KR20190107745A - 전자기 액추에이터 타입의 장비를 모니터링하는 방법 - Google Patents

Abstract

전자기 액추에이터 유형의 장비를 모니터링하기 위한 모니터링 방법으로서, 상기 장비는 3상 전기 모터를 포함하고, 상기 모니터링 방법은:
- 상기 3상 전기 모터를 가동하는 3상 전류를 측정하는 단계;
- 상기 3상 전류를 파크(Park) 기준 프레임으로 투사시키는 단계;
- 소스 요소들(IC₁, ..., IC₁₀)을 얻기 위하여 블라인드 소스 분리 프로세스(40)와 결합된 상기 구적 전류 상에 앙상블 경험적 모드 분리(ensemblist empirical mode decomposition) 프로세스(30)를 수행하는 단계;
- 상기 소스 요소들 중으로부터, 제1 결함에 민감한 소스 요소들(IC₁, ..., IC₉)의 제1 집합(52)과, 제2 결함에 민감한 소스 요소들(IC₉)의 제2 집합(53)을 자동으로 선택하는 단계;
- 제1 가상 결함 신호 및 제2 가상 결함 신호를 구축하는 단계(60); 및
- 상기 제1 가상 결함 신호로부터 상기 제1 결함을 나타내는 특징들의 제1 집합을 추출하고(70), 상기 제2 가상 결함 신호로부터 상기 제2 결함을 나타내는 특징들의 제2 집합을 추출(70)하는 단계;
를 포함하는, 모니터링 방법이 제공된다.

Description

전자기 액추에이터 타입의 장비를 모니터링하는 방법

본 발명은 전자기 액추에이터 타입의 장비를 모니터링하는 분야의 방법에 대한 것이다.

소위 "건강 모니터링 기능들"(또는 덜 흔하게는, 컨디션 관리, 예방 관리 및 계획 관리라고도 지칭됨)은 특히 비행 분야에서 장비나 시스템의 열화를 예상하기 위하여 사용된다.

그러므로 건강 모니터링 기능들은 고장을 피하고, 수명을 최적화하며, (아마도 제거를 포함하는) 관리 작업들을 예상 및 계획하는데 쓰이며, 따라서 장비나 시스템을 관리하는 작업들의 비용을 절감하게 된다.

전통적으로, 건강 모니터링 기능을 수행하는 것은 데이터 획득 단계, 데이터 전처리 단계, 특징 추출 단계, 분석 단계 및 예후 단계를 포함한다.

데이터 획득 단계는 장비나 시스템의 성능을 나타내는 매개변수들을 측정하는 센서들에 의해 생성된 측정 데이터를 획득하는 것으로 구성된다.

예시로서, 데이터 획득은 실험에 의하여, 또는 동작 중에 장비나 시스템으로부터 다운로딩함으로서 수행될 수 있다.

데이터 전처리 단계는 특히 데이터에 존재하는 측정 잡음을 제거하기 위해 데이터를 필터링하는 것으로 구성된다.

특징 추출 단계는 그로부터 장비나 시스템의 상태를 나타내는 특징들을 추출하기 위하여 데이터를 처리하는 것으로 구성되며, 이 상태들은 아마도 장비나 시스템의 동작 중의 열화일 수 있다. 그러한 열화는 장비나 시스템이 겪고 있는 하나 이상의 결함들의 존재 때문에 야기될 수 있다. 따라서 특징들은 결함(들)을 나타낸다.

분석 단계는 특히 장비나 시스템의 상태를 평가하기 위하여 특징들을 평가하는 것으로 구성되며, 결함이 존재할 때, 상기 결함의 위치를 찾고 그 심각성을 평가하기 위한 것이다.

예후 단계는 장비나 시스템에 대해 남아있는 수명을 평가하는 것으로 구성된다.

본 발명의 목적은 장비나 시스템의 결함 특징들의 감도를 향상시키기 위한 것이며, 또한 상기 결함들의 탐지 및 심각도(severity) 평가를 향상시키기 위한 것이다.

