KR20190061433A - 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템 및 방법 - Google Patents

신경회로망을 이용한 회전체의 출력 데이터 추정 시스템 및 방법 Download PDF

Info

Publication number
KR20190061433A
KR20190061433A KR1020170159828A KR20170159828A KR20190061433A KR 20190061433 A KR20190061433 A KR 20190061433A KR 1020170159828 A KR1020170159828 A KR 1020170159828A KR 20170159828 A KR20170159828 A KR 20170159828A KR 20190061433 A KR20190061433 A KR 20190061433A
Authority
KR
South Korea
Prior art keywords
data
output data
neural network
learning
input
Prior art date
Application number
KR1020170159828A
Other languages
English (en)
Inventor
권순오
이수웅
남윤주
이호영
이종일
Original Assignee
한국생산기술연구원
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 한국생산기술연구원 filed Critical 한국생산기술연구원
Priority to KR1020170159828A priority Critical patent/KR20190061433A/ko
Publication of KR20190061433A publication Critical patent/KR20190061433A/ko

Links

Images

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Abstract

본 발명은 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템에 관한 것으로서, 회전체의 입력 데이터에 따른 출력 데이터를 확보하는 데이터 획득부; 상기 데이터 획득부에서 확보된 입출력데이터를 학습용 입력데이터로 설정하는 데이터 변환부; 상기 데이터 변환부에서 설정된 학습용 입력데이터를 입력으로 하여 학습시키는 신경회로망 학습 모델부; 및 상기 신경회로망 학습 모델부를 통해 학습된 내역을 기반으로 회전체의 입력 데이터에 대한 출력 데이터를 추정하는 추정부; 를 포함하는 것을 특징으로 한다.
또한, 본 발명은 신경회로망을 이용한 회전체의 출력 데이터 추정 방법에 관한 것으로서, 회전체의 입력 데이터에 따른 출력 데이터를 확보하는 제1단계; 상기 제1단계로부터 확보된 입출력데이터를 학습용 입력데이터로 설정하는 제2단계; 상기 제2단계로부터 설정된 학습용 입력데이터를 입력으로 하여 학습시키는 제3단계; 및 상기 제3단계로부터 학습된 내역을 기반으로 회전체의 입력 데이터에 대한 출력 데이터를 추정하는 제4단계; 를 포함하는 것을 특징으로 한다.
이에 의해, 센서 없이 회전체의 출력 데이터를 추정하는 데 있어 블랙 박스 모델 방식을 채택함과 동시에 신경회로망을 기반으로 하는 기계학습 방식으로 회전체의 출력 데이터 추정이 구현됨으로써, 복잡한 비선형 모델을 고려하지 않아도 되고 회전체의 사양이나 종류에 무관하게 적용될 수 있으며, 회전체의 토크 뿐만 아닌 RPM, 효율, 역율, 전류 등의 다양한 출력 데이터의 추정이 구현된다.
또한, 추정치와 실측치의 비교를 통한 검증을 통해 신경회로망의 설정을 주기적으로 업데이트(변경)함으로써, 신경회로망 모델의 구조 최적화 및 추정치의 신뢰성이 증대될 수 있다.

