KR20220139693A - 다채널 신호를 이용한 모터 고장 진단 방법 및 장치 - Google Patents
다채널 신호를 이용한 모터 고장 진단 방법 및 장치 Download PDFInfo
- Publication number
- KR20220139693A KR20220139693A KR1020210045959A KR20210045959A KR20220139693A KR 20220139693 A KR20220139693 A KR 20220139693A KR 1020210045959 A KR1020210045959 A KR 1020210045959A KR 20210045959 A KR20210045959 A KR 20210045959A KR 20220139693 A KR20220139693 A KR 20220139693A
- Authority
- KR
- South Korea
- Prior art keywords
- motor
- failure
- weight
- feature vectors
- layer
- Prior art date
Links
Images
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
-
- 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
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
- G01R31/2836—Fault-finding or characterising
- G01R31/2846—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms
- G01R31/2848—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms using simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
본 발명에 따른 다채널 신호를 이용한 모터 고장 진단 방법은, 모터에 대한 서로 다른 종류의 복수의 측정 신호를 전처리하여 복수의 채널에 각각 대응하는 복수의 학습 데이터를 생성하는 단계; 상기 복수의 학습 데이터를 이용하여 모터의 고장 모드를 분류하는 신경망 모델을 학습시키는 단계; 및 상기 복수의 채널에 대응하는 복수의 입력 데이터로부터 상기 신경망 모델을 통해 모터의 고장을 진단하는 단계를 포함하고, 상기 신경망 모델은, 상기 복수의 학습 데이터를 각각 입력으로 하여 각각 특징 벡터를 출력하는 복수의 컨볼루션 신경망; 상기 복수의 컨볼루션 신경망으로부터 출력되는 복수의 특징 벡터에 기초하여 상기 복수의 채널에 각각 대응하는 가중치를 산출하는 가중치 산출 블록; 적어도 상기 가중치에 기초하여 상기 복수의 특징 벡터의 가중치합 벡터를 계산하는 가중치합 계산 블록; 및 상기 가중치합 벡터를 입력으로 하여 모터의 고장 모드를 분류하는 고장 모드 분류 블록을 포함하는 것을 특징으로 한다.
Description
본 발명은 모터 고장 진단 방법 및 장치에 관한 것으로, 보다 상세하게는 다채널 신호를 이용하여 모터의 고장 모드를 식별할 수 있는 모터 고장 진단 방법 및 장치에 관한 것이다.
모터는 회전체이므로 모터에서 취득될 수 있는 전류, 전압, 진동 등의 신호에는 주기적인 성분이 포함되어 있고, 이러한 주기적인 성분을 분석하여 모터의 고장을 판별할 수 있다. 기존의 모터 고장 진단 기술은 각 고장 모드에 따른 고장 특성 주파수를 다양한 주파수 분석 기법들을 통해 추적하는 방식을 주로 사용한다. 그러나 고장 특성 주파수를 확인하기 위해서는 유도 모터의 경우 폴 수 및 슬립, 동기 모터의 경우 폴 수 등의 모터 관련 매개변수를 확인해야 하며, 각각의 신호의 특성을 이해하기 위해 상당한 수준의 전문가 지식이 요구된다. 또한 모터의 부하토크가 바뀌면 유도 모터의 경우 고장 특성 주파수의 크기 및 주파수 자체가 변화하고, 동기 모터의 경우 고장 특성 주파수가 변하기 때문에 실제 현장에서 이러한 기존의 방식을 실시간으로 적용하는 것에는 큰 어려움이 따른다.
또한, 다양한 종류의 개별 측정 신호들을 모니터링하는 것은 여러 종류의 신호 변환 및 계산 과정을 수행해야 하고 관찰해야 할 값들이 너무 많아 실제 사용하기에 복잡하고 고장과 관련된 정보가 부족한 신호까지도 모니터링해야 하여 비효율적이다.
한편, 최근 들어 딥러닝을 활용하여 기계의 고장을 진단하는 기술이 연구되고 있다. 기존의 딥러닝 방식으로 다양한 종류의 신호를 딥러닝 모델의 입력으로 넣어 학습할 경우 고장 정보를 많이 담고 있지 않은 신호가 학습에 사용되어, 고장과 관련이 없는 불필요한 정보가 고장 진단 정보에 포함되거나 과적합 현상 등에 의해 고장 진단 성능이 떨어질 수 있다. 또한, 딥러닝 모델 내부에서 일어나는 연산 과정을 일일이 추적하기 어렵기 때문에, 어떠한 신호가 얼마만큼의 중요도를 가지고 고장 진단에 활용되는지 파악하기가 어려운 단점이 있다.
본 발명이 이루고자 하는 기술적 과제는, 모터에서 측정되는 여러 종류의 신호들을 함께 사용하면서, 복잡한 신호 처리 기술과 같은 전문가적 지식이 요구되지 않고, 고장과 관련된 정보의 양에 따라 각 신호 별로 가중치를 주어 학습할 수 있는 모터 고장 진단 방법 및 장치를 제공하는 데 있다.
상기 기술적 과제를 해결하기 위한 본 발명에 따른 다채널 신호를 이용한 모터 고장 진단 방법은, 모터에 대한 서로 다른 종류의 복수의 측정 신호를 전처리하여 복수의 채널에 각각 대응하는 복수의 학습 데이터를 생성하는 단계; 상기 복수의 학습 데이터를 이용하여 모터의 고장 모드를 분류하는 신경망 모델을 학습시키는 단계; 및 상기 복수의 채널에 대응하는 복수의 입력 데이터로부터 상기 신경망 모델을 통해 모터의 고장을 진단하는 단계를 포함하고, 상기 신경망 모델은, 상기 복수의 학습 데이터를 각각 입력으로 하여 각각 특징 벡터를 출력하는 복수의 컨볼루션 신경망; 상기 복수의 컨볼루션 신경망으로부터 출력되는 복수의 특징 벡터에 기초하여 상기 복수의 채널에 각각 대응하는 가중치를 산출하는 가중치 산출 블록; 적어도 상기 가중치에 기초하여 상기 복수의 특징 벡터의 가중치합 벡터를 계산하는 가중치합 계산 블록; 및 상기 가중치합 벡터를 입력으로 하여 모터의 고장 모드를 분류하는 고장 모드 분류 블록을 포함하는 것을 특징으로 한다.
