KR20140019839A

KR20140019839A - Ｈｖ 장비에서 단일 및 복수의 부분 방전(ｐｄ) 결함을 분류하기 위한 ｐｒｐｄ 엔벨로프의 값 사용

Info

Publication number: KR20140019839A
Application number: KR1020137033702A
Authority: KR
Inventors: 야흐야 아흐메드 아시리
Original assignee: 사우디 아라비안 오일 컴퍼니
Priority date: 2011-06-27
Filing date: 2012-05-14
Publication date: 2014-02-17
Also published as: EP2724169A2; JP2014517320A; CN103649763A; US20120330871A1; WO2013002897A2; WO2013002897A3

Abstract

고전압 모터가 경험하는 부분 방전의 유형들을 분류하기 위한 방법, 시스템 및 컴퓨터 프로그램 제품으로서, 이러한 분류에 필요한 노동 및 전문지식을 감소시키는 방법, 시스템 및 컴퓨터 프로그램 제품이 제공된다. 이 방법, 시스템 및 컴퓨터 프로그램 제품은 신경망 입력 요건에 맞도록 부분 방전 측정 데이터를 사전처리하는 특징 추출 기술을 이용한다.

Description

ＨＶ 장비에서 단일 및 복수의 부분 방전(ＰＤ) 결함을 분류하기 위한 ＰＲＰＤ 엔벨로프의 값 사용{USING VALUES OF PRPD ENVELOPE TO CLASSIFY SINGLE AND MULTIPLE PARTIAL DISCHARGE (PD) DEFECTS IN HV EQUIPMENT}

본 발명은 고전압 모터가 경험하는 부분 방전(partial discharge)의 유형들의 분류(classification)를 위한 방법, 시스템 및 컴퓨터 프로그램 제품으로서, 이러한 분류에 필요한 노동과 전문 지식을 감소시키는 방법, 시스템 및 컴퓨터 프로그램 제품에 관한 것이다.

전기 모터는 전기 에너지에서 기계 에너지로의 변환을 위해 다양한 산업 공장 프로세스에서 중추적인 역할을 한다. 그 결과, 그의 신뢰성 및 이용능력이 산업계에서 최대로 중요하다. 모터는 일반적으로 강건하고 신뢰할 수 있지만, 노화됨에 따라 마모를 경험하고, 가끔 더 새로운 모터가 설계 결함, 부정확한 작동 조건 또는 부적절한 설치로 인해 고장날 수 있다.

모터 고장은 파손된 회전자 바, 파손된 엔드 링, 손상입은 모터 베어링 또는 에어갭 편심과 같은 기계적 장애에 의해 야기될 수 있고, 또는 고정자 권선 쇼트나 공급 전압 불균형과 같은 전기적 장애에 의해 야기될 수 있다. 모터 고장의 EPRI 및 IEEE 조사에서는 37%를 고정자 장애, 10%를 회전자 장애, 41-50%를 베어링 진동, 그리고 작은 비율을 기타 원인으로 인한 것으로 보고 있다.

분수 및 소형 마력 모터가 비교적 저렴한 규격 항목(off-the-shelf item)인 반면에, 중간 전압 및 고전압 모터는 매우 고가일 수 있으며 대체물을 얻기 위해 긴 시간이 걸린다. 이러한 고전압 모터에 대하여, 돌발 고장을 막기 위하여 문제를 검출하고 진단할 수 있는 것이 중요하다. 또한, 문제를 정확하게 검출하고 진단할 수 있는 능력은 또한, 오퍼레이터가 유지 보수 또는 교체를 위해 서비스 불가능 모터를 조기에 취하는 것과 관련된 비용 및 고장시간을 피할 수 있게 해줄 수 있다.

모터 제조자는 전압, 전류, 권선 온도, 베어링 온도 및 베어링 진동을 모니터링하는 다양한 센서들을 제공한다. IEEE 통계에서는 고전압 전기 모터 및 발전기의 고장의 최대 90%가 절연 시스템의 파괴로 인한 것이라고 나타낸다. 절연은, 전도체들 사이 또는 전도체와 접지 사이의 단락으로 인해 전류를 원치않는 경로로 흐르게 하여 모터의 적절한 동작을 막는 것을 방지하기 위해 필수적이다. 절연 시스템은 또한 구리 전도체들을 타이트하게 제자리에 유지하며, 전자기력에 의해 야기되는 원치않는 이동을 막는다. 고정자 권선의 수명은 전도체 또는 강재심부에 의해서라기보다는 전기 절연에 의해 종종 제한된다. 따라서, 고전압 모터의 고정자 권선 절연의 상태(health)를 모니터링하는 것이 특히 중요하다.