Description

신경회로망을 이용한 회전체의 출력 데이터 추정 시스템 및 방법{System and method for estimating output data of a rotating device using a neural network}
본 발명은 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템 및 방법에 관한 것으로서, 보다 상세하게는, 블랙 박스 모델(입력과 출력 및 수행 기능은 알려져 있으나 내부적인 구현은 알 수 없거나 고려하지 않아도 되는 모델)을 이용하여 회전체의 출력 데이터를 추정하는 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템 및 방법에 관한 것이다.
최근 산업계에서는 모터의 각종 출력 데이터(토크, 효율, 역율 등)를 센서를 통해 계측하지 않고 센서 없이 추정하는 기술에 대한 이슈가 증대되고 있는 실정이며, 특히 감속기와 연결되는 인덕션 모터(유도 전동기)의 경우 다양한 형태로 사용되고 있으며 토그 센서의 경우 비교적 고가인 관계로 센서 없이 모터의 토크를 추정하는 수요가 높이지고 있다.
또한, 직류 전압을 이용하는 DC 서버모터와는 달리 교류 전압을 이용한 인덕션 모터의 경우 토크 추정을 위한 모델이 복잡하고 입력 데이터(입력 전압, 입력 전류, 주파수, 슬립주파수, 온도 등)가 많았으며, 인덕션 모터의 수리모델을 이용하여 토크 추정을 할 경우 모델의 불정확성뿐만 아닌 파라미터(권선저항, 인덕턴스 등)의 변화로 인한 추정오차가 예상된다.
기존의 모터를 포함하는 회전체 출력 데이터의 추정 방법에 있어서는 입력 데이터(전압, 주파수, 회전수 등)와 출력 데이터(토크, 효율, 역율 등)가 상호 관계된 Look-Up 테이블을 이용하여 회전체 출력 데이터의 추정을 구현하였으나 Look-Up 테이블의 경우, 각 입출데이터의 관계를 함수화시키는 수식을 최적으로 선정하기 어렵다는 문제점이 있었다.
한편, 이와 관련된 종래기술로는 대한민국 공개특허공보 공개번호 제10-2016-0018766호(내연 기관에 의해 생성되는 토크를 추정하는 방법, 2016.02.17. 공개)가 있었다.
상기 종래기술은 내연 기관(연소 엔진)에 의해 생성된 중간 토크의 추정을 위한 방법에 관한 것으로, 센서 없이 연소 엔진의 회전 속도를 계산하고 이를 토대로 엔진 속도벡터의 계산, 이를 토대로 엔진에서 생성된 토크를 추정하는 방식을 채택하고 있으나 전술한 바와 같이, 엔진 속도를 나타내는 복수의 측정값을 등록하고 이에 대한 토크를 추정하기 위하여 다양한 함수식을 이용하는 형태로 구성되어 함수식의 최적화의 한계가 있다는 문제점이 있었다.
대한민국 공개특허공보 공개번호 제10-2016-0018766호(내연 기관에 의해 생성되는 토크를 추정하는 방법, 2016.02.17. 공개)
본 발명은 상기 문제점을 개선하기 위하여 창작된 것으로써, 본 발명의 목적은, 센서 없이 회전체의 출력 데이터를 추정하는 데 있어 블랙 박스 모델 방식을 채택함과 동시에 신경회로망을 기반으로 하는 기계학습 방식으로 회전체의 출력 데이터 추정이 구현되는 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템 및 방법을 제공하는 데 있다.
본 발명의 또 다른 목적은, 추정치와 실측치의 비교를 통한 검증을 통해 신경회로망의 설정을 주기적으로 업데이트(변경)함으로써, 신경회로망 모델의 구조 최적화 및 추정치의 신뢰성이 증대될 수 있는 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템 및 방법을 제공하는 데 있다.
상기 목적은, 본 발명에 따라, 회전체의 입력 데이터에 따른 출력 데이터를 확보하는 데이터 획득부; 상기 데이터 획득부에서 확보된 입출력데이터를 학습용 입력데이터로 설정하는 데이터 변환부; 상기 데이터 변환부에서 설정된 학습용 입력데이터를 입력으로 하여 학습시키는 신경회로망 학습 모델부; 및 상기 신경회로망 학습 모델부를 통해 학습된 내역을 기반으로 회전체의 입력 데이터에 대한 출력 데이터를 추정하는 추정부; 를 포함하는 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템에 의해 달성될 수 있다.
여기서, 상기 회전체는 AC 모터 또는 DC 모터 또는 감속기와 연결되는 인덕션 모터 중 어느 하나로 마련될 수 있다.