상기 복수의 컨볼루션 신경망으로부터 출력되는 복수의 특징 벡터를 연쇄(concatenation)시켜 상기 가중치 산출 블록에 입력하는 연쇄 레이어를 더 포함할 수 있다.
상기 복수의 컨볼루션 신경망 각각은, 순차적으로 연결된 복수의 컨볼루션 블록과, 그중 마지막 컨볼루션 블록의 출력에 GAP(Global Average Pooling)를 수행하여 상기 특징 벡터를 출력하는 GAP 레이어를 포함할 수 있다.
상기 복수의 컨볼루션 블록 각각은, 1차원 컨볼루션 레이어를 포함할 수 있다.
상기 가중치 산출 블록은, 완전연결 레이어, 및 상기 가중치를 출력하는 소프트맥스 레이어를 포함할 수 있다.
상기 고장 모드 분류 블록은, 완전연결 레이어, 및 상기 고장 모드를 출력하는 소프트맥스 레이어를 포함할 수 있다.
상기 가중치합 계산 블록은 상기 가중치에 따른 상기 복수의 특징 벡터의 가중치합과 상기 복수의 특징 벡터의 합을 합하여 상기 가중치합 벡터를 계산할 수 있다.
상기 전처리는 로그 스케일 FFT(Fast Fourier Transform)를 포함할 수 있다.
상기 복수의 측정 신호는, 전류, 전압, 진동, 토크 중 적어도 하나 이상을 포함할 수 있다.
상기 모터 고장 진단 방법은, 상기 학습 결과로부터 상기 고장 모드 별로 상기 가중치 산출 블록에서 출력되는 가중치의 통계량을 계산하는 단계를 더 포함할 수 있다.
상기 기술적 과제를 해결하기 위한 본 발명에 따른 다채널 신호를 이용한 모터 고장 진단 장치는, 모터에 대한 서로 다른 종류의 복수의 측정 신호를 전처리하여 복수의 채널에 각각 대응하는 복수의 학습 데이터를 생성하는 전처리부; 상기 복수의 학습 데이터를 이용하여 모터의 고장 모드를 분류하는 신경망 모델을 학습시키는 학습부; 및 상기 복수의 채널에 대응하는 복수의 입력 데이터로부터 상기 신경망 모델을 통해 모터의 고장을 진단하는 진단부를 포함하고, 상기 신경망 모델은, 상기 복수의 학습 데이터를 각각 입력으로 하여 각각 특징 벡터를 출력하는 복수의 컨볼루션 신경망; 상기 복수의 컨볼루션 신경망으로부터 출력되는 복수의 특징 벡터에 기초하여 상기 복수의 채널에 각각 대응하는 가중치를 산출하는 가중치 산출 블록; 적어도 상기 가중치에 기초하여 상기 복수의 특징 벡터의 가중치합 벡터를 계산하는 가중치합 계산 블록; 및 상기 가중치합 벡터를 입력으로 하여 모터의 고장 모드를 분류하는 고장 모드 분류 블록을 포함할 수 있다.
상기 모터 고장 진단 장치는, 상기 학습 결과로부터 상기 고장 모드 별로 상기 가중치 산출 블록에서 출력되는 가중치의 통계량을 계산하는 가중치 통계량 계산부를 더 포함할 수 있다.
상기된 본 발명에 의하면, 모터에서 측정되는 여러 종류의 신호들을 함께 사용하면서, 복잡한 신호 처리 기술과 같은 전문가적 지식이 요구되지 않고, 고장과 관련된 정보의 양에 따라 각 신호 별로 가중치를 주어 학습할 수 있는 모터 고장 진단 방법 및 장치를 제공할 수 있다.
또한 본 발명에 의하면, 어떠한 신호에 고장 관련 성분이 많이 존재하는지 상대적인 중요도를 파악할 수 있어 해석력이 향상된다.
도 1은 본 발명의 일 실시예에 따른 모터 고장 진단 장치의 블록도를 나타낸다.
도 2는 각 채널의 측정 신호 및 로그 스케일 FFT 결과의 예를 나타낸다.
도 3은 본 발명의 일 실시예에 따른 모터 고장 진단을 위한 신경망 모델의 구조를 나타낸다.
도 4는 가중치합 계산 블록의 구체적인 일 예를 나타낸다.
도 5는 본 발명의 일 실시예에 따른 모터 고장 진단 방법의 흐름도를 나타낸다.
도 6은 본 발명의 실시예에 따른 신경망 모델을 테스트한 실험 결과를 컨퓨전 매트릭스(Confusion Matrix)로 나타낸 도면이다.
도 7은 고장 모드 별로 각 채널별 가중치의 통계량의 실험 결과를 나타낸 도면이다.
도 2는 각 채널의 측정 신호 및 로그 스케일 FFT 결과의 예를 나타낸다.
도 3은 본 발명의 일 실시예에 따른 모터 고장 진단을 위한 신경망 모델의 구조를 나타낸다.
도 4는 가중치합 계산 블록의 구체적인 일 예를 나타낸다.