부분 방전("PD"; partial discharge)은 고전압 절연 고장의 하나의 원인이다. PD는 탄화 및 절연을 부분적으로 브릿징하는 트랙킹(tracking)을 생성하는 전기 방전이며, 하나의 위상과 다른 위상 사이 또는 한 위상과 접지 사이의 배리어를 제공하도록 되어 있는 절연부를 통해 전류가 흐르는 경로를 제공한다. 따라서, PD는 라인 전위와 접지 사이 또는 두 위상 사이의 완전 고장인 풀 방전(full discharge)과는 대조를 이룬다. 부분 방전은 통상적으로 모든 권선 절연 시스템에서 찾아지는 가스 충전 보이드(gas-filled void)에서 일어난다. 보이드는 구리 전도체와 절연 벽 사이에, 절연 자체 내부에, 외부 절연 벽과 접지 프레임 사이에, 또는 절연 표면을 따라 위치될 수 있다. PD는 과잉온도(overtemperature)로 인한 조기 노화(premature aging) 때문에 그리고/또는 노화된 절연부의 열화 때문에 일어날 수 있다.

PD는 유한 기간 내에 작은 거리에 걸쳐 전자 및 이온의 흐름을 수반하기 때문에, PD가 발생할 때마다 작은 전류가 흐른다. 전류 흐름은 절연 시스템의 임피던스에 걸쳐 전압 펄스를 생성한다. PD 방전 펄스는 높은 빈도로 발생하며, 따라서 짧은 거리를 통해 통과할 때 빠르게 감쇄한다. 이 펄스는 인식되고 측정되며 기록될 수 있으며, 고전압 장비가 정상 동작 동안 PD에 대해 모니터링될 수 있게 해준다. 적어도 하나의 모터 제조자는 전압, 전류, 온도 및 진동을 모니터링하는 전술한 센서에 더하여 부분 방전 센서를 제공한다. 그러나, 절연 매체는 PD 신호를 감쇄시키도록 작용하며, 그리하여 해로운 PD 신호를 약하게 하고 식별되기 어렵게 한다. 감쇄된 PD 신호는 또한 전기 노이즈의 소스에 의해 가려질 수 있다.

PD 손상이 발생하면, 메거(megger) 테스트와 같은 종래의 저항 측정 방법에 의해 절연 열화의 증거가 검출될 수 있다. 따라서, 부분 방전 온라인 테스트는 종래의 절연 저항 테스트와 상호보완적이며, 절연 열화의 점진적 단계의 검출을 가능하게 하고 최종 고장 훨씬 전에 문제를 식별하는 추세이다.

다수의 요인들이 검출 가능한 부분 방전을 야기할 수 있으며 모든 요인이 고전압 절연을 위태롭게 하는 것은 아니다. 예를 들어, 외부 케이블 종단 접속함(sealing end)으로부터 공기로의 코로나는 비교적 온화하다(benign). 내부 PD는 코일 내부에 보이드가 존재할 때 발생한다. 가스 매체로부터 끊어진 이온 및 전자의 꾸준한 충격에 의해 보이드의 내부 표면이 악화된다. 보통 내부 PD가 고장을 일으킬 때까지는 수년이 흐를 것이다. 이와 달리, 슬롯 PD는 코일 절연부를 통해 모터의 코어로 흐르는 용량성 전류로 인해 발생한다. 코일측이 코어와의 접촉을 잃으면, 둘 사이에 매우 높은 전압이 전개되며 PD를 야기한다. 슬롯 방전은 내부 PD보다 더 높은 전압 레벨을 수반하고, 길어진 기간동안 이어지는 경우 접지벽 절연을 파괴할 수 있다. 엔드와인딩 PD는 습기 또는 오일 막으로부터 오염이 전기 트랙킹 및 절연 표면 상의 관련 PD를 야기함에 따라 고정자의 엔드와인딩에서 발생한다. 따라서, 모터가 양호한 상태에 있는지 아니면 주의를 요하는지 결정하도록 검출된 부분 방전을 적절하게 분류하는 것이 중요한다. 이 분류는 또한 유지 보수 요원이 모터 고장의 특정 유형을 식별하는 것을 돕는다. 예를 들어, 슬롯 PD는 절연부 내의 보이드 또는 열적 노화와 연관될 수 있는 반면에, 엔드와인딩 PD는 종종 바 진동 또는 먼지 오염과 연관된다.