또한, 상기 입력 데이터는 전압 또는 주파수 또는 슬립(회전수) 중 어느 하나로 마련되며, 상기 출력 데이터는 토크 또는 효율 또는 역율 또는 전류 중 어느 하나로 마련될 수 있다.
여기서, 상기 신경회로망 학습 모델부는 베이지안 정규화 알고리즘을 기반으로 학습을 수행하도록 마련된다.
또한, 상기 신경회로망 학습 모델부는 복수개의 퍼셉트론(perceptron)으로 구성된 은닉층(Hidden Layer)과 최대 4개의 퍼셉트론으로 구성된 출력층(Output Layer)으로 신경회로망을 형성한다.
여기서, 상기 은닉층은 단층 병렬 배열 또는 다층 병렬 배열로 구성될 수 있다.
또한, 상기 신경회로망 학습 모델부는 상기 학습용 입력데이터를 통해 각 입출력데이터의 연결 강도를 결정하여 하중값을 출력하는 학습 모드 처리부와 상기 학습 모드 처리부에서 획득된 하중값을 이용하여 유사한 입출력데이터에 대하여 학습된 패턴과 일치하는 지를 검사하는 생성 모드 처리부를 포함한다.
한편, 상기 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템은 상기 추정부에서 추정된 회전체의 출력 데이터에 대한 검증을 수행하는 추정치 검증부를 추가적으로 포함할 수 있다.
여기서, 상기 추정치 검증부는 동일한 조건 하에서 추정된 추정 데이터와 실측된 실측 데이터를 비교하여 추정 데이터를 검증하며, 상기 추정 데이터가 실측 데이터와 일정 이상의 차이가 있을 경우 상기 추정치 검증부는 해당 내역을 상기 신경회로망 학습 모델부로 전달하여 상기 학습 모드 처리부의 설정을 변경하도록 구성될 수 있다.
한편, 상기 목적은, 본 발명에 따라, 회전체의 입력 데이터에 따른 출력 데이터를 확보하는 제1단계; 상기 제1단계로부터 확보된 입출력데이터를 학습용 입력데이터로 설정하는 제2단계; 상기 제2단계로부터 설정된 학습용 입력데이터를 입력으로 하여 학습시키는 제3단계; 및 상기 제3단계로부터 학습된 내역을 기반으로 회전체의 입력 데이터에 대한 출력 데이터를 추정하는 제4단계; 를 포함하는 신경회로망을 이용한 회전체의 출력 데이터 추정 방법에 의해서도 달성될 수 있다.
여기서, 상기 제3단계는, 상기 학습용 입력데이터를 통해 각 입출력데이터의 연결 강도를 결정하여 하중값을 출력하는 제3-1단계; 및 상기 제3-1단계를 통해 획득된 하중값을 이용하여 유사한 입출력데이터에 대하여 학습된 패턴과 일치하는 지를 검사하는 제3-2단계; 를 포함한다.
한편, 상기 신경회로망을 이용한 회전체의 출력 데이터 추정 방법은, 상기 제4단계 이후에 상기 추정된 회전체의 출력 데이터에 대한 검증을 수행하는 제5단계를 추가적으로 포함한다.
여기서, 상기 제5단계는 동일한 조건 하에서 추정된 추정 데이터와 실측된 실측 데이터를 비교하여 추정 데이터를 검증하는 단계이며, 상기 추정 데이터가 실측 데이터와 일정 이상의 차이가 있을 경우 해당 내역을 기반으로 상기 제3-1단계에서의 설정값을 변경하는 제5-1단계를 추가적으로 포함한다.
한편, 본 발명은 상기 신경회로망을 이용한 회전체의 출력 데이터 추정 방법을 수행하는 프로그램이 저장된 컴퓨터로 판독 가능한 기록 매체에 의해서도 구현될 수 있다.
본 발명에 의해, 센서 없이 회전체의 출력 데이터를 추정하는 데 있어 블랙 박스 모델 방식을 채택함과 동시에 신경회로망을 기반으로 하는 기계학습 방식으로 회전체의 출력 데이터 추정이 구현됨으로써, 복잡한 비선형 모델을 고려하지 않아도 되고 회전체의 사양이나 종류에 무관하게 적용될 수 있으며, 회전체의 토크 뿐만 아닌 RPM, 효율, 역율, 전류 등의 다양한 출력 데이터의 추정이 구현된다.
또한, 추정치와 실측치의 비교를 통한 검증을 통해 신경회로망의 설정을 주기적으로 업데이트(변경)함으로써, 신경회로망 모델의 구조 최적화 및 추정치의 신뢰성이 증대될 수 있다.
도 1 은 본 발명에 따른 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템의 구성을 나타낸 블럭도이며,
도 2 는 본 발명에 따른 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템의 신경회로망 학습 모델부(30)에 포함된 신경회로망 구조를 나타낸 도면이며,
도 3 은 본 발명에 따른 신경회로망을 이용한 회전체의 출력 데이터 추정 방법에 대한 흐름도이며,
도 4 는 본 발명에 따른 신경회로망을 이용한 회전체의 출력 데이터 추정 방법에 대한 추정치 검증 및 설정 변경을 나타내는 부분 흐름도이며,