도 5는 본 발명의 일 실시예에 따른 모터 고장 진단 방법의 흐름도를 나타낸다.
도 6은 본 발명의 실시예에 따른 신경망 모델을 테스트한 실험 결과를 컨퓨전 매트릭스(Confusion Matrix)로 나타낸 도면이다.
도 7은 고장 모드 별로 각 채널별 가중치의 통계량의 실험 결과를 나타낸 도면이다.
이하에서는 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 이하 설명 및 첨부된 도면들에서 실질적으로 동일한 구성요소들은 각각 동일한 부호들로 나타냄으로써 중복 설명을 생략하기로 한다. 또한 본 발명을 설명함에 있어 관련된 공지기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략하기로 한다.
도 1은 본 발명의 일 실시예에 따른 모터 고장 진단 장치의 블록도를 나타낸다. 본 실시예에 따른 모터 고장 진단 장치는 전처리부(110), 학습부(120), 신경망 모델(130), 진단부(140), 가중치 통계량 계산부(150)를 포함할 수 있다.
전처리부(110)는 모터에 대한 서로 다른 종류(채널)의 복수의 측정 신호를 전처리(preprocessing)하여 복수의 채널(ch.1, ch.2, ..., ch.N)에 각각 대응하는 학습 데이터 또는 입력 데이터를 생성한다. 학습 데이터에는 고장 모드가 레이블될 수 있다. 고장 모드는 예컨대 정상, 1개 로터바 파손, 2개 로터바 파손, 3개 로터바 파손, 4개 로터바 파손 등을 포함할 수 있다.
복수의 측정 신호는 예를 들어 모터의 전류(상전류), 전압(상전압), 진동, 토크 등을 포함할 수 있다. 상전류는 교류 전류 프로브를 통해, 상전압은 오실로스코프를 통해, 진동은 단축 가속도계를 통해, 토크는 토크 센서를 통해 측정될 수 있다. 측정 신호에는 전류, 전압, 진동, 토크 뿐만 아니라 다른 종류의 신호도 포함될 수 있다.
딥러닝 학습을 위해 충분한 양의 데이터가 필요하므로, 전처리부(110)는 데이터 증강을 위해 측정 신호를 균등한 길이로 잘라낼 수 있다. 이때 각각의 신호의 샘플링 주파수가 다른 경우 같은 시간 동안 취득된 시계열의 길이가 다르므로, 채널 별로 샘플링 주파수에 비례하는 크기로 신호를 잘라낼 수 있다.
전처리부(110)는 잘라낸 신호를 로그 스케일 FFT(Fast Fourier Transform)를 통해 시간 도메인에서 주파수 도메인으로 변환할 수 있다. 이때 각각의 신호의 샘플링 주파수가 다른 경우 FFT 결과의 길이가 다르므로, 딥러닝 입력의 길이를 동일하게 맞추기 위해 FFT 결과에서 특정 길이(예컨대 5,000포인트) 이후의 고주파 성분이 제거될 수 있다. FFT를 통해 각 채널의 신호의 주기적인 성분이 부각될 수 있고, 로그 스케일 변환에 의해, 각 채널의 신호에서 운행 성분에 비해 상대적으로 값이 작아 묻히게 되는 고조파 성분 및 주변 성분이 부각될 수 있다.
또한, 채널마다 주파수 계수의 스케일이 상이하여 딥러닝 학습에 어려움이 있을 수 있으므로, 전처리부(110)는 채널 별로 주파수를 기준으로 평균 0, 분산 1이 되도록 데이터의 분포를 정규화할 수 있다.
도 2는 각 채널의 측정 신호 및 로그 스케일 FFT 결과의 예를 나타낸다. 도 2를 참조하면, 좌측 위로부터 아래로 상전류, 상전압, 진동의 측정 신호를 나타내며, 우측 위로부터 아래로 상전류, 상전압, 진동의 로그 스케일 FFT 결과를 나타낸다.
학습부(120)는 복수의 채널(ch.1, ch.2, ..., ch.N)의 학습 데이터를 이용하여, 모터의 고장 모드를 분류하는 신경망 모델(130)을 학습시킨다.
도 3은 본 발명의 일 실시예에 따른 모터 고장 진단을 위한 신경망 모델(130)의 구조를 나타낸다.
도 3을 참조하면, 본 실시예에 따른 신경망 모델(130)은, 각 채널(ch.1, ch.2, ..., ch.N)의 학습 데이터를 입력으로 하여 각 채널의 특징 벡터를 출력하는 복수의 컨볼루션 신경망(210_1, 210_2, ..., 210_N), 복수의 컨볼루션 신경망(210_1, 210_2, ..., 210_N)으로부터 출력되는 복수의 특징 벡터들을 연쇄(concatenation)시키는 연쇄(concatenation) 레이어(220), 연쇄 레이어(220)를 통해 연쇄된 특징 벡터들에 기초하여 각 채널에 대한 대한 가중치를 산출하는 가중치 산출 블록(230), 각 채널에 대한 가중치에 기초하여 각 채널의 특징 벡터의 가중치합인 가중치합 벡터를 계산하는 가중치합 계산 블록(240), 가중치합 벡터를 입력으로 하여 모터의 고장 모드를 분류하는 고장 모드 분류 블록(250)을 포함할 수 있다.