이러한 목적을 달성하기 위하여,

전자기 액추에이터 유형의 장비를 모니터링하기 위한 모니터링 방법으로서, 상기 장비는 3상 전기 모터를 포함하고, 상기 모니터링 방법은:

- 상기 3상 전기 모터를 가동하는 3상 전류를 측정하는 단계;

- 구적 전류(quadrature current)를 얻기 위하여 상기 3상 전류를 파크(Park) 기준 프레임으로 투사하는 단계;

- 소스 요소들을 얻기 위하여 블라인드 소스 분리 프로세스(blind source separation process)와 결합된 상기 구적 전류 상에 앙상블 경험적 모드 분리(ensemblist empirical mode decomposition) 프로세스를 수행하는 단계;

- 상기 소스 요소들 중으로부터, 선택 기준을 사용함으로써, 제1 결함에 민감한 소스 요소들의 제1 집합과, 제2 결함에 민감한 소스 요소들의 제2 집합을 자동으로 선택하는 단계로서, 상기 제1 결함과 상기 제2 결함은 상기 장비의 작동을 잠재적으로 열화시키는 것인, 선택하는 단계;

- 소스 요소들의 상기 제1 집합으로부터 제1 가상 결함 신호 및 소스 요소들의 상기 제2 집합으로부터 제2 가상 결함 신호를 구축하는 단계; 및

- 상기 제1 가상 결함 신호로부터 상기 제1 결함을 나타내는 특징들의 제1 집합을 추출하고, 상기 제2 가상 결함 신호로부터 상기 제2 결함을 나타내는 특징들의 제2 집합을 추출하는 단계;

를 포함하는, 모니터링 방법이 제공된다.

본 발명의 모니터링 방법은 상기 제1 결함에 대한 특징들의 상기 제1 집합 및 상기 제2 결함에 대한 특징들의 상기 제2 집합의 특징들의 감도를 향상시키고, 그럼으로써 상기 제1 결함 및 상기 제2 결함의 탐지를 향상시킨다. 상기 제1 결함의 심각도 및 상기 제2 결함의 심각도가 계산될 때, 본 발명의 모니터링 방법은 또한 그 심각도들의 평가를 향상시킨다.

본 발명은 본 발명의 특정 구현의 비한정적인 이하의 설명의 도움과 함께 더 잘 이해될 것이다.

본 발명에 의하면 장비나 시스템의 결함 신호의 감도가 향상되고, 결함들의 탐지 및 심각도 평가가 향상된다.

첨부된 도면에 대한 참조가 이루어지는데,
도 1 내지 4는 본 발명의 모니터링 방법의 연속적인 단계들을 도시한 것이다.
도 5는 본 발명의 모니터링 방법에서 블라인드 소스 분리 프로세스(blind source separation process)를 수행하는 단계를 도시한 것이다.
도 6은 본 발명의 모니터링 방법에서 심각도를 계산하는 단계를 도시한 것이다.

본 예시에서, 본 발명의 모니터링 방법은 비행기의 선형 전자기 비행 제어 액추에이터 상에서 수행된다.

본 예시에서, 선형 전자기 액추에이터는 3상 동기 모터 타입의 영구 자석으 전기 모터, 직간접적으로 결합될 수 있는 기계적 변속기, 선택적으로 원격일 수 있는 전기 전원 모듈, 선택적으로 원격일 수 있는 전기 제어 모듈 및 센서들의 집합을 포함한다. 이 예시에서, 센서들의 집합은 전류 센서, 온도 프로브, 힘 센서 및 위치 센서를 포함한다. 위치 센서는 전기 모터의 회전자(rotor)의 각위치를 측정한다.

본 발명의 모니터링 방법은 선형 전자기 액추에이터 상에서 건강 모니터링 기능을 수행하는데 쓰인다.

전술한 바와 같이, 건강 모니터링 기능은 데이터 획득 단계, 데이터 전처리 단계, 특징 추출 단계, 분석 단계 및 예후 단계를 포함한다.

본 발명의 모니터링 방법은 데이터 전처리 단계 및 신호 추출 단계 동안 수행되는 8개의 연속적인 단계들을 포함한다.

