바와 같이, 주파수와 크기(진폭)가 모두 변화하는 과도 상태에서도 잘못된 고장 판별 신호의 발생 없이 정상적으로 동작하는 것을 알 수 있다.

한편, 도 17 및 도 18은 벡터 제어된 유도기에 대한 시뮬레이션 결과를 나타낸다.

도 17은 유도기의 스피드가 사인파처럼 변화할 경우 성능을 나타낸다. 도 17(a)는 스피드를 나타내고, 도 17(b)는 실제 전류 파형을 나타내고, 도 17(c)는 정규화된 전류 파형을 나타내며, 도 17(d)는 상의 고장 판별 신호를 나타낸다.

즉 도 17에 보인 바와 같이 유도기 속도 및 방향을 변화시키더라도 아무런 고장 판별 신호가 발생하지 않는 것을 알 수 있다.

도 18은 외란이 인가된 경우 100ms 이후 A 상의 위쪽 스위치가 고장난 경우 성능을 나타낸다. 도 18(a)는 유도기의 속도, 도 18(b)는 전류 파형들, 도 18(c)는 토크를 각각 나타낸다. 도 18(d)는 도 18(b)의 점선으로 표시된 부분을 확대한 실제 및 정규화된 전류 파형을 나타낸다. 도 18(e)는 각 상들의 고장 신호들을 나타내고 도 18(f)는 A 상의 위쪽 스위치의 고장 판별 신호를 나타낸다.

즉 도 18에 보인 바와 같이, 고장 신호를 외란에서는 발생하지 않았고 고장이 발생했을 경우에만 발생하는 것을 확인할 수 있다.

이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

도 1은 일반적인 인버터 스위치의 개방 회로 고장을 설명하기 위한 삼상 PWM 인버터 회로의 전류 흐름도이다.

도 2는 본 발명의 실시예에 따른 삼상 PWM 인버터의 구성도이다.

도 3은 본 발명의 실시예에 따른 인버터 고장 검출 장치의 내부 구성을 나타낸 블록도이다.

도 4는 본 발명의 실시예에 따른 인버터 고장 검출 방법의 일련의 처리 과정을 나타낸 순서도이다.

도 5는 본 발명의 실시예에 따른 이산 웨이브렛 변환 과정을 나타낸 예시도이다.

도 6은 본 발명의 실시예에 따른 이산 웨이브렛 변환을 위한 필터의 구성도이다.

도 7은 본 발명의 실시예에 따른 이산 웨이브렛 변환 결과를 나타낸 예시도이다.

도 8은 본 발명의 실시예에 따른 특정 범위 내 전류 샘플 수를 나타낸 예시도이다.

도 9는 본 발명의 실시예에 따른 고장에 의한 전류 패턴을 나타낸 예시도이다.

도 10은 본 발명의 실시예에 따른 정규화된 전류 파형으로부터 특징을 추출하는 예시도이다.

도 11은 본 발명의 실시예가 적용되는 SVM을 설명하기 위한 그래프이다.

도 12는 본 발명의 실시예에 따른 고장 판별 구조를 나타낸 예시도이다.

도 13 내지 도 18은 본 발명의 실시예에 따른 인버터 고장 검출 방법을 시뮬레이션 한 결과를 나타낸 것이다.

Claims (11)

1. 인버터의 각 상의 전류 신호를 검출하여 출력하는 전류 검출기; 및

   상기 전류 검출기로부터 입력받은 각 상의 전류 신호들을 이산 웨이브렛 변환하여 고장 순간을 검출하고, 지원 벡터 머신을 이용하여 고장을 판별하는 고장 검출부

   를 포함하는 인버터 고장 검출 장치.
2. 제1항에 있어서,

   상기 고장 검출부는,

   상기 입력받은 각 상의 전류 신호들이 일정한 진폭을 가지도록 상기 각 상의 전류 신호들을 정규화하는 정규화 수행부;

   상기 정규화 수행부가 출력하는 정규화된 전류 신호들을 이산 웨이브렛 변환하여 불연속을 검출하는 검출부;

   상기 검출부가 검출한 불연속 시점으로부터 기 설정된 과거 및 미래 주기 동안의 전류 샘플을 수집하여 특징 데이터들을 추출하는 추출부; 및

   상기 추출부가 추출한 특징 데이터들을 상기 지원 벡터 머신에 적용하여 고장이 발생한 상 또는 고장이 발생한 스위치를 판별하여 각각에 해당하는 고장 판별 신호를 출력하는 판별부

   를 포함하는 인버터 고장 검출 장치.
3. 제2항에 있어서,

   상기 고장 검출부는,

   고장 상황, 속도 변화, 외란을 포함한 기 설정된 다양한 조건에서 상기 추출부를 통해 추출된 특징 데이터들을 상기 지원 벡터 머신을 이용하여 훈련하고, 훈련을 통해 획득한 고장 판별을 위한 파라미터들을 상기 판별부로 제공하는 훈련부