복수의 컨볼루션 신경망(210_1, 210_2, ..., 210_N)은 채널 별로 독립적으로 학습되어 채널 별로 특징을 추출한다. 복수의 컨볼루션 신경망(210_1, 210_2, ..., 210_N)은 각각 1차원 컨볼루션 신경망으로 구성되어, 각 채널의 입력 데이터로부터 고장 진단과 관련된 고차원적인 특징을 추출할 수 있다. 구체적으로, 컨볼루션 신경망(210)은, 순차적으로 연결된 복수의 컨볼루션 블록(211, 212, 213)과, 그중 마지막 컨볼루션 블록(213)의 출력에 GAP(Global Average Pooling)를 수행하여 특징 벡터를 출력하는 GAP 레이어(214)를 포함할 수 있다. 첫 번째와 두 번째 컨볼루션 블록(211, 212)은 각각 1차원 컨볼루션 레이어, 활성화 함수의 입력 분포를 균일화하여 학습 속도를 향상시키는 배치 정규화(Batch Normalization) 레이어, 활성화 함수로서 ReLU 레이어, 과적합 방지를 위한 최대 풀링(Max Pooling) 레이어를 포함할 수 있다. 세 번째 컨볼루션 블록(213)은 1차원 컨볼루션 레이어, 배치 정규화 레이어, ReLU 레이어를 포함할 수 있다. 세 번째 컨볼루션 블록(213)로부터 출력되는 다수의 특징 벡터는 GAP 레이어(214)를 통해 하나의 특징 벡터로 요약될 수 있다.
물리적으로 다른 각각의 신호는 고장의 종류마다 고장 관련 정보의 양을 다르게 가지고 있다. 가중치 산출 블록(230)은 이러한 상이함을 정량적으로 반영하기 위한 것으로, 각 채널의 특징 벡터에 가중치를 부여하고, 이를 통해 딥러닝 학습이 완료된 후에 어떤 신호에 고장 관련 특징이 더 많이 존재하였는지에 대한 상대적인 중요도가 부여될 수 있다.
가중치 산출 블록(230)은 완전연결(Fully Connected) 레이어와 소프트맥스(Softmax) 레이어를 포함할 수 있다. 가중치 산출 블록(230)은 각 채널마다 독립적으로 추출된 특징 벡터가 연쇄 레이어(220)를 통해 1차원으로 연결된 벡터를 입력으로 받아, 완전연결 레이어를 통해 각 채널의 정보가 모두 연결된 상호적인 관계를 추출하고, 소프트맥스 레이어를 통해 각 채널의 가중치를 출력할 수 있다. 소프트맥스 함수의 성질에 의해 소프트맥스 레이어의 각 출력(가중치)은 모두 양수이고 합이 1이 될 수 있다. 가중치 산출 블록(230)은 고장 정보가 많은 채널에 가중치를 더 주고 고장 정보가 적은 채널에 가중치를 덜 주어 효율적인 학습이 이루어지도록 하고 과적합을 방지할 수 있다. 가중치 산출 블록(230)을 통해 고장 관련 성분이 더욱 부각될 수 있고 학습이 완료된 후에는 가중치 산출 블록(230)의 출력을 분석하여 어떤 채널(신호)이 고장 진단에 주요하게 사용되었는지에 대한 해석이 가능하여 해석력이 향상될 수 있다.
도 4는 가중치합 계산 블록(240)의 구체적인 일 예를 나타낸다. 도 4는 설명의 편의를 위해 3개 채널의 특징 벡터(f1, f2, f3)의 경우를 예로 든 것이다. 연쇄 레이어(220)를 통해 f1, f2, f3가 1차원으로 연결된 벡터 f'가 출력되며, 가중치 산출 블록(230)은 f'를 입력으로 받아 각 채널에 대한 가중치 w1, w2, w3를 출력한다. f1, f2, f3는 가중치합 계산 블록(240)으로 입력되어, 가중치 w1, w2, w3에 따른 f1, f2, f3의 가중치합과, 가중치가 곱해지지 않은 f1, f2, f3의 합이 잔차 연결(Residual Connection)을 통해 합해져 최종 가중치합 벡터 f가 출력된다. 잔차 연결은 각 채널에서 추출된 정보의 손실이 클 수 있어 이러한 정보 손실을 막기 위한 것이며, 여기에 가중치가 곱해진 정보가 추가적으로 더해져 각 채널의 상대적인 중요도를 반영함으로써 고장 진단 성능을 높일 수 있다.
다시 도 3을 참조하면, 고장 모드 분류 블록(250)은 가중치합 계산 블록(240)으로부터 가중치합 벡터가 전달되면 완전연결 레이어와 소프트맥스 레이어를 통해 고장 모드를 분류할 수 있다. 고장 모드 클래스는 정상(Normal)과 몇몇 고장 유형들(Fault 1~4)을 포함할 수 있다. 고장 유형은 예컨대 1개 로터바 파손, 2개 로터바 파손, 3개 로터바 파손, 4개 로터바 파손 등을 포함할 수 있다. 소프트맥스 레이어의 클래스 수는 고장 모드의 수에 따라 정해질 수 있다.
다시 도 1을 참조하면, 진단부(140)는, 신경망 모델(130)을 테스트하거나 모터를 진단하고자 할 때, 복수 채널의 신호가 전처리된 복수의 입력 데이터를 학습된 신경망 모델(130)에 입력하여 신경망 모델(130)의 출력을 통해 모터의 고장을 진단한다.
가중치 통계량 계산부(150)는 신경망 모델(130)의 학습 결과로부터 고장 모드 별로 가중치 산출 블록(230)에서 출력되는 가중치의 통계량(예컨대 평균, 분산 등)을 계산하여 출력한다. 이를 통해 고장 진단에 있어 어떠한 입력 채널(신호)에 고장 정보가 많이 포함되어 중요하게 사용되었는지에 관한 해석을 할 수 있고, 나아가 고장의 양상과 필수적으로 취득해야 하는 신호의 종류를 파악하는데 도움을 줄 수 있다.