예시로서, 본 발명의 모니터링 방법은 선형 전자기 액추에이터의 작동을 열화시킬 수 있는 2개의 결함들의 탐지 및 평가를 향상시키는 것을 목적으로 한다: 전기 모터의 고정자(stator)의 회로 단락을 포함하는 제1 결함 def_A; 기계적 변속기의 포착(seizing)을 포함하는 제2 결함 def_B이다.

도 1 내지 4를 참조하면, 본 발명의 모니터링 방법은 (a, b 및 c가 전기 모터의 상(phase)인) 전기 모터를 가동하는 3상 전류 I_a,b,c와 전기 모터의 회전자의 각위치 θ_s의 동기 측정(synchronous measurement)을 취하는 것으로 구성되는 측정 단계(10)로 시작한다.

본 발명의 모니터링 방법은 그 후 단계(10) 동안 취해진 3상 전류 측정을 (회전자에 묶여 있고 여기 플럭스(excitation flux)와 같은 상인 직접 축 d를 가지는) 파크(Park) 기준 프레임으로 투사하는 투사 단계(projection step)(20)를 포함한다. 파크 변환은 아래 공식을 사용하여 수행된다:

이 예시에서, I_a, I_b 및 I_c는 전기 모터를 가동하는 3상 전류이며, I_d는 파크 기준 프레임에서 d 또는 "직접(direct)" 전류이고, I_q는 파크 기준 프레임에서의 구적 전류(quadrature current)이고, θ_s는 전기 모터의 고정자의 회전 장의 전기적 각위치이다.

이하의 공식이 적용된다:

- θ_s = npp * 회전자의 기계적 각위치

- 여기서 npp는 모터의 극성 쌍들의 숫자이다.

도 1에서 (그리고 다른 도면들에서) 가는 화살표는 단일-채널 신호에 대응하는 반면, 두꺼운 화살표 각각은 다중-채널 신호에 대응한다는 것이 관찰된다.

그 후에, 본 발명의 모니터링 방법은 앙상블 경험적 모드 분해(ensemblist empirical mode decomposition, EEMD)를 수행하는 단계(30)를 포함한다. 앙상블 경험적 모드 분해(ensemblist empirical mode decomposition, EEMD)는 구적 전류 I_q에 적용된다.

앙상블 경험적 모드 분해를 수행하는 것(30)은 경험적 모드 분해(EEMD)를 수행하는 것을 포함한다.

경험적 모드 분해는 내장 모드 함수(intrinsic mode function, IMF)들로 알려진 일련의 진동 요소들로 임의의 신호를 분해하는 것을 목적으로 한다.

각각의 진동 요소 IMF는 주파수 범위에 걸친 현상을 나타낸다.

임의의 신호 y는 경험적 모드 분해에 의해 다음과 같이 분해된다:

여기서 IMF_j는 진동 요소 IMF이다.

신호 r은 더 이상의 진동 요소(IMF)들을 추출할 수 없는 잔여 신호이다.

진동 요소(IMF)를 획득하기에 적합한 EMD 알고리즘의 예시가 아래에 주어진다.

이 유형의 알고리즘은 "선별(sifting)"이라고 지칭된다.

추출될 첫번째 진동 요소들(IMF)은 고주파에서 신호 y의 진동 요소들(IMF)이며, 추출될 마지막 진동 요소(IMF)는 저주파에서의 신호 y의 진동 요소들(IMF)이다.

앙상블 경험적 모드 분해(30)의 수행은 신호의 시끄러운 순간들에서 특정한 횟수 만큼 경험적 모드 분해를 수행하고, 그 후 생성된 진동 요소들(IMF)를 평균하는 것으로 구성된다. 이것은 "진짜(true)"이라고 말해지는 진동 요소들(IMF)을 생성한다.

그러므로, EEMD 알고리즘이 사용되면, 그 예시가 아래와 같이 주어진다:

앙상블 경험적 모드 분해(30)를 사용하는 것은 "모드 혼합", 즉 주어진 진동 요소(IMF)에 대하여 저주파 신호 상에 고주파 신호들이 중첩되는 것을 방지하는데 쓰인다.