   를 더 포함하는 인버터 고장 검출 장치.
4. 인버터의 각 상의 전류 신호들을 이산 웨이브렛 변환하여 불연속되는 순간을 검출하는 단계; 및

   상기 불연속이 검출되면 지원 벡터 머신을 이용하여 고장을 판별하는 단계

   를 포함하는 인버터 고장 검출 방법.
5. 제4항에 있어서,

   상기 검출하는 단계 이전에,

   상기 각 상의 전류 신호들을 일정한 진폭을 가지도록 정규화하는 단계

   를 더 포함하는 인버터 고장 검출 방법.
6. 제5항에 있어서,

   상기 판별하는 단계는,

   상기 불연속이 검출된 시점으로부터 기 설정된 과거 주기 및 미래 주기 동안의 전류 샘플을 특징 데이터로 추출하는 단계;

   상기 특징 데이터를 지원 벡터 머신을 이용하여 훈련하여 고장 판별을 위한 파라미터들을 산출하는 단계; 및

   상기 파라미터들 및 상기 특징 데이터를 상기 지원 벡터 머신에 적용하여 판별한 고장 상 또는 고장 스위치 각각에 해당하는 고장 판별 신호를 출력하는 단계

   를 포함하는 인버터 고장 검출 방법.
7. 제6항에 있어서,

   상기 추출하는 단계는,

   상기 불연속이 검출된 시점으로부터 과거 1/2 주기 동안 및 미래 1/4 주기 동안에 기 설정된 특정 범위 사이에 존재하는 전류 샘플 수를 카운트하여 제1 특징 데이터를 추출하는 단계; 및

   상기 과거 1/2 주기 동안에 카운트 된 전류 샘플의 평균값 및 상기 미래 1/4 주기 동안에 카운트 된 전류 샘플의 변화를 제2 특징 데이터로 추출하는 단계

   를 포함하는 인버터 고장 검출 방법.
8. 제7항에 있어서,

   상기 고장 판별 신호를 출력하는 단계는,

   상기 제1 특징 데이터를 지원 벡터 머신에 적용하여 고장 상을 판별하는 고 장 판별 신호를 출력하고, 상기 제2 특징 데이터를 지원 벡터 머신에 적용하여 고장 스위치를 판별하는 고장 판별 신호를 출력하는 인버터 고장 검출 방법.
9. 제8항에 있어서,

   상기 파라미터들을 산출하는 단계는,

   고장 상황, 속도 변화, 외란을 포함한 기 설정된 다양한 조건에서 추출된 상기 제1 특징 데이터 및 상기 제2 특징 데이터들을 훈련 데이터로 입력받는 단계;

   커널 함수를 선정하여, 상기 훈련 데이터에 대하여 커널 함수를 계산하는 단계; 및

   상기 커널 함수를 이용하여 정상 상태와 고장 상태 두 상태 사이의 최적의 결정 경계를 도출하는 0이 아닌 라그랑지 승수를 가지는 훈련 데이터의 입력 데이터인 지원 벡터, 라그랑지 승수, 오분류 오차를 결정하는 상수 및 바이어스 항 b를 포함한 파라미터들을 산출하는 단계

   를 포함하는 인버터 고장 검출 방법.
10. 제9항에 있어서,

    상기 고장 판별 신호를 출력하는 단계는,

    삼상 전류 신호 각각으로부터 획득된 상기 제1 특징 데이터 및 제2 특징 데이터를 이용하여 커널 함수(

    

    를 산출하는 단계;

    상기 파라미터들을 산출하는 단계에서 산출된 라그랑지 승수

    

    , 지원 벡터(

    

    ), 상수(C) 및 바이어스 항 b를 이용하여 분류 함수(f(x))를 산출하는 단계;

    상기 제1 특징 데이터를 상기 분류 함수에 적용하여 고장 상을 판별하는 고장 판별 신호를 출력하는 단계; 및

    상기 고장 상을 판별하는 출력 신호가 고장 상태를 의미하는 신호일 경우, 상기 제2 특징 데이터를 상기 분류 함수에 적용하여 고장 스위치를 판별하는 고장 판별 신호를 출력하는 단계

    를 포함하는 인버터 고장 검출 방법.
11. 제4항에 있어서,

    상기 검출하는 단계는,

    정규화된 각 상의 전류 신호들을 이산 웨이브렛 변환하는 단계;

    이산 웨이브렛 변환된 각 상의 전류 신호들의 크기가 기 설정된 임계치를 초과하는 불연속의 발생 여부를 확인하는 단계; 및

    상기 기 설정된 임계치를 초과하는 불연속의 순간을 고장 시점으로 검출하는 단계

    를 포함하는 인버터 고장 검출 방법.

Images