도 5는 본 발명의 일 실시예에 따른 모터 고장 진단 방법의 흐름도를 나타낸다. 본 실시예에 따른 모터 고장 진단 방법은 전술한 모터 고장 진단 장치에서 처리되는 단계들로 이루어지므로, 이하 생략된 내용이라 하더라도 모터 고장 진단 장치에 관하여 이상에서 기술된 내용은 본 실시예에 따른 모터 고장 진단 방법에도 적용된다.
고장 모드가 레이블된 복수 채널의 측정 신호가 준비되면(510단계), 전처리부(110)는 측정 신호를 전처리하여 복수 채널의 학습 데이터를 생성한다(515단계).
학습부(120)는 신경망 모델(130)을 구축하고 각종 파라미터를 설정한다(520단계). 신경망 모델(130)은, 채널(측정 신호)의 수 및 고장 모드의 수에 따라 컨볼루션 신경망(210)의 수, 가중치 산출 블록(230)의 출력 수, 고장 모드 분류 블록(250)의 출력 수 등이 설계될 수 있다. 각종 파라미터로, 컨볼루션 레이어의 수, 커널 크기, 채널 수, 스트라이드(stride) 수, 활성화 함수의 종류, 풀링(pooling)의 유무 및 종류, 완전연결 레이어의 수 및 노드 수 등과 같은 신경망 모델(130)의 구조를 구성하는 파라미터와, 최대 에포크(epoch), 배치(batch) 크기, 학습률(learning rate) 등과 같은 학습 파라미터 등이 설정될 수 있다.
아래 표는 신경망 모델(130)의 구조를 구성하는 파라미터의 일 예로, 채널 수가 3이고 고장 모드의 수가 5인 경우의 실험 예에 따른 파라미터를 나타낸다.
레이어 명 | 파라미터 정보 | 파라미터 수 |
Conv1d 1 | kernel size=128 , channel : 18 | 2,322*3 |
BatchNormalization 1 | momentum=0.1 | 36*3 |
ReLU 1 | - | 0 |
MaxPool 1 | kernel size=2 | 0 |
Conv1d 2 | kernel size=8 , channel : 36 | 5220*3 |
BatchNormalization 2 | momentum=0.1 | 72*3 |
ReLU 2 | - | 0 |
MaxPool 2 | kernel size=2 | 0 |
Conv1d 3 | kernel size=8 , channel : 72 | 20808*3 |
BatchNormalization 3 | momentum=0.1 | 144*3 |
ReLU 3 | - | 0 |
GlobalAvgPool | - | 0 |
Weight Computation | node number : 3 | 651 |
Classifier Dense 1 | node number : 36 | 2592 |
Classifier Dense 2 | node number : 5 | 180 |
전체 | 89229 |
실험 예에서 학습 파라미터는, 최대 에포크는 50, 배치 크기는 16, 학습률은 0.0005로 설정될 수 있다.
학습부(120)는 학습 데이터를 이용하여 신경망 모델(130)을 학습시킨다(525단계). 신경망 모델(130)의 학습 과정은 미니 배치 경사 하강법(mini-batch gradient descent method)에 의해 수행될 수 있다.
신경망 모델(130)의 학습이 완료(예컨대 최대 에포크까지 학습)되면(530단계), 진단부(140)는 학습 데이터와 별도로 준비된 테스트 데이터를 이용하여 신경망 모델(130)을 테스트할 수 있다(535단계).
신경망 모델(130)의 학습이 완료되면, 가중치 통계량 계산부(150)는 신경망 모델(130)의 학습 결과로부터 고장 모드 별로 가중치 산출 블록(230)에서 출력되는 가중치의 통계량(예컨대 평균, 분산 등)을 계산할 수 있다(540단계). 즉, 고장 모드 분류 블록(250)의 클래스 별로 가중치 산출 블록(230)의 각 출력에 대한 통계량이 계산될 수 있다. 이를 통해 어떤 채널(측정 신호)에 고장 정보가 많이 포함되어 중요하게 사용되었는지 해석할 수 있다.
진단하고자 하는 모터에 대한 복수 채널의 측정 신호가 입력되면(545단계), 전처리부(110)는 측정 신호를 전처리하여 복수 채널의 입력 데이터를 생성한다(550단계).
진단부(140)는 복수 채널의 입력 데이터를 신경망 모델(130)에 입력하여 신경망 모델(130)의 출력을 통해 모터의 고장을 진단한다(555단계).
도 6은 본 발명의 실시예에 따른 신경망 모델(130)을 테스트한 실험 결과를 혼동 행렬(Confusion Matrix)로 나타낸 도면이다. 도 6을 참조하면, 실험 결과는 정확도 99.25%의 매우 높은 진단 성능을 보임을 알 수 있다.
도 7은 고장 모드 별로 각 채널별 가중치의 통계량의 실험 결과를 나타낸 도면이다. 도 7의 (a) 내지 (e)는 각각 정상, 1개 로터바 파손, 2개 로터바 파손, 3개 로터바 파손, 4개 로터바 파손에 대한 3개 채널(전류: Ia, 전압: Va, 진동: Vib_acpe) 각각의 가중치의 평균을 나타낸다. 모든 고장 모드에서 공통적으로 전압의 가중치는 거의 0으로 전혀 중요도가 부여되지 않았는데, 이는 전압에서 고장 관련 특성이 잘 드러나지 않는 실제 물리적인 현상과도 부합한다. 로터바 파손은 자기장에 영향을 미쳐 궁극적으로 전류에 반영되기 때문에, 전류는 대부분의 고장 모드에서 가장 중요한 신호로 판단되었다. 다만 3개 로터바 파손 고장(d)에서 진동 신호의 가중치가 전류 신호보다 높은 것으로 나타났는데, 이것은 실험에 사용된 모터가 3개의 로터바 파손 고장이 발생하였을 때 기계적인 떨림 양상이 다른 고장 모드와는 상이함을 의미한다.