도 5 (a) 는 본 발명에 따른 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템 및 방법에 의해 획득된 일정 조건(전압:30, 주파수:30) 하에서의 토크와 RPM에 대한 추정치와 실측치의 비교를 나타낸 그래프이며,
도 5 (b) 는 본 발명에 따른 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템 및 방법에 의해 획득된 일정 조건(전압:50, 주파수:50) 하에서의 토크와 RPM에 대한 추정치와 실측치의 비교를 나타낸 그래프이며,
도 5 (c) 는 본 발명에 따른 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템 및 방법에 의해 획득된 일정 조건(전압:70, 주파수:70) 하에서의 토크와 RPM에 대한 추정치와 실측치의 비교를 나타낸 그래프이며,
도 5 (d) 는 본 발명에 따른 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템 및 방법에 의해 획득된 일정 조건(전압:90, 주파수:90) 하에서의 토크와 RPM에 대한 추정치와 실측치의 비교를 나타낸 그래프이다.
이하, 첨부된 도면을 참조하여 본 발명의 구성을 상세히 설명하기로 한다.
이에 앞서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 설명을 생략하며, 본 발명에 따른 회전체는 모터(바람직하게는, 감속기와 연결되는 인덕션 모터)를 전제하여 설명하지만 이에 한정되지는 않으며 엔진, 동력 전달 장치 등에 이용되는 다양한 회전체로 마련될 수 있음을 알려둔다.
한편, 본 명세서 및 청구범위에 사용된 용어는 사전적인 의미로 한정 해석되어서는 아니되며, 발명자는 자신의 발명을 최선의 방법으로 설명하기 위해 용어의 개념을 적절히 정의할 수 있다는 원칙에 입각하여, 본 발명의 기술적 사상에 부합되는 의미와 개념으로 해석되어야 한다.
따라서, 본 명세서에 기재된 실시예 및 도면에 도시된 구성은 본 발명의 바람직한 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 표현하는 것은 아니므로, 본 출원 시점에 있어 이들을 대체할 수 있는 다양한 균등물과 변형예들이 존재할 수 있음을 이해하여야 한다.
1. 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템 에 대한 설명
도 1 은 본 발명에 따른 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템의 구성을 나타낸 블럭도이며, 도 2 는 본 발명에 따른 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템의 신경회로망 학습 모델부(30)에 포함된 신경회로망 구조를 나타낸 도면이다.
도 1 내지 도 2 를 참조하면, 본 발명에 따른 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템은 데이터 획득부(10), 데이터 변환부(20), 신경회로망 학습 모델부(30), 추정부(40) 및 추정치 검증부(50)를 포함한다.
여기서, 데이터 획득부(10)는 모터의 입력 데이터에 따른 출력 데이터를 확보하는 구성으로서, 모터의 입력 데이터인 전압, 주파수, 슬립(회전수)에 따른 출력 데이터인 토크, 효율, 역율, 전류 등의 데이터를 획득하는 역할을 수행하며, 획득된 상기 입출력 데이터는 후술하여 설명할 신경회로망에 학습되기 위한 기준 입출력데이터로 이용된다. 예를 들면, 입력 데이터로 특정 전압이 인가될 경우 모터의 출력(토크)을 센싱하여 해당 전압과 토크를 입출력 데이터셋으로 확보한다.
데이터 변환부(20)는 상기 데이터 획득부(10)에서 생성된 입출력데이터를 학습용 입력데이터로 설정 및 변환시키는 구성으로 상기 확보된 입출력 데이터셋을 신경회로망에 학습시키기 위한 학습용 입력데이터로 변환시키는 역할을 수행한다.
신경회로망 학습 모델부(30)는 본 발명의 특징적 구성으로, 상기 데이터 변환부(20)에서 설정된 학습용 입력데이터를 전달받아 학습시키는 역할을 수행한다.
여기서, 상기 신경회로망 학습 모델부(30)는 베이지안 정규화 알고리즘을 기반으로 기계 학습을 수행하도록 마련될 수 있으며, 복수개의 퍼셉트론(perceptron)으로 구성된 은닉층(Hidden Layer)과 최대 4개의 퍼셉트론으로 구성된 출력층(Output Layer)으로 신경회로망을 형성하며, 출력층이 4개로 형성될 경우, 신경회로망 학습 모델부(30)는 하나의 입력(전압 or 주파수 or 슬립 중 어느 하나)에 의해 4개의 출력(토크, 효율, 역율, 전류) 데이터를 출력시킨다.
여기서, 상기 신경회로망은 생물학적 신경계와 동일한 동작할 수 있도록 단순하지만 적응적인 요소들을 대량으로 병렬 연결한 망들의 계층적 조직 회로망으로써 입력층, 은닉층, 출력층으로 구성된다. 입력층은 학습을 위한 데이터를 입력 받는 구성이며, 은닉층은 입력된 데이터 및 정보를 전파, 학습, 활성화시키는 구성이며, 출력층을 학습 결과값(본 발명에서는 추정치)을 출력시키는 구성이다.
따라서, 신경회로망은 은닉층의 배열 및 구조가 정확한 학습 결과값을 출력시키는데 중요한 요소이며, 본 발명에서는 15개의 퍼셉트론으로 은닉층을 구성하였다. 상기 퍼셉트론은 학습 능력이 구비된 패턴 분류장치로서, 은닉층을 구성하는 퍼셉트론이 입력 데이터의 특징을 추출하며 은닉층에서 출력층으로 하중(결과값)이 학습에 의해 변화한다. 즉, 은닉층에서의 패턴 분류 및 출력층에서의 하중 선택이 유한회의 착오정정학습에 의해 학습되면 출력층에서의 결과값 정확도가 향상된다.
여기서, 상기 은닉층은 결과값 정확도를 향상시키기 위하여 단층 병렬 배열 또는 다층 병렬 배열 등 다양한 형태로 구성될 수 있으며, 후술할 추정치 검증부(50)의 설정 변경에 의해 신경회로망의 구조가 최적의 형태로 변경 및 선택될 수 있다.
또한, 상기 신경회로망 학습 모델부(30)는 상기 학습용 입력데이터를 통해 각 입출력데이터의 연결 강도를 결정하여 하중값을 출력하는 학습 모드 처리부(32)와 상기 학습 모드 처리부(32)에서 획득된 하중값을 이용하여 유사한 입출력데이터에 대하여 학습된 패턴과 일치하는 지를 검사하는 생성 모드 처리부(34)를 포함한다.
즉, 상기 학습 모드 처리부(32)는 상기 데이터 변환부(20)로부터 변환된 학습용 입력데이터(입출력데이터셋)를 학습시켜 모터의 출력에 대한 추정치를 모델링하는 역할을 수행하며, 상기 생성 모드 처리부(34)는 학습된 모델링 결과에 따라 입력 데이터에 대한 출력 데이터를 후술할 추정부(40)로 전달하는 역할을 수행한다.
추정부(40)는 전술한 신경회로망 학습 모델부(30)를 통해 학습된 내역을 기반으로 회전체의 입력 데이터에 대한 출력 데이터를 추정하는 역할을 수행하며, 추정부(40)에서 추정된 추정치는 결과값으로 출력됨과 동시에 후술할 추정치 검증부(50)로 전달된다.
여기서, 본 발명에 따른 상기 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템은 상기 추정부(40)에서 추정된 회전체의 출력 데이터에 대한 검증을 수행하는 추정치 검증부(50)를 추가적으로 포함할 수 있으며, 상기 추정치 검증부(50)는 동일한 조건 하에서 추정된 추정 데이터와 실측된 실측 데이터를 비교하여 추정 데이터를 검증하며, 도 1 에서와 같이, 상기 추정 데이터가 실측 데이터와 일정 이상의 차이가 있을 경우 상기 추정치 검증부(50)는 해당 내역을 상기 신경회로망 학습 모델부(30)로 전달하여 상기 학습 모드 처리부(32)의 설정을 변경하도록 구성될 수 있다.
즉, 본 발명에 따른 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템은 신경회로망 학습 모델부(30)를 통해 학습된 내역을 기반으로 모터의 입력 데이터에 대한 출력 데이터를 추정하며, 해당 출력 데이터를 추정치 검증부(50)를 통해 검증하고, 일정 범위를 벗어난 이상이 발생될 경우 학습 모드 처리부(32)의 신경회로망의 구조를 변경 및 업데이트(추정치가 실측치와 유사하게 수렴되도록)시킴으로써 학습의 누적에 따라 추정치의 신뢰성이 점차 증대될 수 있는 것이다.
2. 신경회로망을 이용한 회전체의 출력 데이터 추정 방법에 대한 설명
이하 본 발명에 따른 신경회로망을 이용한 회전체의 출력 데이터 추정 방법을 구체적으로 설명한다. 다만, 설명의 내용이 전술한 출력 데이터 추정 시스템의 구성 및 동작과 중복될 경우 그 구체적 설명을 생략함을 밝혀둔다.
도 3 은 본 발명에 따른 신경회로망을 이용한 회전체의 출력 데이터 추정 방법에 대한 흐름도이며, 도 4 는 본 발명에 따른 신경회로망을 이용한 회전체의 출력 데이터 추정 방법에 대한 추정치 검증 및 설정 변경을 나타내는 부분 흐름도이며, 도 5 (a), (b), (c), (d) 는 본 발명에 따른 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템 및 방법에 의해 획득된 일정 조건 하에서의 토크와 RPM에 대한 추정치와 실측치의 비교를 나타낸 그래프이다.
도 3 내지 도 5 를 참조하면, 본 발명에 따른 신경회로망을 이용한 회전체의 출력 데이터 추정 방법은, 데이터 획득부에서 회전체의 입력 데이터에 따른 출력 데이터를 확보하는 제1단계(S10); 데이터 변환부에서 상기 제1단계(S10)로부터 확보된 입출력데이터를 학습용 입력데이터로 설정하는 제2단계(S20); 신경회로망 학습 모델부에서 상기 제2단계(S20)로부터 설정된 학습용 입력데이터를 입력으로 하여 학습시키는 제3단계(S30); 및 추정부에서 상기 제3단계(S30)로부터 학습된 내역을 기반으로 회전체의 입력 데이터에 대한 출력 데이터를 추정하는 제4단계(S40); 를 포함한다.
여기서, 상기 제3단계(S30)는, 상기 학습용 입력데이터를 통해 각 입출력데이터의 연결 강도를 결정하여 하중값을 출력하는 제3-1단계(S32); 및 상기 제3-1단계(S32)를 통해 획득된 하중값을 이용하여 유사한 입출력데이터에 대하여 학습된 패턴과 일치하는 지를 검사하는 제3-2단계(S34); 를 포함한다.
즉, 본 발명의 경우, 제3-1단계(S32)를 통해 신경회로망 기반 학습이 완료되어 신경회로망 모델이 생성되며, 제3-2단계(S34)를 통해 생성된 신경회로망 모델에 모터의 입력 데이터를 입력시켜 해당 입력 데이터에 대한 출력 데이터를 추정하도록 마련되므로 상기 3-1단계(S32)가 완전하게 완료된 후, 3-2단계(S34)가 수행되는 형태로 마련된다.
한편, 상기 신경회로망을 이용한 회전체의 출력 데이터 추정 방법은, 상기 제4단계(S40) 이후에 상기 추정된 회전체의 출력 데이터에 대한 검증을 수행하는 제5단계(S50)를 추가적으로 포함하며, 상기 제5단계(S50)는 동일한 조건 하에서 추정된 추정 데이터와 실측된 실측 데이터를 비교하여 추정 데이터를 검증하는 단계이며, 상기 추정 데이터가 실측 데이터와 일정 이상의 차이가 있을 경우 해당 내역을 기반으로 상기 제3-1단계(S32)에서의 신경회로망 모델의 설정값을 변경하는 제5-1단계를 추가적으로 포함한다.
여기서, 추정치 검증 단계(S50)는 장치 관리자의 설정에 따라 일정 주기를 가지고 수행될 수 있으며, 상기 설정값을 변경하는 제5-1단계가 수행되는 동안에는 출력 데이터 추정 단계(제4단계)가 중단되도록 구성될 수 있다.
도 5 (a), (b), (c), (d)는 다른 전압 및 주파수 조건에서 추정치(토크 및 RPM) 검증을 수행한 결과를 그래프로 나타낸 것으로 각 조건에서 추정치(procees val)와 실측치(original val)가 98% 이상의 유사도를 보이고 있음을 확인할 수 있다.
전술한 바와 같이, 본 발명에 따른 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템 및 방법은, 센서 없이 회전체의 출력 데이터를 추정하는 데 있어 블랙 박스 모델 방식을 채택함과 동시에 신경회로망을 기반으로 하는 기계학습 방식으로 회전체의 출력 데이터 추정이 구현됨으로써, 복잡한 비선형 모델을 고려하지 않아도 되고 회전체의 사양이나 종류에 무관하게 적용될 수 있으며, 회전체의 토크 뿐만 아닌 RPM, 효율, 역율, 전류 등의 다양한 출력 데이터의 추정이 구현된다.
또한, 추정치와 실측치의 비교를 통한 검증을 통해 신경회로망의 설정을 주기적으로 업데이트(변경)함으로써, 신경회로망 모델의 구조 최적화 및 추정치의 신뢰성이 증대될 수 있다.
이상, 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명의 기술적 사상은 이러한 것에 한정되지 않으며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해, 본 발명의 기술적 사상과 하기 될 특허청구범위의 균등범위 내에서 다양한 수정 및 변형 실시가 가능할 것이다.
*도면의 주요부분에 대한 부호의 설명*
10 : 데이터 획득부
20 : 데이터 변환부
30 : 신경회로망 학습 모델부
32 : 학습 모드 처리부 34 : 생성 모드 처리부
40 : 추정부
50 : 추정치 검증부

Claims (8)

  1. 회전체의 입력 데이터에 따른 출력 데이터를 확보하는 데이터 획득부;
    상기 데이터 획득부에서 확보된 입출력데이터를 학습용 입력데이터로 설정하는 데이터 변환부;
    상기 데이터 변환부에서 설정된 학습용 입력데이터를 입력으로 하여 학습시키는 신경회로망 학습 모델부; 및
    상기 신경회로망 학습 모델부를 통해 학습된 내역을 기반으로 회전체의 입력 데이터에 대한 출력 데이터를 추정하는 추정부; 를 포함하는 것을 특징으로 하는
    신경회로망을 이용한 회전체의 출력 데이터 추정 시스템.
  2. 제1항에 있어서,
    상기 신경회로망 학습 모델부는 베이지안 정규화 알고리즘을 기반으로 학습을 수행하며, 복수개의 퍼셉트론(perceptron)으로 구성된 은닉층(Hidden Layer)과 최대 4개의 퍼셉트론으로 구성된 출력층(Output Layer)으로 신경회로망을 형성하는 것을 특징으로 하는
    신경회로망을 이용한 회전체의 출력 데이터 추정 시스템.
  3. 제2항에 있어서,
    상기 신경회로망 학습 모델부는 상기 학습용 입력데이터를 통해 각 입출력데이터의 연결 강도를 결정하여 하중값을 출력하는 학습 모드 처리부와 상기 학습 모드 처리부에서 획득된 하중값을 이용하여 유사한 입출력데이터에 대하여 학습된 패턴과 일치하는 지를 검사하는 생성 모드 처리부를 포함하는 것을 특징으로 하는
    신경회로망을 이용한 회전체의 출력 데이터 추정 시스템.
  4. 제3항에 있어서,
    상기 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템은 상기 추정부에서 추정된 회전체의 출력 데이터에 대한 검증을 수행하는 추정치 검증부를 추가적으로 포함하는 것을 특징으로 하는
    신경회로망을 이용한 회전체의 출력 데이터 추정 시스템.
  5. 제4항에 있어서,
    상기 추정치 검증부는 동일한 조건 하에서 추정된 추정 데이터와 실측된 실측 데이터를 비교하여 추정 데이터를 검증하며, 상기 추정 데이터가 실측 데이터와 일정 이상의 차이가 있을 경우 상기 추정치 검증부는 해당 내역을 상기 신경회로망 학습 모델부로 전달하여 상기 학습 모드 처리부의 설정을 변경하도록 구성되는 것을 특징으로 하는
    신경회로망을 이용한 회전체의 출력 데이터 추정 시스템.
  6. 회전체의 입력 데이터에 따른 출력 데이터를 확보하는 제1단계;
    상기 제1단계로부터 확보된 입출력데이터를 학습용 입력데이터로 설정하는 제2단계;
    상기 제2단계로부터 설정된 학습용 입력데이터를 입력으로 하여 학습시키는 제3단계; 및
    상기 제3단계로부터 학습된 내역을 기반으로 회전체의 입력 데이터에 대한 출력 데이터를 추정하는 제4단계; 를 포함하는 것을 특징으로 하는
    신경회로망을 이용한 회전체의 출력 데이터 추정 방법.
  7. 제6항에 있어서,
    상기 제3단계는,
    상기 학습용 입력데이터를 통해 각 입출력데이터의 연결 강도를 결정하여 하중값을 출력하는 제3-1단계;와
    상기 제3-1단계를 통해 획득된 하중값을 이용하여 유사한 입출력데이터에 대하여 학습된 패턴과 일치하는 지를 검사하는 제3-2단계; 를 포함하는 것을 특징으로 하는
    신경회로망을 이용한 회전체의 출력 데이터 추정 방법.
  8. 제7항에 있어서,
    상기 신경회로망을 이용한 회전체의 출력 데이터 추정 방법은,
    상기 제4단계 이후에 상기 추정된 회전체의 출력 데이터에 대한 검증을 수행하는 제5단계를 추가적으로 포함하는 것을 특징으로 하는
    신경회로망을 이용한 회전체의 출력 데이터 추정 방법.

KR1020170159828A 2017-11-28 2017-11-28 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템 및 방법 KR20190061433A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170159828A KR20190061433A (ko) 2017-11-28 2017-11-28 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170159828A KR20190061433A (ko) 2017-11-28 2017-11-28 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20190061433A true KR20190061433A (ko) 2019-06-05

Family

ID=66844661

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170159828A KR20190061433A (ko) 2017-11-28 2017-11-28 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20190061433A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114664292A (zh) * 2020-12-22 2022-06-24 马上消费金融股份有限公司 模型训练、语音识别方法、装置、设备及可读存储介质
KR20240023790A (ko) 2022-08-16 2024-02-23 국립한국해양대학교산학협력단 선박 최적 컨셉 결정 시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160018766A (ko) 2013-06-10 2016-02-17 스카니아 씨브이 악티에볼라그 내연 기관에 의해 생성되는 토크를 추정하는 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160018766A (ko) 2013-06-10 2016-02-17 스카니아 씨브이 악티에볼라그 내연 기관에 의해 생성되는 토크를 추정하는 방법

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114664292A (zh) * 2020-12-22 2022-06-24 马上消费金融股份有限公司 模型训练、语音识别方法、装置、设备及可读存储介质
CN114664292B (zh) * 2020-12-22 2023-08-01 马上消费金融股份有限公司 模型训练、语音识别方法、装置、设备及可读存储介质
KR20240023790A (ko) 2022-08-16 2024-02-23 국립한국해양대학교산학협력단 선박 최적 컨셉 결정 시스템

Similar Documents

Publication Publication Date Title
EP3364324B1 (en) Method and device for detecting equivalent load of wind turbine generator system
US10605188B2 (en) Control device, control method, and control program
Odgaard et al. Observer based detection of sensor faults in wind turbines
US10331810B2 (en) Method for determining a model of an output quantity of a technical system
US10534358B2 (en) Marine vessel performance monitoring
CN107729985B (zh) 识别技术设施的过程异常的方法和相应的诊断系统
JP2003013794A (ja) 車両用制御パラメータの適合方法及び適合装置
KR20190061433A (ko) 신경회로망을 이용한 회전체의 출력 데이터 추정 시스템 및 방법
WO2021131958A1 (ja) 模擬電池構築方法および模擬電池構築装置
CN109167546B (zh) 一种基于数据生成模型的异步电机参数在线辨识方法
JP7090949B1 (ja) 電池状態判定方法および電池状態判定装置
Li et al. Signal frequency domain analysis and sensor fault diagnosis based on artificial intelligence
CN109564409B (zh) 利用集成可靠性指示来识别机械负载的物理参数的稳健自动方法
CN114329347B (zh) 一种电能表计量误差预测方法、装置及存储介质
US20160373040A1 (en) Alternator with current measurement
CN117370796A (zh) 风电机组故障预测模型训练和故障预测方法及装置
WO2015083397A1 (ja) 演算装置
CN114977953A (zh) 基于神经网络的电机输出扭矩修正方法、设备及介质
JP6853986B1 (ja) 処理方法、回転機の診断方法、コンピュータプログラム、学習モデル生成方法及び診断装置
JP2022027057A (ja) 異常検出装置、異常検出方法および異常検出プログラム
KR102183563B1 (ko) 에너지 생산자의 전력을 결정하기 위한 방법 및 소프트 센서
CN114070146A (zh) 一种故障检测方法、装置、设备及存储介质
CN114829953A (zh) 设备状态判定系统、电量计及设备状态判定方法
WO2022004662A1 (ja) 要因分析装置、要因分析方法、及び要因分析プログラム
US20230067320A1 (en) Controller for controlling a technical system, and method for configuring the controller

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
E601 Decision to refuse application
E801 Decision on dismissal of amendment