역사적으로, PD는 PD의 그래픽 기록을 수동 검토한 전문가 기술자에 의해 분류되었다. 보다 최근에는, PD를 노이즈로부터 분리하고 상이한 PD 소스들을 분류하도록 다양한 패턴 인식 기술이 채용되었다. 인공 지능 기술을 이용한 PD 분류는 실험실에서는 양호한 결과를 내놓은 반면에, 현장 시각 검사에서는 비교할만한 정확도를 산출하지 못하였다.

도 1은 모터 전압의 측정의 하나의 완전 사이클의 과장된 도면이다. 도 1에서 나타난 바와 같이, 부분 방전은 사이클의 제1 및 제3 사분면 동안, 즉 초기 상승 포지티브 신호 및 초기 상승 네가티브 신호 동안 발생한다. 밀리볼트 내지 수볼트의 전압 신호의 고주파수 변화로서 측정된 이들 부분 방전은 표준 범위로 관찰될 수 없고, 도 1에서는 단지 설명을 위한 목적으로 과장되어 있다.

더 큰 크기의 펄스일수록 절연에 대해 더 큰 정도의 손상을 초래하기에, 부분 방전 펄스의 크기는 또한 유용 데이터를 포함한다. 펄스 반복률은 방전이 일어나는 횟수를 나타내며, 이는 또한 테스트되고 있는 절연의 상태를 결정하는데 있어서 중요한 역할을 한다.

포지티브 극성 방전의 크기가 네가티브 극성 방전의 크기와 상이한 경우 몇몇 유형의 PD가 분류될 수 있다는 것이 또한 밝혀졌다. 예를 들어, 네가티브 극성 방전이 포지티브 극성 방전을 초과하는 경우, 가능한 근본 원인은 구리 전도체와 절연부 사이의 보이드이다. 반대로, 포지티브 극성 방전이 네가티브 극성 방전을 초과한 경우, 가능한 근본 원인은 슬롯 방전(절연부와 철 코어 사이의 보이드에 의해 야기됨)이거나, 표면 부분 방전이거나, 또는 권선 단부 턴에서의 방전이다.

PD를 검출하는데 다수의 기술들이 사용되었다. IEC 60270은 PD가 종종 사운드, 광, 열, 또는 화학 반응의 방출을 동반한다고 서술하고 있다. 따라서, 이러한 방출을 인식하도록 상이한 측정 기술들이 사용되었다.

일단 PD가 검출되었다면, 이는 분류되어야 한다. 앞서 언급한 바와 같이, 이는 종래에 전문가가 PD의 그래픽 기록을 검사하게 함으로써 행해졌었지만, 자동 기술도 또한 개발되었다. 하나의 유용한 방법은 다층 인공 신경망(artificial neural network)을 적용하는 것이다. 인공 신경망의 기본적인 이점은 기지의(known) 결함/소스에 대응하는 PD 피쳐 벡터들을 갖는 망이 제시되는 예들로부터 학습할 수 있다는 것이다. 역전파 신경망, Kohonen 자기 조직화 피처 맵, 학습 벡터 양자화 망, 쌍전파 신경망, 및 모듈 및 종속 신경망을 포함한 여러 가지 상이한 유형의 인공 신경망들이 PD 인식에 사용되었다.

많은 상이한 유형의 인공 신경망을 이용할 수 있게 된 것에 더하여, 각각의 망은 트레이닝 시간(epoch), 층의 수, 트레이닝 함수, 적응 함수, 성능 함수 및 전달 함수를 포함하는, 성능에 영향을 미치는 다양한 파라미터를 갖는다. 따라서, 특정 방식으로 구성되며 소정의 데이터 세트를 이용해 트레이닝된 각각의 신경망은 고유의 성능을 제공한다.

현장 PD 측정의 보다 나은 분류를 도울 임의의 새로운 신속하고 직접적인 방법은 사용자가 상당한 비용, 노력, 및 시간을 절약할 수 있게 할 것이다. 따라서, 측정된 특성 및/또는 속성에 기초하여 PD를 분류하기 위한 개선된 시스템 및 방법에 대한 필요성이 존재한다.

인공 신경망 애플리케이션의 트레이닝에 의해 고전압 모터 및 발전기의 부분 방전을 분류하는 방법을 널리 망라하는 본 발명에 의해 상기 목적 및 부가의 이점이 제공된다. 본 출원인은 상이한 PD 특성들을 갖는 다수의 모터들로부터 온라인 데이터를 수집하고 데이터를 이용해 인공 신경망을 트레이닝하는 것이 우수한 결과를 달성하도록 사용될 수 있다는 것을 밝혀냈다.

중요하게도, 이 정보는 전문가가 모터 특성의 PD 파형의 그래픽 표현을 검사하게 하는 종래 기술의 방법에 비교하여 비교적 신속하고 빠르게 얻어질 수 있다.

본 발명의 방법에서, 다수의 모터들로부터 온라인 PD 데이터가 수집되어 기록될 것이고, 각각의 기록으로부터 통계 데이터가 추출되어 인공 신경망을 트레이닝하는데 사용될 것이다. 본 발명의 방법은 관습적인 고가 및 시간 소모적인 전문가 분석을 수행하지 않고도 사용자가 PD를 분류할 수 있게 할 것이다.

첨부 도면을 참조하여 고려할 때 본 발명의 부가의 이점 및 특징이 본 발명의 다음의 상세한 설명으로부터 명백하게 될 것이다.
도 1은 모터 전압의 측정의 하나의 완전 사이클의 과장된 표현을 도시한다.
도 2는 본 발명의 방법의 실시예의 단계들을 도시한다.
도 3은 다수의 센서 옵션들을 갖는 모터를 도시한다.
도 4는 "PRPD" 스펙트럼의 그래픽 표현이다.
도 5는 축소된 PRPD 세트의 그래픽 표현이다.
도 6은 본 발명의 실시예의 모듈들의 개략 블록도이다.
도 7은 본 발명의 실시예가 구현되는 컴퓨터 시스템의 블록도이다.

도 2에 도시된 바와 같이, 방법(200)은 단계 210으로 시작되며, 단계 210에서 각각의 유형의 PD 결함, 즉 내부 PD, 코로나 PD, 슬롯 PD, 엔드와인딩 PD, 및 표면 PD를 포함한 것으로 알려진 다수의 모터들에 대하여 온라인 PD 검출이 기록된다. 또한, 문제없는(healthy) 것으로 알려진 다수의 모터들에 대하여 온라인 PD 검출이 기록된다. 바람직하게, 분석은 각 유형의 적어도 50 모터를 포함하며 총 300 모터를 나타낸다.

도 3에 도시된 바와 같이, 고전압 커플링 커패시터, 영구적인 내부 고주파수 커플링 커패시터("HPCT"), 또는 휴대용 클립 온 HFCT를 포함하는 다수의 센서 옵션들이 PD를 검출하는 데 이용 가능하다. 바람직한 대안의 실시예에서, 로고스키(Rogowski) 코일이 HPCT를 대신한다. 로고스키 코일은 전류가 측정되어야 할 직선 전도체를 중심으로 둘러싼 와이어의 나선형 코일이며, 로고스키 코일의 한 단부로부터의 리드는 코일의 중심을 통해 다른 단부로 리턴되며 그리하여 양 단자가 코일의 동일 단부에 있다. 에어 코어를 갖는 로고스키 코일은 낮은 인덕턴스를 갖고, 따라서 빠르게 변하는 전류에 응답할 수 있다. 전자기 간섭에 거의 영향을 받지 않고, 이는 매우 선형(linear)이며, 유도된 전압은 측정되는 전류의 변화 비율(즉, 미분)에 비례한다. 로고스키 코일의 출력은 전류에 비례하는 출력 신호를 제공하도록 전기 또는 전자 적분기 회로에 연결된다.