본 발명의 실시예들에 따른 장치는 프로세서, 프로그램 데이터를 저장하고 실행하는 메모리, 디스크 드라이브와 같은 영구 저장부(permanent storage), 외부 장치와 통신하는 통신 포트, 터치 패널, 키(key), 버튼 등과 같은 사용자 인터페이스 장치 등을 포함할 수 있다. 소프트웨어 모듈 또는 알고리즘으로 구현되는 방법들은 상기 프로세서상에서 실행 가능한 컴퓨터가 읽을 수 있는 코드들 또는 프로그램 명령들로서 컴퓨터가 읽을 수 있는 기록 매체 상에 저장될 수 있다. 여기서 컴퓨터가 읽을 수 있는 기록 매체로 마그네틱 저장 매체(예컨대, ROM(read-only memory), RAM(random-access memory), 플로피 디스크, 하드 디스크 등) 및 광학적 판독 매체(예컨대, 시디롬(CD-ROM), 디브이디(DVD: Digital Versatile Disc)) 등이 있다. 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템들에 분산되어, 분산 방식으로 컴퓨터가 판독 가능한 코드가 저장되고 실행될 수 있다. 매체는 컴퓨터에 의해 판독가능하며, 메모리에 저장되고, 프로세서에서 실행될 수 있다.
본 발명의 실시예들은 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 실시예는 하나 이상의 마이크로프로세서들의 제어 또는 다른 제어 장치들에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩 업 테이블(look-up table) 등과 같은 집적 회로 구성들을 채용할 수 있다. 본 발명에의 구성 요소들이 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있는 것과 유사하게, 실시예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 실시예는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. "매커니즘", "요소", "수단", "구성"과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다. 상기 용어는 프로세서 등과 연계하여 소프트웨어의 일련의 처리들(routines)의 의미를 포함할 수 있다.
실시예에서 설명하는 특정 실행들은 일 실시예들로서, 어떠한 방법으로도 실시 예의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, "필수적인", "중요하게" 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
Claims (20)
- 다채널 신호를 이용한 모터 고장 진단 방법으로서,
모터에 대한 서로 다른 종류의 복수의 측정 신호를 전처리하여 복수의 채널에 각각 대응하는 복수의 학습 데이터를 생성하는 단계;
상기 복수의 학습 데이터를 이용하여 모터의 고장 모드를 분류하는 신경망 모델을 학습시키는 단계; 및
상기 복수의 채널에 대응하는 복수의 입력 데이터로부터 상기 신경망 모델을 통해 모터의 고장을 진단하는 단계를 포함하고,
상기 신경망 모델은,
상기 복수의 학습 데이터를 각각 입력으로 하여 각각 특징 벡터를 출력하는 복수의 컨볼루션 신경망;
상기 복수의 컨볼루션 신경망으로부터 출력되는 복수의 특징 벡터에 기초하여 상기 복수의 채널에 각각 대응하는 가중치를 산출하는 가중치 산출 블록;
적어도 상기 가중치에 기초하여 상기 복수의 특징 벡터의 가중치합 벡터를 계산하는 가중치합 계산 블록; 및
상기 가중치합 벡터를 입력으로 하여 모터의 고장 모드를 분류하는 고장 모드 분류 블록을 포함하는 것을 특징으로 하는 모터 고장 진단 방법. - 제1항에 있어서,
상기 신경망 모델은,
상기 복수의 컨볼루션 신경망으로부터 출력되는 복수의 특징 벡터를 연쇄(concatenation)시켜 상기 가중치 산출 블록에 입력하는 연쇄 레이어를 더 포함하는 것을 특징으로 하는 모터 고장 진단 방법. - 제1항에 있어서,
상기 복수의 컨볼루션 신경망 각각은,
순차적으로 연결된 복수의 컨볼루션 블록과, 그중 마지막 컨볼루션 블록의 출력에 GAP(Global Average Pooling)를 수행하여 상기 특징 벡터를 출력하는 GAP 레이어를 포함하는 것을 특징으로 하는 모터 고장 진단 방법. - 제3항에 있어서,
상기 복수의 컨볼루션 블록 각각은, 1차원 컨볼루션 레이어를 포함하는 것을 특징으로 하는 모터 고장 진단 방법. - 제1항에 있어서,
상기 가중치 산출 블록은, 완전연결 레이어, 및 상기 가중치를 출력하는 소프트맥스 레이어를 포함하는 것을 특징으로 하는 모터 고장 진단 방법. - 제1항에 있어서,
상기 고장 모드 분류 블록은, 완전연결 레이어, 및 상기 고장 모드를 출력하는 소프트맥스 레이어를 포함하는 것을 특징으로 하는 모터 고장 진단 방법. - 제1항에 있어서,
상기 가중치합 계산 블록은 상기 가중치에 따른 상기 복수의 특징 벡터의 가중치합과 상기 복수의 특징 벡터의 합을 합하여 상기 가중치합 벡터를 계산하는 것을 특징으로 하는 모터 고장 진단 방법. - 제1항에 있어서,
상기 전처리는 로그 스케일 FFT를 포함하는 것을 특징으로 하는 모터 고장 진단 방법. - 제1항에 있어서,
상기 복수의 측정 신호는, 전류, 전압, 진동, 토크 중 적어도 하나 이상을 포함하는 것을 특징으로 하는 모터 고장 진단 방법. - 제1항에 있어서,
상기 학습 결과로부터 상기 고장 모드 별로 상기 가중치 산출 블록에서 출력되는 가중치의 통계량을 계산하는 단계를 더 포함하는 것을 특징으로 하는 모터 고장 진단 방법. - 다채널 신호를 이용한 모터 고장 진단 장치로서,
모터에 대한 서로 다른 종류의 복수의 측정 신호를 전처리하여 복수의 채널에 각각 대응하는 복수의 학습 데이터를 생성하는 전처리부;
상기 복수의 학습 데이터를 이용하여 모터의 고장 모드를 분류하는 신경망 모델을 학습시키는 학습부; 및
상기 복수의 채널에 대응하는 복수의 입력 데이터로부터 상기 신경망 모델을 통해 모터의 고장을 진단하는 진단부를 포함하고,
상기 신경망 모델은,
상기 복수의 학습 데이터를 각각 입력으로 하여 각각 특징 벡터를 출력하는 복수의 컨볼루션 신경망;
상기 복수의 컨볼루션 신경망으로부터 출력되는 복수의 특징 벡터에 기초하여 상기 복수의 채널에 각각 대응하는 가중치를 산출하는 가중치 산출 블록;
적어도 상기 가중치에 기초하여 상기 복수의 특징 벡터의 가중치합 벡터를 계산하는 가중치합 계산 블록; 및
상기 가중치합 벡터를 입력으로 하여 모터의 고장 모드를 분류하는 고장 모드 분류 블록을 포함하는 것을 특징으로 하는 모터 고장 진단 장치. - 제11항에 있어서,