본 발명의 모니터링 방법은 그 후 블라인드 소스 분리(blind source separation, BSS) 프로세스의 단계를 포함하는데, 이것은 관측에 기초하여 알려지지 않은 소소들의 집합을 평가하는 데 쓰인다. 이 예시에서, 사용되는 블라인드 소스 분리 프로세스는 독립 요소 분석(independent component analysis, ICA)(40)을 포함한다. 독립 요소 분석(40)은 그 분리 기준으로서 통계적인 독립 기준을 사용한다.

아래에 언급되는 것과 같이, 이 예시에서 포함된 소스들은 선형 전자기 액추에이터가 겪고 있는 결함들을 나타내는 신호들로서, 즉, 제1 결함 def_A (전기 모터의 고정자의 회로 단락) 및 제2 결함 def_B (기계적 전송의 포착)이다.

독립 요소 분석(40)은 진짜 진동 요소들(도 2, 4 및 5에서 IMF 1 내지 10) 상에서 수행되고, 이들은 독립 요소 분석(40)을 위한 입력들을 제공하는데 쓰이는 "가상" 관찰들을 구축한다.

독립 요소 분석(40)은 그러므로 앙상블 경험적 모드 분해(30)과 결합된다.

독립 요소 분석(40)의 일반 원리는

인 분리 행렬 W를 정의함으로써 관찰들의 집합 x로부터 소스들의 집합

를 평가하면서, 분리 기준 Φ를 최소화하는 것이다(이 예시에서는 통계적인 독립 기준이다). 이 예시에서, 소스들의 집합

는독립 소스 요소 벡터 IC₁, IC₂,IC₃, ..., IC_n을 포함한다.

결합은 아래 관계를 유발한다.

　=　

.

앙상블 경험적 모드 분해(30)를 독립 요소 분석(40)과 결합하는 것의 장점은, 앙상블 경험적 모드 분해(30)와 독립 요소 분석(40)을 단일로 그리고 분리하여 사용하는 상황과 비교하여, 선형 전자기 액추에이터가 겪는 제1 결함 def_A과 제2 결함 def_B에 훨씬 더 민감한 신호들을 얻는다는 것이다. 그 결합은 제1 결함 def_A과 제2 결함 def_B에 전형적으로 10 내지 20배 더 민감한 신호들을 생성한다.

도 5를 참조하면, 독립 요소 분석(40)은 다음과 같이 수행된다.

가상 관측들, 즉 진짜 진동 요소들(IMF)(IMF 1부터 10)이 획득된다.

ICA 알고리즘이 수행된다.

분리 행렬 W가 정의된다(단계(41)).

분리 행렬 W는 스칼라 계수들 W_ij로 만들어질 수 있다. 이것은 "즉각적인(instantenous)" 상황으로 불린다. 분리 행렬 W는 유한 임펄스 응답 필터(finite impulse response filters, FIRs)로 만들어질 수도 있다. 이 상황은 "컨벌루젼형(convolutional)"으로 불린다. 컨벌루젼형 상황에 대하여, 필터들의 차수가 반드시 사전에 알려져야 하고 따라서 독립 요소 분석의 수행 전에 정의된다.

ICA 알고리즘은 다음 문제를 풀기 위한 목적이다:

독립 소스 요소들 IC₁, IC₂,IC₃, ..., IC₁₀은 그 후 재귀적 프로세스에 의해 평가된다.

통계적 독립 기준은 각 반복(iteration) 마다 재평가되며, 분리 행렬(W)이 재정의된다.

그 후 본 발명의 모니터링 방법은 독립 소스 요소들 IC₁, IC₂,IC₃, ..., IC₁₀을 자동으로 선택하는 단계(50)를 포함한다.

자동 선택(50)의 목적은 제1 결함 def_A를 가장 잘 나타내는 독립 소스 요소들 IC₁, IC₂,IC₃, ..., IC₁₀과 제2 결함 def_B를 가장 잘 나타내는 독립 소스 요소들 IC₁, IC₂,IC₃, ..., IC₁₀ 사이를 구분하기 위해 독립 소스 요소들 IC₁, IC₂,IC₃, ..., IC₁₀을 선택하는 것이다.

독립 소스 요소들 IC₁, IC₂,IC₃, ..., IC₁₀은 선택 기준의 기초하에 선택된다.

선택 기준은 다양한 통계적 특성들에 기초할 수 있다: 평균, 분산, 스큐(skew) 계수, 최대, 최소, 제곱평균(root mean square, rms) 값, 첨도(Kurtosis) 등이다.

선택 기준은 고려되는 결함들을 참조하여, 즉 제1 결함 def_A과 제2 결함 def_B을 참조하여 선택된다.

이 예시에서, 선택 기준은 아래와 같이 정의되는 첨도를 계산하는 것에 기초한다:

여기서:

- N은 샘플 크기;

-

는 샘플 평균; 그리고

- σ는 샘플 분산이다.

더 구체적으로 도 4를 참조하면, 자동 선택(50)은 그러므로 소스 요소들 IC₁, IC₂,IC₃, ..., IC₁₀을 포함하는 소스 요소들의 집합(51)을 생성한다.

그 후에, 소스 요소들 IC₁, IC₂,IC₃, ..., IC₁₀은 첨도 상에서 시험되고, 그 후 재배열된다.

이것은 작은 첨도의 소스 요소들의 제1 집합(52)을 생성하는데, 소스 요소 IC₁, IC₂,IC₃, ..., IC₉를 포함하고, 큰 첨도의 소스 요소들의 제2 집합(53)을 생성하는데, 소스 요소 IC₁₀을 포함한다.

그 후에, 본 발명의 모니터링 방법은 구축 단계(construction step)(60)를 포함하는데, 결함들 k를 나타내는 가상 소스 신호

를 구축하는 것으로 구성된다(따라서 k는 제1 결함 def_A과 제2 결함 def_B을 나타낸다).

이것은 다음 공식을 준다:

여기서 IC_{select_k}는 결함 k에 대한 IC들을 선택하는 것에 대응하는데, 즉, (제1 결함 def_A에 대하여, k = A) 소스 요소들의 제1 집합(52)에 대응하고, 소스 요소들의 제2 집합(53)(제2 결함 def_B에 대하여, k = B)에 대응한다.

그러므로 구축 단계(60)는 제1 집합(52)에 W^-1을 곱하고(단계 (61)) 제2 집합(53)에 W^-1을 곱하는(단계 (62)) 것을 포함한다.

그 후에, 구축 단계(60)는 제1 집합(52)에 W^-1을 곱한 후에 얻어진 요소들을 합산하고(단계 (63)), 제2 집합(53)에 W^-1을 곱한 후에 얻어진 요소들을 합산하는(단계 (64)) 것을 포함한다.

이것은 다음을 생성한다:

-

, 제1 결함 def_A의 최대 감도를 나타내는 제1 가상 결함 신호

-

, 제2 결함 def_A의 최대 감도를 나타내는 제2 가상 결함 신호

그 후에, 본 발명의 모니터링 방법은 신호를 추출하는 단계(70)를 포함한다. 신호 추출 단계(70)는 제1 가상 결함 신호

로부터 제1 신호

를 추출하고 제2 가상 결함 신호

로부터 제2 신호

를 추출하는 것으로 구성된다.

신호들은 제1 유형과 제2 유형의 프로세스들을 사용하여 추출될 수 있다.

제1 유형의 방법들은 제1 가상 결함 신호

와 제2 가상 결함 신호

에 걸쳐 "전역(global)" 통계 매개변수들을 계산하는 것을 포함한다. 전역 통계 매개변수들은 예컨대 평균, 최대, 첨도, 0점 교차의 숫자 등일 수 있다.

제2 유형의 프로세스는 전역 변수들을 서로 조합한 결과인 조합된 매개변수들을 정의하는 것으로 구성된다.

그러므로, 제2 유형의 프로세스를 사용하여, 이하의 특징(signature)이 제2 가상 결함 신호

(포착)으로부터 구축된다:

Sign=NbPeaks*AmpPP

여기서:

- NbPeaks는 샘플에서 미리 정의된 문턱값 위를 통과하는 제2 가상 결함 신호

의 횟수이고; 그리고

- AmpPP는 제2 가상 결함 신호

의 2개 피크들 사이의 최대 피크 대 피크 강도이다.

예시로서, 제1 결함 def_A에 대한 다른 유형의 특징은 다음과 같다:

- 0점 교차의 횟수. 0점 교차들은 신호 강도가 특정 문턱값 ε₁ 보다 큰 경우에만 계산된다.

- 아래와 같이 계산되는 rms 값:

여기서 T는 신호의 길이이고, t는 시간이다; 그리고

- 아래와 같이 계산되는 에너지:

예시로서, 제2 결함 def_B의 다른 특징들은 다음과 같다:

- 아래와 같이 계산되는 rms 값:

T는 신호의 길이이고, t는 시간이다; 그리고

- 아래와 같이 계산되는 에너지:

마지막으로, 본 발명의 모니터링 방법은 결함들의 심각도를 계산하는 단계(80)를 포함할 수 있다.

심각도 계산은 여러가지 방식으로 수행될 수 있다.

그러므로 예컨대 제1 특징

과 같은 특징(signature)을 메트릭에 사용할 수 있다:

여기서

는 선형 전자기 액추에이터가 처음 서비스에 들어갈 때 제1 결함 def_A에 대한 제1 특징의 값이다.

도 6을 참조하면, (예컨대 신경망 네트워크, 지지 벡터 기계(Support Vector Machine), 베이지안 네트워크(Bayesian networks)들을 사용하는 프로세스와 같은) 인공지능 도구들에 의존하는 프로세스(81)를 적용하는 것이 가능하다.

프로세스(81)은 심각도

를 획득하기 위하여 복수의 특징들

, ...,

에 적용된다.

이것은 더 정확하고 더 강건한 방식으로 심각도를 평가하는데 쓰인다.

자연스럽게, 본 발명은 기술된 구현에 한정되지 않으며, 청구항들에 의해 정의된 것과 같이 본 발명의 범위 내에 있는 임의의 변용들을 포괄한다.

비록 본 발명이 선형 전자기 액추에이터에 대한 응용에서 기술되었지만, 본 발명은 자연스럽게 임의의 다른 유형의 장비에도 적용된다.

비록 본 설명은 3상 전기 모터의 고정자에서 회로 단락과 관련된 결함 그리고 기계적 전송의 포착을 포함하는 결함에 적용되지만, 본 발명은 자연스럽게 다른 결함들, 일부 다른 숫자의 결함들에 대해서도 적용된다.

제1 결함들에 대해서 위 예시에서 사용된 특징들(및 심각도 계산)은 제2 결함들에 대해서 사용될 수 있으며, 그 역도 마찬가지이다.

Claims (12)

1. 전자기 액추에이터 유형의 장비를 모니터링하기 위한 모니터링 방법으로서, 상기 장비는 3상 전기 모터를 포함하고, 상기 모니터링 방법은:
   상기 3상 전기 모터를 가동하는 3상 전류(I_a,b,c)를 측정하는 단계;
   구적 전류(quadrature current)(I_q)를 얻기 위하여 상기 3상 전류를 파크(Park) 기준 프레임으로 투사하는 단계;
   소스 요소들(IC₁, ..., IC₁₀)을 얻기 위하여 블라인드 소스 분리 프로세스(blind source separation process)(40)와 결합된 상기 구적 전류 상에 앙상블 경험적 모드 분리(ensemblist empirical mode decomposition) 프로세스(30)를 수행하는 단계;
   상기 소스 요소들 중으로부터, 선택 기준에 의해 제1 결함에 민감한 소스 요소들(IC₁, ..., IC₉)의 제1 집합(52)과, 제2 결함에 민감한 소스 요소들(IC₁₀)의 제2 집합(53)을 자동으로 선택하는 단계(50)로서, 상기 제1 결함과 상기 제2 결함은 상기 장비의 작동을 잠재적으로 열화시키는 것인, 자동으로 선택하는 단계;
   소스 요소들의 상기 제1 집합으로부터 제1 가상 결함 신호

   

   및 소스 요소들의 상기 제2 집합으로부터 제2 가상 결함 신호

   

   를 구축하는 단계(60); 및
   상기 제1 가상 결함 신호로부터 상기 제1 결함을 나타내는 특징들의 제1 집합을 추출하고(70), 상기 제2 가상 결함 신호로부터 상기 제2 결함을 나타내는 특징들의 제2 집합을 추출(70)하는 단계;
   를 포함하는, 모니터링 방법.
2. 제1항에 있어서,
   상기 블라인드 소스 분리 프로세스는 분리 기준으로서 통계적인 독립 기준을 사용하는 독립 요소 분석(independent component analysis)을 포함하는, 모니터링 방법.
3. 제1항에 있어서,
   상기 자동 선택은, 상기 제1 결함 및 상기 제2 결함을 참조하여 선택되고 소스 요소들의 상기 제1 집합 및 소스 요소들의 상기 제2 집합의 통계적 특성에 기초하는, 선택 기준(selection criterion)을 사용함으로써 수행되는, 모니터링 방법.
4. 제3항에 있어서,
   상기 통계적 특성은 첨도(Kurtosis)인, 모니터링 방법.
5. 제1항에 있어서,
   상기 제1 특징 및/또는 상기 제2 특징

   

   은

   

   = NbPeaks * AmpPP이고, NbPeaks는 대응하는 제1 가상 결함 신호나 제2 가상 결함 신호가 미리 정해진 문턱값보다 커지는 횟수이고, AmpPP는 대응하는 제1 가상 결함 신호 또는 제2 가상 결함 신호의 두 개의 피크들 사이의 최대 피크 대 피크(maximum peak to peak) 강도인, 모니터링 방법.
6. 제1항에 있어서,
   특징들의 상기 제1 집합 또는 특징들의 상기 제2 집합의 상기 특징들 중의 특징은,
   

   

   
   를 사용하여 계산되는 rms 값이고,

   

   는 상기 대응하는 제1 가상 결함 신호 또는 상기 제2 가상 결함 신호이고, T는

   

   의 기간이고, t는 시간인, 모니터링 방법.
7. 제1항에 있어서,
   특징들의 상기 제1 집합 또는 특징들의 상기 제2 집합 중의 특징은
   

   

   
   를 사용하여 계산되는 에너지이고,

   

   는 상기 대응하는 제1 가상 결함 신호 또는 제2 가상 결함 신호이고, T는

   

   의 기간이고, t는 시간인, 모니터링 방법.
8. 제1항에 있어서,
   상기 제1 결함에 대한 심각도(severity)

   

   및 상기 제2 결함에 대한 심각도

   

   를 계산하는 단계;를 더 포함하는, 모니터링 방법.
9. 제8항에 있어서,
   상기 제1 결함이나 상기 제2 결함의 상기 심각도

   

   는 다음과 같이 상기 대응하는 제1 결함 또는 제2 결함의 상기 특징

   

   으로부터 계산되고:
   

   

   ,
   

   

   는 서비스에 들어간 상기 장비의 시작시의 상기 대응하는 제1 결함 또는 제2 결함에 대한 상기 특징의 값인, 모니터링 방법.
10. 제9항에 있어서,
    상기 심각도는 신경 네트워크에 의해 또는 벡터 지지 기계(vector support machine)에 의해 또는 베이지안 네트워크(Bayesian network)에 의해 계산되는, 모니터링 방법.
11. 제1항에 있어서,
    상기 제1 결함 또는 상기 제2 결함은 전기 모터 고정자(stator)의 회로 단락(short circuit)인, 모니터링 방법.
12. 제1항에 있어서,
    상기 제1 결함 또는 상기 제2 결함은 기계적 전송의 포착(seizing)인, 모니터링 방법.
    

Images