로고스키 코일로부터 온라인 PD 신호들을 기록하도록 위상 분해 획득 시스템(phase resolved acquisition system) 및 스펙트럼 분석기(spectrum analyzer)가 사용된다. 도 4는 수천개의 점들에서 보이는 위상 분해 PD("PRPD"; phase resolved PD) 스펙트럼들의 그래픽 표현을 도시한다. 도 5는 최대-최소 엔벨로프(max-min envelope)를 사용하여 축소된 PRPD 스펙트럼을 도시한다. 본 발명의 방법은 필요에 따라 PRPD 스펙트럼의 크기를 감소시킴으로써 신경망 소프트웨어를 실행하는 컴퓨팅 장비의 처리 능력에 적응될 수 있다.

도 2에 도시된 방법의 실시예에 이어서, 단계 220에서, 최대-최소 엔벨로프 데이터를 추출하도록 통계 분석이 사용된다.

단계 230에서, 단계 220으로부터의 추출된 데이터는, 연관된 모터가 문제없는지 아니면 5가지 유형의 PD 중 하나의 문제가 있는지 인식하도록 인공 신경망을 트레이닝하는데 사용된다. NeuralSight, 즉 NeuralWare 회사에 의해 생산된 인공 신경망 소프트웨어 프로그램으로부터 양호한 결과들이 얻어졌다.

단계 240에서, 연구 중인 모터에 대하여 온라인 PD 검출이 수행된다.

단계 250에서, 최대-최소 엔벨로프 데이터를 추출하도록 통계 분석이 사용된다.

단계 260에서, 인공 신경망은 그의 트레이닝에 기초하여 연구 중인 모터가 문제없는지의 여부, 또는 내부 PD, 코로나 PD, 슬롯 PD, 엔드와인딩 PD, 또는 표면 PD 문제가 있는지 여부를 결정한다.

단계 270에서, 신경망은 오퍼레이터에게 결과를 출력한다.

단계 210 내지 230에서의 신경망의 트레이닝은 한 사용자에 의해 수행될 수 있고, 단계 240 내지 270에 기재된 바와 같이 모터를 테스트하도록 트레이닝된 망을 이용하는 것은 두 번째 사용자에 의해 수행될 수 있다.

도 6은 본 발명의 실시예에 따른 모듈들의 개략 블록도, 시스템(600)을 예시한다.

PRPD 스펙트럼 발생 모듈(610)은 고전압 모터를 온라인 PD 분석을 받게 한 위상 분해 획득 시스템 및 스펙트럼 분석기로부터의 측정된 전압을 수락하며, 이 모듈은 측정된 전압을 위상 분해 PD("PRPD") 스펙트럼으로서 처리하여 저장한다.

최대-최소 엔벨로프 데이터 발생 모듈(620)은 PRPD 스펙트럼 발생 모듈(610)로부터 고전압 모터에 대한 PRPD 스펙트럼을 수신하고 이를 최대-최소 엔벨로프 데이터로 축소시킨다.

신경망 모듈(630)은 내부 PD, 코로나 PD, 슬롯 PD, 엔드와인딩 PD, 또는 표면 PD 문제가 있는 다수의 모터들 뿐만 아니라 문제없는 다수의 모터들로부터의 축소된 최대-최소 엔벨로프 데이터를 이용해 이전에 트레이닝된 인공 신경망을 포함하며, 그리하여 인공 신경망은 축소된 최대-최소 엔벨로프 데이터와 연관된 PD 결함(만약 있다면)을 정확하게 식별할 수 있다. 신경망 모듈(630)은 최대-최소 엔벨로프 데이터 발생 모듈(620)로부터 축소된 최대-최소 엔벨로프 데이터를 수신하고, 축소된 최대-최소 엔벨로프 데이터를 분석하고, 사용자에게 결과를 보고하며, 선택적으로 결과를 메모리에 저장한다.

도 7은 본 발명의 부분 방전 분류 시스템이 구현될 수 있는 컴퓨터 시스템(700)의 예시적인 블록도를 도시한다. 컴퓨터 시스템(700)은 중앙 처리 유닛과 같은 프로세서(720), 입력/출력 인터페이스(730) 및 지원 회로(740)를 포함한다. 특정 실시예에서, 컴퓨터 시스템(700)이 직접적인 휴먼 인터페이스를 요구하는 경우에, 디스플레이(710) 및 키보드, 마우스 또는 포인터와 같은 입력 디바이스(750)가 또한 제공된다. 디스플레이(710), 입력 디바이스(750), 프로세서(720), 및 지원 회로(740)는 메모리(760)에도 또한 접속되는 버스(790)에 접속된 것으로 도시되어 있다. 메모리(760)는 프로그램 저장 메모리(770) 및 데이터 저장 메모리(780)를 포함한다. 컴퓨터 시스템(700)이 휴먼 인터페이스 컴포넌트인 디스플레이(710) 및 입력 디바이스(750)로 도시되어 있지만, 모듈의 프로그래밍 및 데이터의 수출은 입력/출력 인터페이스(730)를 통해, 예를 들어 컴퓨터 시스템(700)이 네트워크에 접속되어 있고 프로그래밍 및 디스플레이 동작이 또다른 연관된 컴퓨터 상에서 일어나는 경우에, 또는 인터페이싱 프로그램가능 로직 컨트롤러에 관련하여 공지되어 있는 바와 같은 탈착가능한 입력 디바이스를 통하여, 달성될 수 있다는 것을 유의하자.

프로그램 저장 메모리(770) 및 데이터 저장 메모리(780)는 각각 휘발성(RAM) 및 비휘발성(ROM) 메모리 유닛을 포함할 수 있고, 또한 하드 디스크와 백업 저장 용량을 포함할 수 있으며, 프로그램 저장 메모리(770)와 데이터 저장 메모리(780)는 둘 다 단일 메모리 디바이스에 구현되거나 또는 복수의 메모리 디바이스에 분리될 수 있다. 프로그램 저장 메모리(770)는 소프트웨어 프로그램 모듈 및 관련 데이터를 저장하며, 특히 PRPD 스펙트럼 발생 모듈(610), 최대-최소 엔벨로프 데이터 발생 모듈(620) 및 신경망 모듈(630)을 저장한다. 데이터 저장 메모리(780)는 PRPD 스펙트럼 데이터, 최대-최소 엔벨로프 데이터, 신경망 모듈(630)에 의해 발생된 결과, 및 본 발명의 하나 이상의 모듈에 의해 발생된 기타 데이터를 저장한다.

컴퓨터 시스템(700)은 개인용 컴퓨터, 미니컴퓨터, 워크스테이션, 메인프레임, 프로그램가능 로직 컨트롤러와 같은 전용 컨트롤러, 또는 이들의 조합과 같은 임의의 컴퓨터일 수 있다는 것을 알아야 할 것이다. 컴퓨터 시스템(700)이 설명을 위한 목적으로 단일 컴퓨터 유닛으로서 도시되어 있지만, 시스템은 처리 부하 및 데이터베이스 크기에 따라 스케일링될 수 있는 컴퓨터 그룹을 포함할 수 있다.

컴퓨터 시스템(700)은 바람직하게 예를 들어 프로그램 저장 메모리(770)에 저장되며 휘발성 메모리로부터 프로세서(720)에 의해 실행되는 운영 체제를 지원한다. 본 발명의 실시예에 따르면, 운영 체제는 컴퓨팅 시스템(700)을 인터넷 및/또는 사설 네트워크에 인터페이싱하는 명령어들을 포함한다.

당해 기술 분야에서의 숙련된 자라면 또한 본 발명의 부분 방전 분류 방법의 실시예가 컴퓨터 프로그램 제품의 형태로 제공될 수 있다는 것을 이해할 것이다.

본 발명의 시스템 및 방법은 첨부 도면을 참조하여 상기에 기재되었지만, 이의 수정이 당해 기술 분야에서의 숙련자에게 명백할 것이고, 본 발명에 대한 보호 범위는 이어지는 다음 청구항에 의해 정의되어야 한다.

Claims

고전압 모터를 문제없는(healthy) 것으로서 아니면 내부 부분 방전("PD"; partial discharge), 코로나 PD, 슬롯 PD, 엔드와인딩 PD, 또는 표면 PD 문제가 있는 것으로서 특성화하도록(characterize) 인공 신경망(artificial neural network)을 트레이닝(training)하는 방법에 있어서,
내부 PD, 코로나 PD, 슬롯 PD, 엔드와인딩 PD, 또는 표면 PD 문제가 있는 다수의 모터들 뿐만 아니라, 다수의 문제없는 모터들을 식별하는 단계;
상기 식별된 모터들의 각각을 온라인 PD 분석을 받게 하며, 모터 리드에서 PD 전압을 측정하는 단계;
위상 분해 획득 시스템(phase resolved acquisition system) 및 스펙트럼 분석기를 사용하여, 각각의 모터로부터의 측정된 전압을 위상 분해 PD("PRPD"; phase-resolved PD) 스펙트럼으로서 기록하는 단계;
각각의 PRPD 스펙트럼을 최대-최소 엔벨로프 데이터(max-min envelope data)로 축소시키는 단계; 및
상기 인공 신경망이 각각의 축소된 PRPD 스펙트럼과 연관된 PD 결함(만약 있다면)을 정확하게 식별할 수 있을 때까지, 각각의 모터로부터 상기 축소된 최대-최소 엔벨로프 데이터를 이용해 상기 인공 신경망을 트레이닝하는 단계를 포함하는 방법.
고전압 모터를 문제없는 것으로서 아니면 내부 부분 방전("PD"), 코로나 PD, 슬롯 PD, 엔드와인딩 PD, 또는 표면 PD 문제가 있는 것으로서 특성화하도록 인공 신경망을 동작시키는 방법에 있어서,
이전에 트레이닝된 인공 신경망을 이용해 테스트될 고전압 모터를 식별하는 단계;
상기 식별된 고전압 모터를 온라인 PD 분석을 받게 하며, 모터 리드에서 PD 전압을 측정하는 단계;
위상 분해 획득 시스템 및 스펙트럼 분석기를 사용하여, 상기 고전압 모터로부터의 측정된 전압을 위상 분해 PD("PRPD") 스펙트럼으로서 기록하는 단계;
상기 고전압 모터에 대한 PRPD 스펙트럼을 최대-최소 엔벨로프 데이터로 축소시키는 단계;
상기 고전압 모터로부터 상기 축소된 최대-최소 엔벨로프 데이터를 상기 트레이닝된 인공 신경망으로 입력시키고(enter) 새로운 데이터를 분석하도록 명령하는 단계; 및
결과를 사용자에게 보고하는 단계를 포함하는 방법.
고전압 모터를 문제없는 것으로서 아니면 내부 부분 방전("PD"), 코로나 PD, 슬롯 PD, 엔드와인딩 PD, 또는 표면 PD 문제가 있는 것으로서 특성화하도록 인공 신경망을 트레이닝 및 동작시키는 방법에 있어서,
청구항 1의 인공 신경망의 트레이닝 방법;
이전에 트레이닝된 인공 신경망을 이용해 테스트될 고전압 모터를 식별하는 단계;
상기 식별된 테스트될 고전압 모터를 온라인 PD 분석을 받게 하며, 모터 리드에서 PD 전압을 측정하는 단계;
위상 분해 획득 시스템 및 스펙트럼 분석기를 사용하여, 상기 고전압 모터로부터의 측정된 전압을 위상 분해 PD("PRPD") 스펙트럼으로서 기록하는 단계;
상기 고전압 모터에 대한 PRPD 스펙트럼을 최대-최소 엔벨로프 데이터로 축소시키는 단계;
상기 고전압 모터로부터 상기 축소된 최대-최소 엔벨로프 데이터를 상기 트레이닝된 인공 신경망으로 입력시키고 새로운 데이터를 분석하도록 명령하는 단계; 및
결과를 사용자에게 보고하는 단계를 포함하는 방법.
청구항 2에 있어서, 상기 보고한 결과를 메모리에 기록하는 단계를 더 포함하는 방법.
청구항 3에 있어서, 상기 보고한 결과를 메모리에 기록하는 단계를 더 포함하는 방법.
청구항 1에 있어서, 상기 신경망의 처리 능력(processing capability)에 부합하도록 상기 PRPD 스펙트럼의 크기를 선택하는 단계를 더 포함하는 방법.
청구항 2에 있어서, 상기 신경망의 처리 능력에 부합하도록 상기 PRPD 스펙트럼의 크기를 선택하는 단계를 더 포함하는 방법.
청구항 3에 있어서, 상기 신경망의 처리 능력에 부합하도록 상기 PRPD 스펙트럼의 크기를 선택하는 단계를 더 포함하는 방법.
청구항 1에 있어서, 로고스키(Rogowski) 코일을 사용함으로써 상기 모터 리드에서 PD 측정치를 얻는 단계를 더 포함하는 방법.
청구항 2에 있어서, 로고스키 코일을 사용함으로써 상기 모터 리드에서 PD 측정치를 얻는 단계를 더 포함하는 방법.
청구항 3에 있어서, 로고스키 코일을 사용함으로써 상기 모터 리드에서 PD 측정치를 얻는 단계를 더 포함하는 방법.
고전압 모터를 문제없는 것으로서 아니면 내부 부분 방전("PD"), 코로나 PD, 슬롯 PD, 엔드와인딩 PD, 또는 표면 PD 문제가 있는 것으로서 특성화하는 시스템에 있어서,
계산 모듈 및 데이터를 저장한 비휘발성 메모리 디바이스;
상기 메모리에 연결된 프로세서;
고전압 모터를 온라인 PD 분석을 받게 한 위상 분해 획득 시스템 및 스펙트럼 분석기로부터 측정된 전압을 수락하는 제1 계산 모듈 - 상기 제1 계산 모듈은 상기 측정된 전압을 위상 분해 PD("PRPD") 스펙트럼으로서 처리하고 저장함 - ;
상기 고전압 모터에 대한 PRPD 스펙트럼을 최대-최소 엔벨로프 데이터로 축소시키는 제2 계산 모듈; 및
내부 PD, 코로나 PD, 슬롯 PD, 엔드와인딩 PD, 또는 표면 PD 문제가 있는 다수의 모터들 뿐만 아니라, 다수의 문제없는 모터들로부터 축소된 최대-최소 엔벨로프 데이터를 이용해 트레이닝된 인공 신경망을 통합한 제3 계산 모듈 - 그리하여 상기 인공 신경망은 축소된 최대-최소 엔벨로프 데이터와 연관된 PD 결함(만약 있다면)을 정확하게 식별할 수 있음 - ;
을 포함하고,
상기 제3 계산 모듈은 상기 제2 계산 모듈로부터 상기 축소된 최대-최소 엔벨로프 데이터를 수신하고, 상기 축소된 최대-최소 엔벨로프 데이터를 분석하며 결과를 상기 메모리에 저장하는 것인 시스템.
고전압 모터를 문제없는 것으로서 아니면 내부 부분 방전("PD"), 코로나 PD, 슬롯 PD, 엔드와인딩 PD, 또는 표면 PD 문제가 있는 것으로서 특성화하는 컴퓨터 프로그램 제품에 있어서, 프로세서에 의해 실행될 때 상기 프로세서로 하여금,
내부 PD, 코로나 PD, 슬롯 PD, 엔드와인딩 PD, 또는 표면 PD 문제가 있는 다수의 모터들 뿐만 아니라, 다수의 문제없는 모터들로부터의 축소된 최대-최소 엔벨로프 데이터를 이용해 트레이닝된 인공 신경망 - 상기 트레이닝으로써 상기 인공 신경망은 축소된 최대-최소 엔벨로프 데이터와 연관된 PD 결함(만약 있다면)을 정확하게 식별할 수 있음 - 을 로딩하고;
모터 리드에서 PD 측정치를 사용하여, 상기 고전압 모터를 온라인 PD 분석을 받게 하는데 사용된 위상 분해 획득 시스템 및 스펙트럼 분석기로부터 전압 측정 입력을 수락하고;
상기 고전압 모터로부터의 측정된 전압을 위상 분해 PD("PRPD") 스펙트럼으로서 저장하고;
상기 고전압 모터에 대한 PRPD 스펙트럼을 최대-최소 엔벨로프 데이터로 축소시키고;
상기 고전압 모터로부터의 상기 축소된 최대-최소 엔벨로프 데이터를 분석하도록 상기 트레이닝된 인공 신경망에 명령하고;
상기 트레이닝된 인공 신경망으로부터의 결과를 저장하게끔,
하는 컴퓨터 판독가능한 프로그램 코드가 구현되어 있는 비일시적 컴퓨터 판독가능 매체를 포함하는 컴퓨터 프로그램 제품.
청구항 13에 있어서, 상기 프로세서에 의해 실행될 때, 상기 프로세서로 하여금, 상기 프로세서의 처리 능력에 부합하도록 상기 PRPD 스펙트럼의 크기를 선택하게끔 하는 컴퓨터 판독가능한 프로그램 코드를 더 포함하는 컴퓨터 프로그램 제품.