상기 신경망 모델은,
상기 복수의 컨볼루션 신경망으로부터 출력되는 복수의 특징 벡터를 연쇄(concatenation)시켜 상기 가중치 산출 블록에 입력하는 연쇄 레이어를 더 포함하는 것을 특징으로 하는 모터 고장 진단 장치. - 제11항에 있어서,
상기 복수의 컨볼루션 신경망 각각은,
순차적으로 연결된 복수의 컨볼루션 블록과, 그중 마지막 컨볼루션 블록의 출력에 GAP(Global Average Pooling)를 수행하여 상기 특징 벡터를 출력하는 GAP 레이어를 포함하는 것을 특징으로 하는 모터 고장 진단 장치. - 제13항에 있어서,
상기 복수의 컨볼루션 블록 각각은, 1차원 컨볼루션 레이어를 포함하는 것을 특징으로 하는 모터 고장 진단 장치. - 제11항에 있어서,
상기 가중치 산출 블록은, 완전연결 레이어, 및 상기 가중치를 출력하는 소프트맥스 레이어를 포함하는 것을 특징으로 하는 모터 고장 진단 장치. - 제11항에 있어서,
상기 고장 모드 분류 블록은, 완전연결 레이어, 및 상기 고장 모드를 출력하는 소프트맥스 레이어를 포함하는 것을 특징으로 하는 모터 고장 진단 장치. - 제11항에 있어서,
상기 가중치합 계산 블록은 상기 가중치에 따른 상기 복수의 특징 벡터의 가중치합과 상기 복수의 특징 벡터의 합을 합하여 상기 가중치합 벡터를 계산하는 것을 특징으로 하는 모터 고장 진단 장치. - 제11항에 있어서,
상기 전처리는 로그 스케일 FFT를 포함하는 것을 특징으로 하는 모터 고장 진단 장치. - 제11항에 있어서,
상기 복수의 측정 신호는, 전류, 전압, 진동, 토크 중 적어도 하나 이상을 포함하는 것을 특징으로 하는 모터 고장 진단 장치. - 제11항에 있어서,
상기 학습 결과로부터 상기 고장 모드 별로 상기 가중치 산출 블록에서 출력되는 가중치의 통계량을 계산하는 가중치 통계량 계산부를 더 포함하는 것을 특징으로 하는 모터 고장 진단 장치.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210045959A KR102480899B1 (ko) | 2021-04-08 | 2021-04-08 | 다채널 신호를 이용한 모터 고장 진단 방법 및 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210045959A KR102480899B1 (ko) | 2021-04-08 | 2021-04-08 | 다채널 신호를 이용한 모터 고장 진단 방법 및 장치 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220139693A true KR20220139693A (ko) | 2022-10-17 |
KR102480899B1 KR102480899B1 (ko) | 2022-12-22 |
Family
ID=83810023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210045959A KR102480899B1 (ko) | 2021-04-08 | 2021-04-08 | 다채널 신호를 이용한 모터 고장 진단 방법 및 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102480899B1 (ko) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116626491A (zh) * | 2023-07-26 | 2023-08-22 | 江苏大学 | 一种五相永磁电机匝间短路故障诊断方法 |
WO2024122695A1 (ko) * | 2022-12-09 | 2024-06-13 | 달리웍스 주식회사 | 2 단계 ai 분석을 통한 모터 이상 상태 탐지 시스템 및 방법 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180134740A (ko) * | 2017-06-09 | 2018-12-19 | 한국과학기술원 | 전자 장치 및 학습 모델 최적화 방법 |
KR20190014101A (ko) * | 2016-06-23 | 2019-02-11 | 쓰리엠 이노베이티브 프로퍼티즈 캄파니 | 모니터링, 경보 및 예측 안전 이벤트 회피를 통합한 분석 엔진을 갖는 개인 보호 장비 시스템 |
KR20190081371A (ko) * | 2017-12-29 | 2019-07-09 | (주)제이엘케이인스펙션 | 기판, 인공 신경망 구현 장치 및 방법 |
KR101998559B1 (ko) * | 2017-12-07 | 2019-07-10 | 한국생산기술연구원 | 딥 러닝과 웨이블렛 변환을 이용한 회전체의 고장 진단 시스템 |
KR20190103083A (ko) * | 2019-08-15 | 2019-09-04 | 엘지전자 주식회사 | 딥러닝 기반의 세탁기의 진동 분석 방법과 그 장치 |
KR20190109121A (ko) * | 2018-03-16 | 2019-09-25 | 울산과학기술원 | 시계열 데이터의 분석 및 예측을 위한 통합적인 딥러닝 시스템 |
KR20190114221A (ko) * | 2018-03-29 | 2019-10-10 | 삼성전자주식회사 | 심층학습을 기반으로 한 설비 진단 시스템 및 방법 |
KR20200052453A (ko) * | 2018-10-31 | 2020-05-15 | 삼성에스디에스 주식회사 | 딥러닝 모델 학습 장치 및 방법 |
KR20200142993A (ko) * | 2019-06-14 | 2020-12-23 | 현대자동차주식회사 | 엔진 상태 진단 방법 및 엔진 상태 진단 모델링 방법 |
-
2021
- 2021-04-08 KR KR1020210045959A patent/KR102480899B1/ko active IP Right Grant
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190014101A (ko) * | 2016-06-23 | 2019-02-11 | 쓰리엠 이노베이티브 프로퍼티즈 캄파니 | 모니터링, 경보 및 예측 안전 이벤트 회피를 통합한 분석 엔진을 갖는 개인 보호 장비 시스템 |
KR20180134740A (ko) * | 2017-06-09 | 2018-12-19 | 한국과학기술원 | 전자 장치 및 학습 모델 최적화 방법 |
KR101998559B1 (ko) * | 2017-12-07 | 2019-07-10 | 한국생산기술연구원 | 딥 러닝과 웨이블렛 변환을 이용한 회전체의 고장 진단 시스템 |
KR20190081371A (ko) * | 2017-12-29 | 2019-07-09 | (주)제이엘케이인스펙션 | 기판, 인공 신경망 구현 장치 및 방법 |
KR20190109121A (ko) * | 2018-03-16 | 2019-09-25 | 울산과학기술원 | 시계열 데이터의 분석 및 예측을 위한 통합적인 딥러닝 시스템 |
KR20190114221A (ko) * | 2018-03-29 | 2019-10-10 | 삼성전자주식회사 | 심층학습을 기반으로 한 설비 진단 시스템 및 방법 |
KR20200052453A (ko) * | 2018-10-31 | 2020-05-15 | 삼성에스디에스 주식회사 | 딥러닝 모델 학습 장치 및 방법 |
KR20200142993A (ko) * | 2019-06-14 | 2020-12-23 | 현대자동차주식회사 | 엔진 상태 진단 방법 및 엔진 상태 진단 모델링 방법 |
KR20190103083A (ko) * | 2019-08-15 | 2019-09-04 | 엘지전자 주식회사 | 딥러닝 기반의 세탁기의 진동 분석 방법과 그 장치 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024122695A1 (ko) * | 2022-12-09 | 2024-06-13 | 달리웍스 주식회사 | 2 단계 ai 분석을 통한 모터 이상 상태 탐지 시스템 및 방법 |
CN116626491A (zh) * | 2023-07-26 | 2023-08-22 | 江苏大学 | 一种五相永磁电机匝间短路故障诊断方法 |
CN116626491B (zh) * | 2023-07-26 | 2023-11-03 | 江苏大学 | 一种五相永磁电机匝间短路故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
KR102480899B1 (ko) | 2022-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ali et al. | Machine learning-based fault diagnosis for single-and multi-faults in induction motors using measured stator currents and vibration signals | |
KR102681637B1 (ko) | 문제소음 발음원 식별을 위한 소음데이터의 인공지능 장치 및 전처리 방법 | |
Ghate et al. | Cascade neural-network-based fault classifier for three-phase induction motor | |
Samanta et al. | Artificial neural networks and genetic algorithm for bearing fault detection | |
Su et al. | Induction machine condition monitoring using neural network modeling | |
Baccarini et al. | SVM practical industrial application for mechanical faults diagnostic | |
EP2342603B1 (en) | Method and apparatus for creating state estimation models in machine condition monitoring | |
KR102480899B1 (ko) | 다채널 신호를 이용한 모터 고장 진단 방법 및 장치 | |
CN115688018B (zh) | 一种多工况下轴承的状态监测与故障诊断方法 | |
Ondel et al. | Coupling pattern recognition with state estimation using Kalman filter for fault diagnosis | |
KR101539896B1 (ko) | 유도전동기 오류 진단 방법 | |
JP7470849B2 (ja) | 異常検出装置、異常検出方法、及びプログラム | |
CN107036808B (zh) | 基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法 | |
Wagner et al. | Bearing fault detection using deep neural network and weighted ensemble learning for multiple motor phase current sources | |
Ali et al. | Threshold-based induction motors single-and multifaults diagnosis using discrete wavelet transform and measured stator current signal | |
Karnavas et al. | Fault diagnosis of squirrel-cage induction motor broken bars based on a model identification method with subtractive clustering | |
Altaf et al. | Fault diagnosis in a distributed motor network using Artificial Neural Network | |
Souad et al. | Fault diagnosis of rolling element bearings using artificial neural network | |
CN108106873A (zh) | 伺服系统可靠性试验评价的方法和系统 | |
JP2020144111A (ja) | 異常検出装置、回転機械、異常検出方法、及びプログラム | |
Patel et al. | Induction motor bearing fault classification using PCA and ANN | |
Abdisa et al. | A neural network based motor bearing fault diagnosis algorithm and its implementation on programmable logic controller | |
Mohamad et al. | An overview of PST for vibration based fault diagnostics in rotating machinery | |
Yang et al. | Basis pursuit‐based intelligent diagnosis of bearing faults | |
Babu et al. | Review on various signal processing techniques for predictive maintenance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |