KR20220141019A - Method and apparatus for diagnosis of motor using current signals - Google Patents

Method and apparatus for diagnosis of motor using current signals Download PDF

Info

Publication number
KR20220141019A
KR20220141019A KR1020210047020A KR20210047020A KR20220141019A KR 20220141019 A KR20220141019 A KR 20220141019A KR 1020210047020 A KR1020210047020 A KR 1020210047020A KR 20210047020 A KR20210047020 A KR 20210047020A KR 20220141019 A KR20220141019 A KR 20220141019A
Authority
KR
South Korea
Prior art keywords
failure
severity
module
motor
failure diagnosis
Prior art date
Application number
KR1020210047020A
Other languages
Korean (ko)
Other versions
KR102538542B1 (en
Inventor
윤병동
박찬희
김현재
이준민
윤명백
안길준
Original Assignee
서울대학교산학협력단
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 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020210047020A priority Critical patent/KR102538542B1/en
Publication of KR20220141019A publication Critical patent/KR20220141019A/en
Application granted granted Critical
Publication of KR102538542B1 publication Critical patent/KR102538542B1/en

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34Testing dynamo-electric machines
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2832Specific tests of electronic circuits not provided for elsewhere
    • G01R31/2836Fault-finding or characterising
    • G01R31/2846Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms
    • G01R31/2848Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms using simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

A method for diagnosing a motor failure according to the present invention comprises the steps of: learning a neural network model using learning data obtained from a phase current signal of a motor, wherein the neural network model includes a failure diagnosis module for identifying a failure mode of the motor and each failure mode and a severity estimation module for estimating a failure severity level of the failure mode, and feature data extracted from the failure diagnosis module is input to the severity estimation module; and determining a failure mode and failure severity level of the motor using the learned neural network model.

Description

상전류 신호를 이용한 모터 고장 진단 방법 및 장치{Method and apparatus for diagnosis of motor using current signals}Method and apparatus for diagnosis of motor failure using phase current signals

본 발명은 모터 고장 진단 방법 및 장치에 관한 것으로, 보다 상세하게는 상전류 신호를 이용하여 모터의 고장 모드를 식별하고 고장 심각도를 추정할 수 있는 모터 고장 진단 방법 및 장치에 관한 것이다.The present invention relates to a method and apparatus for diagnosing a motor failure, and more particularly, to a method and apparatus for diagnosing a motor failure capable of identifying a failure mode of a motor and estimating a failure severity using a phase current signal.

모터는 저렴한 비용과 높은 신뢰성으로 인해 회전력이 필요한 다양한 응용 분야에서 널리 사용된다. 모터는 사용중 손상 및 환경 조건과 같은 예상치 못한 스트레스에 노출되기 때문에 기계적 및 전기적 고장을 겪게 된다. 모터의 성능 저하는 제품의 품질 저하로 이어지므로, 모터의 상태를 진단하고 고장 심각도를 평가하는 것이 중요하다.Motors are widely used in various applications where torque is required due to their low cost and high reliability. Motors are subject to mechanical and electrical failures because they are exposed to unexpected stresses such as damage and environmental conditions during use. Since the deterioration of motor performance leads to deterioration of product quality, it is important to diagnose the condition of the motor and evaluate the severity of the failure.

딥러닝을 활용하여 기계의 고장을 진단하는 기존의 기법들은 주로 진동 신호를 이용하고 있다. 모터의 경우 진동 신호 측정을 위해서는 추가 센서의 설치가 요구되어, 진동 신호 대비 측정이 용이한 상전류 신호를 활용한 고장 진단 기법이 연구되고 있으나, 딥러닝을 활용하는 기법은 초기 단계로 고장 진단에만 집중되어 있다.Existing techniques for diagnosing machine failures using deep learning mainly use vibration signals. In the case of motors, an additional sensor is required to measure vibration signals, so a fault diagnosis technique using a phase current signal that is easy to measure versus a vibration signal is being studied. has been

상전류 신호를 이용한 기존의 모터 고장 진단 기술은 신호의 주파수를 분석하거나 다량의 데이터에 기초한 신호처리 혹은 퍼지 방식 등으로 모터의 고장을 진단한다. 그리고 기존에 모터의 고장 심각도를 추정하는 기술은 대부분 고장 수준에 따른 건전성 인자의 변동 추이를 관측하는 데 그치고 있다. 그러나 고장 특성 주파수를 알기 위해서는 모터 관련 사전 지식(예컨대 폴(pole) 수, 베어링 정보 등)이 필요하고, 신호처리 기반의 방식 역시 경험에 기반하여 파라미터를 선정해야 하기 때문에 상당한 전문가적 지식이 요구된다. 또한 종래의 건전성 인자들은 고장 종류가 다름에도 불구하고 건전성 인자가 겹치는 경우가 많아 실제 적용에 어려움이 있다. Existing motor fault diagnosis technology using a phase current signal analyzes a signal frequency or diagnoses a motor fault by processing a signal based on a large amount of data or a fuzzy method. In addition, most of the existing techniques for estimating the severity of motor failures are limited to observing changes in the health factor according to the level of failure. However, in order to know the failure characteristic frequency, prior knowledge about the motor (eg, number of poles, bearing information, etc.) is required, and the signal processing-based method also requires considerable expert knowledge because parameters must be selected based on experience. . In addition, there are many cases where the health factors of the related art overlap with each other despite the different types of failures, so it is difficult to apply them in practice.

본 발명이 이루고자 하는 기술적 과제는, 상전류 신호를 이용하여 딥러닝 모델을 통해 모터의 고장 모드를 식별하고 고장 심각도를 추정할 수 있는 모터 고장 진단 방법 및 장치를 제공하는 데 있다.An object of the present invention is to provide a motor failure diagnosis method and apparatus capable of identifying a failure mode of a motor and estimating a failure severity through a deep learning model using a phase current signal.

상기 기술적 과제를 해결하기 위한 본 발명에 따른 모터 고장 진단 방법은, 모터의 상전류 신호로부터 얻어지는 학습 데이터를 이용하여 신경망 모델을 학습시키는 단계-여기서, 상기 신경망 모델은, 모터의 고장 모드를 식별하는 고장 진단 모듈 및 각 고장 모드에 대한 고장 심각도를 추정하는 심각도 추정 모듈을 포함하고, 상기 고장 진단 모듈에서 추출된 특징 데이터가 상기 심각도 추정 모듈에 입력됨-; 및 상기 학습된 신경망 모델을 이용하여 모터의 고장 모드 및 고장 심각도를 판단하는 단계를 포함하는 것을 특징으로 한다.Motor failure diagnosis method according to the present invention for solving the above technical problem, the step of learning a neural network model using learning data obtained from a phase current signal of a motor - Here, the neural network model is a failure to identify a failure mode of the motor a diagnosis module and a severity estimation module for estimating a failure severity for each failure mode, wherein feature data extracted from the failure diagnosis module is input to the severity estimation module; and determining a failure mode and failure severity of the motor using the learned neural network model.

상기 심각도 추정 모듈은 각 고장 모드마다 대응되도록 구비되고, 상기 특징 데이터가 상기 고장 진단 모듈을 통해 식별된 고장 모드에 대응하는 심각도 추정 모듈에 입력될 수 있다.The severity estimation module may be provided to correspond to each failure mode, and the characteristic data may be input to the severity estimation module corresponding to the failure mode identified through the failure diagnosis module.

상기 고장 진단 모듈은, 순차적으로 연결된 복수 개의 컨볼루션 블록들을 포함하고, 마지막 컨볼루션 블록에서 출력되는 상기 특징 데이터가 상기 고장 심각도 모듈에 입력될 수 있다. 상기 복수 개의 컨볼루션 블록들 각각은, 컨볼루션 계층 및 풀링 계층을 포함할 수 있다. 상기 고장 진단 모듈은, 상기 마지막 컨볼루션 블록에 연결되어 고장 모드를 출력하는 완전 연결 계층을 더 포함할 수 있다.The failure diagnosis module may include a plurality of sequentially connected convolution blocks, and the characteristic data output from the last convolution block may be input to the failure severity module. Each of the plurality of convolution blocks may include a convolution layer and a pooling layer. The failure diagnosis module may further include a fully connected layer that is connected to the last convolution block and outputs a failure mode.

상기 심각도 추정 모듈은, 순차적으로 연결된 복수 개의 컨볼루션 블록들 및 마지막 컨볼루션 블록에 연결되어 고장 심각도를 출력하는 완전 연결 계층을 포함할 수 있다. 상기 복수 개의 컨볼루션 블록들 각각은, 컨볼루션 계층 및 풀링 계층을 포함할 수 있다.The severity estimation module may include a plurality of sequentially connected convolution blocks and a fully connected layer connected to the last convolution block to output a failure severity. Each of the plurality of convolution blocks may include a convolution layer and a pooling layer.

상기 모터 고장 진단 방법은, 상기 상전류 신호를 전처리하여 상기 학습 데이터를 생성하는 단계를 더 포함할 수 있다.The motor failure diagnosis method may further include generating the learning data by pre-processing the phase current signal.

상기 학습시키는 단계는, 상기 입력 데이터를 이용하여 상기 고장 진단 모듈을 학습시킨 다음 상기 특징 데이터를 이용하여 상기 심각도 추정 모듈을 학습시키되, 상기 학습된 고장 진단 모듈에서 추출된 특징 데이터를 해당 고장 모드에 대응하는 심각도 추정 모듈에 입력하여 상기 심각도 추정 모듈을 학습시킬 수 있다.The learning includes learning the failure diagnosis module using the input data and then learning the severity estimation module using the characteristic data, and applying the characteristic data extracted from the learned failure diagnosis module to the failure mode. By inputting the corresponding severity estimation module, the severity estimation module may be trained.

상기 학습시키는 단계는, 상기 고장 진단 모듈과 상기 심각도 추정 모듈을 동시에 학습시키되, 학습 과정 중에 상기 고장 진단 모듈에서 추출되는 특징 데이터를 해당 고장 모드에 대응하는 심각도 추정 모듈에 입력하여 상기 심각도 추정 모듈을 학습시킬 수 있다.In the learning step, the failure diagnosis module and the severity estimation module are simultaneously learned, and the characteristic data extracted from the failure diagnosis module during the learning process is input to the severity estimation module corresponding to the failure mode, and the severity estimation module is executed. can learn

상기 기술적 과제를 해결하기 위한 본 발명에 따른 모터 고장 진단 장치는, 모터의 상전류 신호로부터 얻어지는 학습 데이터를 이용하여 신경망 모델을 학습시키는 학습부-여기서, 상기 신경망 모델은, 모터의 고장 모드를 식별하는 고장 진단 모듈 및 각 고장 모드에 대한 고장 심각도를 추정하는 심각도 추정 모듈을 포함하고, 상기 고장 진단 모듈에서 추출된 특징 데이터가 상기 심각도 추정 모듈에 입력됨-; 및 상기 학습된 신경망 모델을 이용하여 모터의 고장 모드 및 고장 심각도를 판단하는 판단부를 포함하는 것을 특징으로 한다.Motor failure diagnosis apparatus according to the present invention for solving the above technical problem, a learning unit for learning a neural network model using learning data obtained from a phase current signal of a motor - Here, the neural network model is to identify a failure mode of the motor a failure diagnosis module and a severity estimation module for estimating failure severity for each failure mode, wherein feature data extracted from the failure diagnosis module is input to the severity estimation module; and a determination unit for determining a failure mode and a failure severity of the motor using the learned neural network model.

상기 모터 고장 진단 장치는, 상기 상전류 신호를 전처리하여 상기 학습 데이터를 생성하는 전처리부를 더 포함할 수 있다.The motor failure diagnosis apparatus may further include a preprocessor configured to preprocess the phase current signal to generate the learning data.

상기 학습부는, 상기 학습 데이터를 이용하여 상기 고장 진단 모듈을 학습시킨 다음 상기 특징 데이터를 이용하여 상기 심각도 추정 모듈을 학습시키되, 상기 학습된 고장 진단 모듈에서 추출된 특징 데이터를 해당 고장 모드에 대응하는 심각도 추정 모듈에 입력하여 상기 심각도 추정 모듈을 학습시킬 수 있다.The learning unit learns the failure diagnosis module by using the learning data and then learns the severity estimation module using the characteristic data, and uses the characteristic data extracted from the learned failure diagnosis module to correspond to the failure mode. By inputting into the severity estimation module, the severity estimation module may be trained.

상기 학습시키는 단계는, 상기 고장 진단 모듈과 상기 심각도 추정 모듈을 동시에 학습시키되, 학습 과정 중에 상기 고장 진단 모듈에서 추출되는 특징 데이터를 해당 고장 모드에 대응하는 심각도 추정 모듈에 입력하여 상기 심각도 추정 모듈을 학습시킬 수 있다.In the learning step, the failure diagnosis module and the severity estimation module are simultaneously learned, and the characteristic data extracted from the failure diagnosis module during the learning process is input to the severity estimation module corresponding to the failure mode, and the severity estimation module is executed. can learn

상기된 본 발명에 의하면, 추가적인 센서의 설치가 필요 없고 취득이 용이한 상전류 신호를 이용하여 딥러닝 모델을 통해 모터의 고장을 진단하고 고장 심각도를 추정할 수 있다.According to the present invention described above, it is possible to diagnose a motor failure and estimate the failure severity through a deep learning model using a phase current signal that does not require installation of an additional sensor and is easily acquired.

또한, 모터 관련 특성 정보나 복잡한 신호처리 기술 등 전문가적 지식 없이 딥러닝 모델을 통해 모터의 고장 진단 및 심각도 추정을 할 수 있다.In addition, motor failure diagnosis and severity estimation can be performed through a deep learning model without professional knowledge such as motor-related characteristic information or complex signal processing technology.

또한, 고장 모드를 식별하는 상위 모듈에서 추출되는 특징 데이터가 고장 심각도를 추정하는 하위 모듈을 학습시키는데 활용되어 상위 모듈에서 추출된 고장 관련 특징들이 효율적으로 재사용되며, 이를 통해 하위 모듈은 상위 모듈에서 학습된 정보를 바탕으로 해당 고장 모드에 따른 특징만 집중적으로 학습할 수 있어 심각도 추정 성능을 개선할 수 있다.In addition, the feature data extracted from the upper module that identifies the failure mode is utilized to learn the lower module for estimating the failure severity, so that the failure-related features extracted from the upper module are efficiently reused, through which the lower module learns from the upper module Based on the obtained information, only the characteristics according to the corresponding failure mode can be intensively learned, so that the severity estimation performance can be improved.

도 1은 본 발명의 일 실시예에 따른 모터 고장 진단 장치의 블록도를 나타낸다.
도 2는 본 발명의 일 실시예에 따른 모터 고장 진단 및 고장 심각도 추정을 위한 신경망 모델의 개략적인 구조를 나타낸다.
도 3은 본 발명의 일 실시예에 따른 모터 고장 진단 및 고장 심각도 추정을 위한 신경망 모델의 구체적인 구조를 나타낸다.
도 4는 고장 진단 모듈의 첫 번째 내지 세 번째 컨볼루션 블록에서 각각 추출되는 특징 데이터를 t-SNE로 시각화한 특징 공간의 일 예를 나타낸다.
도 5는 본 발명의 일 실시예에 따른 신경망 모델 학습 과정의 흐름도를 나타낸다.
도 6은 본 발명의 다른 실시예에 따른 신경망 모델 학습 과정의 흐름도를 나타낸다.
도 7은 본 발명의 일 실시예에 따른 모터 고장 진단 또는 신경망 모델 테스트 과정의 흐름도를 나타낸다.
도 8은 본 발명의 실시예와 기존 기법의 고장 진단 및 심각도 추정 결과의 고장 진단 정확도 및 심각도 추정 오차를 나타낸다.
도 9는 본 발명의 실시예와 기존 기법의 심각도 추정 오차를 막대 그래프로 표현한 것을 나타낸다.
도 10은 본 발명의 실시예와 기존 기법의 심각도 추정 성능을 비교하여 표현한 것을 나타낸다.
1 is a block diagram of an apparatus for diagnosing a motor failure according to an embodiment of the present invention.
2 shows a schematic structure of a neural network model for diagnosing a motor failure and estimating the severity of a failure according to an embodiment of the present invention.
3 shows a detailed structure of a neural network model for diagnosing a motor failure and estimating the severity of a failure according to an embodiment of the present invention.
4 shows an example of a feature space in which feature data extracted from the first to third convolution blocks of the fault diagnosis module are visualized using t-SNE.
5 is a flowchart of a neural network model training process according to an embodiment of the present invention.
6 is a flowchart of a neural network model training process according to another embodiment of the present invention.
7 is a flowchart illustrating a motor failure diagnosis or neural network model testing process according to an embodiment of the present invention.
FIG. 8 shows the error diagnosis accuracy and severity estimation error of the failure diagnosis and severity estimation results of the embodiment of the present invention and the conventional technique.
9 is a bar graph showing the severity estimation error of the embodiment of the present invention and the conventional technique.
10 shows a comparison of the severity estimation performance of an embodiment of the present invention and an existing technique.

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.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the drawings. In the following description and the accompanying drawings, substantially the same components are denoted by the same reference numerals, so that redundant descriptions will be omitted. In addition, in the description of the present invention, if it is determined that a detailed description of a related known function or configuration may unnecessarily obscure the gist of the present invention, a detailed description thereof will be omitted.

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), 판단부(140)를 포함할 수 있다. 1 is a block diagram of an apparatus for diagnosing a motor failure according to an embodiment of the present invention. The motor failure diagnosis apparatus according to the present embodiment may include a preprocessor 110 , a learning unit 120 , a neural network model 130 , and a determination unit 140 .

전처리부(110)는 모터의 상전류 신호를 전처리(preprocessing)하여 학습 데이터 또는 입력 데이터를 생성한다.The preprocessor 110 preprocesses the phase current signal of the motor to generate learning data or input data.

상전류 신호는 모터의 전원 공급부에 교류형 전류 센서를 설치하여 측정하거나, 모터를 구동하는 제어장치 내부의 전류제어기 출력단으로부터 측정될 수 있다. 전처리는 리샘플링(resampling), 증대(augmentation), 정규화(normalization), 스케일링(scaling) 등을 포함할 수 있다. 리샘플링은 취득된 상전류 신호의 샘플링 레이트가 다를 경우 훈련 정확도가 떨어질 수 있으므로 샘플링 레이트를 균일하게 맞추는 과정이다. 증대는 딥러닝 모델 학습에서 학습 데이터가 많을수록 정확도가 향상되므로 데이터의 양을 증대시키는 과정이다. 정규화는 데이터를 균일화하는 과정이며, 스케일링은 용량이 다른 모터나 구동 환경이 다른 모터로의 확장 적용 가능성을 확보하기 위한 과정이다.The phase current signal may be measured by installing an AC current sensor in the power supply of the motor, or may be measured from an output terminal of a current controller inside a control device that drives the motor. Pre-processing may include resampling, augmentation, normalization, scaling, and the like. Resampling is a process of uniformly matching the sampling rate because the training accuracy may drop when the sampling rates of the acquired phase current signals are different. Augmentation is a process of increasing the amount of data in deep learning model training because the more training data, the better the accuracy. Normalization is a process of equalizing data, and scaling is a process to secure the possibility of extending application to motors with different capacities or different driving environments.

학습부(120)는 상전류 신호가 전처리된 데이터인 학습 데이터를 이용하여, 고장 모드 및 해당 고장 모드에 대한 고장 심각도를 출력하는 신경망 모델(130)을 학습시킨다.The learning unit 120 trains the neural network model 130 that outputs the failure mode and the failure severity for the failure mode by using the learning data, which is data obtained by preprocessing the phase current signal.

도 2는 본 발명의 일 실시예에 따른 모터 고장 진단 및 고장 심각도 추정을 위한 신경망 모델(130)의 개략적인 구조를 나타낸다.2 shows a schematic structure of a neural network model 130 for diagnosing a motor failure and estimating the severity of a failure according to an embodiment of the present invention.

신경망 모델(130)은, 상위 모듈로서 모터의 고장 모드를 식별하는 고장 진단 모듈(200)과, 하위 모듈로서 각 고장 모드에 대한 고장 심각도를 추정하는 심각도 추정 모듈(300, 400, 500)을 포함할 수 있다. The neural network model 130 includes a failure diagnosis module 200 for identifying a failure mode of the motor as an upper module, and a severity estimation module 300, 400, and 500 for estimating the failure severity for each failure mode as a lower module. can do.

고장 모드는 정상(Normal) 및 복수 개의 고장 유형(Fault 1, 2, 3)을 포함할 수 있다. 본 실시예에서 3개의 고장 유형을 예로 들었으나, 고장 유형은 하나 이상의 임의의 수일 수 있다. 일 예로, 모터의 고장 유형은 편심(eccentricity), 회전자봉 손상, 불균형(unbalance) 등을 포함할 수 있다. The failure mode may include Normal and a plurality of failure types (Fault 1, 2, 3). Although three failure types are exemplified in this embodiment, the failure types may be any number of one or more. For example, the failure type of the motor may include eccentricity, damage to the rotor rod, imbalance, and the like.

심각도 추정 모듈(300, 400, 500)은 각 고장 모드(고장 유형)마다 대응되도록 구비될 수 있다. 예컨대 고장 유형(Fault 1, 2, 3)에 각각 대응되도록 제1 내지 제3 심각도 추정 모듈(300, 400, 500)이 구비될 수 있다. 제1 심각도 추정 모듈(300)은 Fault 1에 대한 고장 심각도를 출력하고, 제2 심각도 추정 모듈(400)은 Fault 2에 대한 고장 심각도를 출력하고, 제3 심각도 추정 모듈(500)은 Fault 3에 대한 고장 심각도를 출력할 수 있다. 본 실시예에서 3개의 고장 유형에 대응하는 3개의 심각도 추정 모듈(300, 400, 500)을 예로 들었으나, 심각도 추정 모듈 역시 고장 유형의 수에 따라 하나 이상의 임의의 수일 수 있다. The severity estimation modules 300 , 400 , and 500 may be provided to correspond to each failure mode (failure type). For example, the first to third severity estimation modules 300 , 400 , and 500 may be provided to respectively correspond to the failure types ( Fault 1 , 2 , and 3 ). The first severity estimation module 300 outputs the fault severity for Fault 1, the second severity estimation module 400 outputs the fault severity for Fault 2, and the third severity estimation module 500 outputs the fault severity for Fault 3. It is possible to output the failure severity for In this embodiment, three severity estimation modules 300 , 400 , and 500 corresponding to three failure types are exemplified, but the severity estimation module may also be any number of one or more according to the number of failure types.

고장 진단 모듈(200)에서 추출되는 특징 데이터는 고장 진단 모듈(200)을 통해 식별된 고장 모드에 대응하는 심각도 추정 모듈에 입력될 수 있다. 즉, 고장 진단 모듈(200)을 통해 Fault 1이 식별되면 특징 데이터는 제1 심각도 추정 모듈(300)로 입력되고, 고장 진단 모듈(200)을 통해 Fault 2가 식별되면 특징 데이터는 제2 심각도 추정 모듈(400)로 입력되고, 고장 진단 모듈(200)을 통해 Fault 3이 식별되면 특징 데이터는 제3 심각도 추정 모듈(500)로 입력될 수 있다. 그에 따라 제1 내지 제3 심각도 추정 모듈(300, 400, 500)은 각각 고장 유형(Fault 1, 2, 3)에 대한 고장 심각도를 추정할 수 있다. The feature data extracted from the failure diagnosis module 200 may be input to the severity estimation module corresponding to the failure mode identified through the failure diagnosis module 200 . That is, when Fault 1 is identified through the fault diagnosis module 200 , the characteristic data is input to the first severity estimation module 300 , and when Fault 2 is identified through the fault diagnosis module 200 , the characteristic data is estimated as the second severity It is input to the module 400 , and when Fault 3 is identified through the fault diagnosis module 200 , the characteristic data may be input to the third severity estimation module 500 . Accordingly, the first to third severity estimating modules 300 , 400 , and 500 may estimate the failure severity for each of the failure types Fault 1 , 2 , and 3 .

학습 데이터는 고장 진단 모듈(200)을 거치면서 고장 특징을 나타내는 건전성 인자로 학습될 수 있다. 심각도 추정 모듈(300, 400, 500)은, 고장 진단 모듈(200)에서 사용한 입력 데이터가 아닌, 고장 진단 모듈(200)에서 추출되는 특징 데이터(즉, 잠재 특징)를 입력으로 사용하여 특정 고장 유형의 심각도만을 집중적으로 학습할 수 있다. 고장 심각도는 이산(discrete) 값이 아닌 연속(continuous) 값으로 설정되어 심각도 추정 모듈(300, 400, 500)이 차후 고장 예측 회귀모델로 활용 가능하도록 설계될 수 있다.The learning data may be learned as a health factor indicating a failure characteristic while passing through the failure diagnosis module 200 . The severity estimation module 300 , 400 , 500 uses, as an input, not the input data used in the failure diagnosis module 200 , but the characteristic data (ie, latent characteristic) extracted from the failure diagnosis module 200 as an input to a specific type of failure You can focus on learning only the severity of The failure severity is set as a continuous value rather than a discrete value, so that the severity estimation modules 300 , 400 , and 500 may be designed to be utilized as a failure prediction regression model in the future.

고장 진단 모듈(200)의 태스크는 수식

Figure pat00001
로 표현될 수 있다. 여기서
Figure pat00002
는 고장 모드를, x는 입력 데이터(학습 데이터)를, WFD는 고장 진단 모듈(200)의 웨이트(파라미터) 매트릭스를 나타낸다. 즉, 고장 진단 모듈(200)은 입력 데이터 x가 고장 진단 모듈(200)을 통과하여 진단된 고장 모드(
Figure pat00003
)가 실제 고장 모드(
Figure pat00004
)와 유사하도록 손실함수를 최소화하는 방향으로 학습될 수 있다. 고장 진단 모듈(200)의 손실함수
Figure pat00005
는 크로스-엔트로피(cross-entropy)를 이용하여 계산될 수 있고, 예를 들어 다음과 같이 표현될 수 있다.The task of the fault diagnosis module 200 is
Figure pat00001
can be expressed as here
Figure pat00002
is a failure mode, x is input data (learning data), and W FD is a weight (parameter) matrix of the failure diagnosis module 200 . That is, the failure diagnosis module 200 is a failure mode (
Figure pat00003
) is the actual failure mode (
Figure pat00004
) can be learned in the direction of minimizing the loss function. Loss function of the fault diagnosis module 200
Figure pat00005
may be calculated using cross-entropy, and may be expressed, for example, as follows.

Figure pat00006
Figure pat00006

여기서, β1은 L2 정규화 계수를 나타낸다.Here, β 1 represents the L2 normalization coefficient.

심각도 추정 모듈(300, 400, 500)은 각 고장 모드마다 구비되어, 상위 모듈인 고장 진단 모듈(200)의 고장 모드 식별 결과에 따라 특정 심각도 추정 모듈이 학습될 수 있다. 심각도 추정 모듈의 태스크는

Figure pat00007
로 표현될 수 있다. 여기서
Figure pat00008
는 고장 진단 모듈(200)에서 추출된 특징 데이터를, WSE는 심각도 추정 모듈의 웨이트(파라미터) 매트릭스를, S는 고장 심각도를 나타낸다. 고장 진단 모듈(200)의 손실함수가 충분히 감소한 경우, 특징 데이터
Figure pat00009
는 특정 고장에 대한 충분한 정보를 담고 있기 때문에 심각도 추정 모듈(WSE)의 학습 시 특정 고장의 심각도에 집중된 학습이 가능하다. 심각도 추정 모듈은 특징 데이터
Figure pat00010
가 해당 심각도 추정 모듈(WSE)을 통과하여 추정된 특정 고장의 심각도(
Figure pat00011
)가 실제 고장 심각도(
Figure pat00012
)와 유사하도록 손실함수를 최소화하는 방향으로 학습될 수 있다. 심각도 추정 모듈의 손실함수
Figure pat00013
는 제곱평균오차(MSE)를 이용하여 계산될 수 있고, 예를 들어 다음과 같이 표현될 수 있다.The severity estimating modules 300 , 400 , and 500 are provided for each failure mode, so that a specific severity estimating module can be learned according to the failure mode identification result of the failure diagnosis module 200 , which is an upper module. The task of the severity estimation module is
Figure pat00007
can be expressed as here
Figure pat00008
is the feature data extracted from the fault diagnosis module 200, W SE is the weight (parameter) matrix of the severity estimation module, and S is the fault severity. When the loss function of the fault diagnosis module 200 is sufficiently reduced, characteristic data
Figure pat00009
Since W SE contains sufficient information about a specific fault, it is possible to focus on the severity of a specific fault when learning the severity estimation module (W SE ). The severity estimation module uses the feature data
Figure pat00010
is passed through the corresponding severity estimation module (W SE ) and estimated the severity (
Figure pat00011
) is the actual failure severity (
Figure pat00012
) can be learned in the direction of minimizing the loss function. Severity Estimation Module's Loss Function
Figure pat00013
may be calculated using the mean square error (MSE), and may be expressed, for example, as follows.

Figure pat00014
Figure pat00014

여기서 β2은 L2 정규화 계수를 나타내고, f2는 특징 데이터

Figure pat00015
및 심각도 추정 모듈의 WSE로부터 계산된 심각도를 나타낸다. where β 2 represents the L2 regularization coefficient, and f 2 is the feature data
Figure pat00015
and the severity calculated from W SE of the severity estimation module.

도 3은 본 발명의 일 실시예에 따른 모터 고장 진단 및 고장 심각도 추정을 위한 신경망 모델의 구체적인 구조를 나타낸다.3 shows a detailed structure of a neural network model for diagnosing a motor failure and estimating the severity of a failure according to an embodiment of the present invention.

고장 진단 모듈(200)은, 순차적으로 연결된 복수 개의 컨볼루션 블록들(210, 220, 230)과, 마지막 컨볼루션 블록(230)에 연결되어 고장 모드를 출력하는 완전 연결 계층(fully connected layer)(240)을 포함할 수 있다. 본 실시예에서 컨볼루션 블록의 수는 3개인 것을 예로 들었으나, 컨볼루션 블록은 하나 이상의 임의의 수일 수 있다. 각 컨볼루션 블록(210, 220, 230)은 컨볼루션 레이어(211, 221, 231) 및 풀링 레이어(pooling layer)(212, 222, 232)를 포함할 수 있다.The failure diagnosis module 200 includes a plurality of sequentially connected convolution blocks 210 , 220 , 230 and a fully connected layer connected to the last convolution block 230 and outputting a failure mode ( 240) may be included. In this embodiment, the number of convolution blocks is three as an example, but the number of convolution blocks may be one or more arbitrary numbers. Each of the convolution blocks 210 , 220 , and 230 may include convolutional layers 211 , 221 , 231 and pooling layers 212 , 222 , and 232 .

도 4는 고장 진단 모듈(200)의 첫 번째 내지 세 번째 컨볼루션 블록(210, 220, 230)에서 각각 추출되는 특징 데이터를 t-SNE로 시각화한 특징 공간의 일 예를 나타낸다.4 shows an example of a feature space in which feature data extracted from the first to third convolution blocks 210 , 220 , and 230 of the fault diagnosis module 200 are visualized using t-SNE.

도 4를 참조하면, 첫 번째 및 두 번째 컨볼루션 블록(210, 220)에 비해 세 번째 컨볼루션 블록(230)의 특징 공간이 고장 모드에 대해 보다 응축된 클러스터를 형성함을 알 수 있다. 이처럼 컨볼루션 블록을 통과할수록 고장 특성 학습도가 올라가는 것을 기반으로, 고장 진단 모듈(200)의 마지막 컨볼루션 블록(230)에서 출력되는 특징 데이터를 심각도 추정 모듈(300, 400, 500)의 입력 데이터로 사용할 수 있다. 그러나 실시예에 따라서는, 고장 진단 모듈(200)의 임의의 컨볼루션 블록에서 출력되는 특징 데이터가 입력 데이터로 사용될 수도 있다.Referring to FIG. 4 , it can be seen that the feature space of the third convolution block 230 forms a more condensed cluster with respect to the failure mode compared to the first and second convolution blocks 210 and 220 . Based on the fact that the degree of failure characteristic learning increases as it passes through the convolution block as described above, the characteristic data output from the last convolution block 230 of the failure diagnosis module 200 is used as input data of the severity estimation module 300 , 400 , and 500 . can be used as However, according to an embodiment, feature data output from an arbitrary convolution block of the fault diagnosis module 200 may be used as input data.

다시 도 3을 참조하면, 각 심각도 추정 모듈(300, 400, 500)은, 순차적으로 연결된 복수 개의 컨볼루션 블록들[(310, 320), (410, 420), (510, 520)]과, 마지막 컨볼루션 블록(320, 420, 520)에 연결되어 고장 심각도를 출력하는 완전 연결 계층(330, 430, 530)을 포함할 수 있다. 본 실시예에서 컨볼루션 블록의 수는 2개인 것을 예로 들었으나, 컨볼루션 블록은 하나 이상의 임의의 수일 수 있다. 각 컨볼루션 블록[(310, 320), (410, 420), (510, 520)]은 컨볼루션 레이어[(311, 321), (411, 421), (511, 521)] 및 풀링 레이어(pooling layer)[(312, 322), (412, 422), (512, 522)]를 포함할 수 있다. Referring back to FIG. 3, each severity estimation module 300, 400, 500 includes a plurality of sequentially connected convolution blocks [(310, 320), (410, 420), (510, 520)] and, It may include fully connected layers 330 , 430 , 530 that are connected to the last convolution blocks 320 , 420 , and 520 and output the failure severity. In this embodiment, the number of convolution blocks is two as an example, but the number of convolution blocks may be one or more arbitrary numbers. Each convolutional block [(310, 320), (410, 420), (510, 520)] consists of a convolutional layer [(311, 321), (411, 421), (511, 521)] and a pooling layer ( pooling layer) [(312, 322), (412, 422), (512, 522)].

다시 도 1을 참조하면, 판단부(140)는, 신경망 모델(130)을 테스트하거나 모터를 진단하고자 할 때, 상전류 신호가 전처리된 입력 데이터를 학습된 신경망 모델(130)에 입력하여 모터의 고장 모드 및 고장 심각도를 판단할 수 있다. 가령, 입력 데이터가 고장 진단 모듈(200)을 통해 Fault 1으로 분류되면, 고장 진단 모듈(200)로부터 추출되는 특징 데이터는 Fault 1에 대응하는 제1 심각도 추정 모듈(300)에 입력되어, 제1 심각도 추정 모듈(300)을 통해 Fault 1의 심각도가 추정될 수 있다.Referring back to FIG. 1 , the determination unit 140 inputs the pre-processed input data of the phase current signal to the learned neural network model 130 when testing the neural network model 130 or diagnosing the motor to cause motor failure. Mode and fault severity can be determined. For example, when the input data is classified as Fault 1 through the fault diagnosis module 200, the feature data extracted from the fault diagnosis module 200 is input to the first severity estimation module 300 corresponding to Fault 1, and the first The severity of Fault 1 may be estimated through the severity estimation module 300 .

도 5는 본 발명의 일 실시예에 따른 신경망 모델(130) 학습 과정의 흐름도를 나타낸다. 본 실시예는 학습 데이터를 이용하여 고장 진단 모듈(200)을 학습시킨 다음 고장 진단 모듈(200)의 특징 데이터를 이용하여 심각도 추정 모듈(300, 400, 500)을 학습시키는 것으로, 학습된 고장 진단 모듈(200)에서 추출된 특징 데이터를 해당 고장 모드에 대응하는 심각도 추정 모듈에 입력하여 심각도 추정 모듈을 학습시킨다.5 is a flowchart of a learning process of the neural network model 130 according to an embodiment of the present invention. In this embodiment, the failure diagnosis module 200 is learned using the learning data and then the severity estimation modules 300, 400, and 500 are learned using the characteristic data of the failure diagnosis module 200, and the learned failure diagnosis is performed. By inputting the feature data extracted from the module 200 into the severity estimation module corresponding to the corresponding failure mode, the severity estimation module is trained.

고장 모드 및 고장 심각도가 레이블된 상전류 신호가 준비되면(510단계), 전처리부(110)는 상전류 신호를 전처리하여 학습 데이터를 생성한다(515단계).When the phase current signal labeled with the failure mode and the failure severity is prepared (step 510), the preprocessor 110 preprocesses the phase current signal to generate learning data (step 515).

학습부(120)는 학습 데이터를 고장 진단 모듈(200)에 입력하고(520단계), 고장 진단 모듈(200)의 손실함수(

Figure pat00016
)를 계산한다(525단계). 530단계에서 학습이 완료되지 않았으면, 학습부(120)는 고장 진단 모듈(200)의 그래디언트를 계산하고 파라미터(WFD)를 업데이트(535단계)한 다음, 520단계로 돌아가 학습을 반복한다. 이러한 학습 과정은 미니 배치 경사 하강법(mini-batch gradient descent method)으로 수행될 수 있다.The learning unit 120 inputs the learning data to the failure diagnosis module 200 (step 520), and the loss function (
Figure pat00016
) is calculated (step 525). If the learning is not completed in step 530, the learning unit 120 calculates the gradient of the fault diagnosis module 200, updates the parameter W FD (step 535), and then returns to step 520 to repeat the learning. This learning process may be performed by a mini-batch gradient descent method.

530단계에서 고장 진단 모듈(200)의 학습이 완료되면, 학습부(120)는 학습 데이터를 학습된 고장 진단 모듈(200)에 입력하고(540단계), 고장 진단 모듈(200)에서 특징 데이터를 추출한다(545단계). 학습부(120)는 특징 데이터를 고장 진단 모듈(200)을 통해 식별된 고장 모드에 대응하는 심각도 추정 모듈에 입력하고(550단계), 해당 심각도 추정 모듈의 손실함수(

Figure pat00017
)를 계산한다(555단계). 560단계에서 학습이 완료되지 않았으면, 학습부(120)는 해당 심각도 추정 모듈의 그래디언트를 계산하고 파라미터(WSE)를 업데이트(565단계)한 다음, 550단계로 돌아가 학습을 반복한다. 이러한 학습 과정 역시 미니 배치 경사 하강법(mini-batch gradient descent method)으로 수행될 수 있다. 530단계에서 심각도 추정 모듈의 학습이 완료되면 종료한다.When the learning of the failure diagnosis module 200 is completed in step 530, the learning unit 120 inputs the learning data to the learned failure diagnosis module 200 (step 540), and features data from the failure diagnosis module 200 Extract (step 545). The learning unit 120 inputs the characteristic data to the severity estimation module corresponding to the failure mode identified through the failure diagnosis module 200 (step 550), and a loss function (
Figure pat00017
) is calculated (step 555). If the learning is not completed in step 560, the learning unit 120 calculates the gradient of the corresponding severity estimation module, updates the parameter W SE (step 565), and then returns to step 550 to repeat the learning. This learning process may also be performed by a mini-batch gradient descent method. When the learning of the severity estimation module is completed in step 530, it ends.

도 6은 본 발명의 다른 실시예에 따른 신경망 모델(130) 학습 과정의 흐름도를 나타낸다. 본 실시예는 고장 진단 모듈(200)과 심각도 추정 모듈(300, 400, 500)을 동시에 학습시키는 것으로, 학습 과정 중에 고장 진단 모듈(200)에서 추출되는 특징 데이터를 해당 고장 모드에 대응하는 심각도 추정 모듈에 입력하여 심각도 추정 모듈을 학습시킨다.6 is a flowchart of a learning process of the neural network model 130 according to another embodiment of the present invention. In this embodiment, the failure diagnosis module 200 and the severity estimation module 300, 400, and 500 are simultaneously learned, and the characteristic data extracted from the failure diagnosis module 200 during the learning process is used to estimate the severity corresponding to the failure mode. Enter the module to train the severity estimation module.

고장 모드 및 고장 심각도가 레이블된 상전류 신호가 준비되면(610단계), 전처리부(110)는 상전류 신호를 전처리하여 학습 데이터를 생성한다(615단계).When the phase current signal labeled with the failure mode and the failure severity is prepared (step 610), the preprocessor 110 preprocesses the phase current signal to generate learning data (step 615).

학습부(120)는 학습 데이터를 고장 진단 모듈(200)에 입력하고(620단계), 고장 진단 모듈(200)의 손실함수(

Figure pat00018
)를 계산한다(625단계). 학습부(120)는 고장 진단 모듈(200)에서 특징 데이터를 추출하여(630단계), 특징 데이터를 고장 진단 모듈(200)을 통해 식별된 고장 모드에 대응하는 심각도 추정 모듈에 입력하고(635단계), 해당 심각도 추정 모듈의 손실함수(
Figure pat00019
)를 계산한다(640단계). 645단계에서 학습이 완료되지 않았으면, 학습부(120)는 고장 진단 모듈(200)과 심각도 추정 모듈의 그래디언트를 계산하고 파라미터(WFD, WSE)를 업데이트(650단계)한 다음, 620단계로 돌아가 학습을 반복한다. 이러한 학습 과정 역시 미니 배치 경사 하강법(mini-batch gradient descent method)으로 수행될 수 있다. 645단계에서 학습이 완료되면 종료한다. The learning unit 120 inputs the learning data to the failure diagnosis module 200 (step 620), and the loss function (
Figure pat00018
) is calculated (step 625). The learning unit 120 extracts the characteristic data from the failure diagnosis module 200 (step 630), and inputs the characteristic data to the severity estimation module corresponding to the failure mode identified through the failure diagnosis module 200 (step 635) ), the loss function of the corresponding severity estimation module (
Figure pat00019
) is calculated (step 640). If the learning is not completed in step 645, the learning unit 120 calculates the gradients of the fault diagnosis module 200 and the severity estimation module, and updates the parameters (W FD , W SE ) (step 650), and then, in step 620 Return to repeat the learning. This learning process may also be performed by a mini-batch gradient descent method. When the learning is completed in step 645, it ends.

도 7은 본 발명의 일 실시예에 따른 모터 고장 진단 또는 신경망 모델(130) 테스트 과정의 흐름도를 나타낸다.7 is a flowchart illustrating a motor failure diagnosis or testing process of the neural network model 130 according to an embodiment of the present invention.

전처리부(110)는 상전류 신호를 전처리하여 입력 데이터를 생성한다(710단계). 이때 전처리는 리샘플링, 정규화 및 스케일링을 포함할 수 있다.The preprocessor 110 preprocesses the phase current signal to generate input data (step 710). In this case, the pre-processing may include resampling, normalization, and scaling.

판단부(140)는 입력 데이터를 고장 진단 모듈(200)에 입력하여(720단계), 고장 진단 모듈(200)을 통해 고장 모드를 식별한다(730단계). 판단부(140)는 고장 진단 모듈(200)에서 특징 데이터를 추출하고(740단계), 추출된 특징 데이터를 상기 730단계를 통해 식별된 고장 모드에 대응하는 심각도 추정 모듈에 입력하여(750단계), 해당 심각도 추정 모듈을 통해 해당 고장 모드의 심각도를 추정한다(760단계).The determination unit 140 inputs the input data to the failure diagnosis module 200 (step 720), and identifies a failure mode through the failure diagnosis module 200 (step 730). The determination unit 140 extracts feature data from the failure diagnosis module 200 (step 740), and inputs the extracted feature data to the severity estimation module corresponding to the failure mode identified in step 730 (step 750) , the severity of the failure mode is estimated through the corresponding severity estimation module (step 760).

도 8은 본 발명의 실시예와 기존 기법의 고장 진단 및 심각도 추정 결과의 고장 진단 정확도 및 심각도 추정 오차를 나타내고, 도 9는 본 발명의 실시예와 기존 기법의 심각도 추정 오차를 막대 그래프로 표현한 것이다. 기존 기법 1은 주파수 특성인자(spectral features)와 기계학습분류기를 이용한 것으로, 상전류 신호의 고장 특성 주파수 크기를 건전성 인자로 활용하여 서포트 벡터 머신(support vector machine)을 학습시켜 고장 진단 및 심각도 추정을 수행하였다. 기존 기법 2는 주성분 분석(principal component analysis)과 기계학습분류기를 이용한 것으로, 상전류 신호의 주파수 크기로부터 주성분 분석(Principal Component Analysis, PCA)을 통해 건전성 인자를 추출하고 서포트 벡터 머신을 학습시켜 고장진단 및 심각도 추정을 수행하였다. 도 8을 참조하면, 본 발명의 실시예는 고장 진단 정확도가 기존 기법 대비 2% 이상 높게 나타났으며, 특히 도 9를 참조하면 본 발명의 실시예는 고장 심각도 추정 오차가 고장 종류 별로 약 10배 가량 개선될 것을 알 수 있다. 8 shows the error diagnosis accuracy and severity estimation error of the failure diagnosis and severity estimation results of the embodiment of the present invention and the existing technique, and FIG. 9 is a bar graph expressing the severity estimation error of the embodiment of the present invention and the existing technique. . Existing technique 1 uses spectral features and a machine learning classifier, and it uses the frequency magnitude of the fault characteristic of the phase current signal as a soundness factor to learn a support vector machine to diagnose the fault and estimate the severity. did. Existing technique 2 uses principal component analysis and a machine learning classifier. It extracts soundness factors from the frequency magnitude of the phase current signal through Principal Component Analysis (PCA) and trains a support vector machine to diagnose and perform malfunctions. Severity estimation was performed. Referring to FIG. 8 , the fault diagnosis accuracy in the embodiment of the present invention is higher than that of the existing technique by 2% or more, and in particular, referring to FIG. It can be seen that the improvement is approx.

도 10은 본 발명의 실시예와 기존 기법의 심각도 추정 성능을 비교하여 표현한 것을 나타낸다. 도 10을 참조하면, 편심, 회전자봉 손상, 불균형의 모든 고장 유형에서 본 발명의 실시예의 고장 심각도 추정 결과가 기존 기법에 비해 실제 고장 심각도에 훨씬 가깝게 나타남을 알 수 있다. 10 shows a comparison of the severity estimation performance of an embodiment of the present invention and an existing technique. Referring to FIG. 10 , it can be seen that the failure severity estimation results of the embodiment of the present invention in all failure types of eccentricity, rotor rod damage, and imbalance appear much closer to the actual failure severity compared to the conventional technique.

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. A device according to embodiments of the present invention includes a processor, a memory for storing and executing program data, a permanent storage such as a disk drive, a communication port for communicating with an external device, a touch panel, a key, and a button user interface devices, such as, and the like. Methods implemented as software modules or algorithms may be stored on a computer-readable recording medium as computer-readable codes or program instructions executable on the processor. Here, the computer-readable recording medium includes a magnetic storage medium (eg, read-only memory (ROM), random-access memory (RAM), floppy disk, hard disk, etc.) and an optically readable medium (eg, CD-ROM). ), DVD (Digital Versatile Disc), and the like. The computer-readable recording medium is distributed among network-connected computer systems, so that the computer-readable code can be stored and executed in a distributed manner. The medium may be readable by a computer, stored in a memory, and executed on a processor.

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.Embodiments of the present invention may be represented by functional block configurations and various processing steps. These functional blocks may be implemented in any number of hardware and/or software configurations that perform specific functions. For example, an embodiment may be an integrated circuit configuration, such as memory, processing, logic, look-up table, etc., capable of executing various functions by means of the control of one or more microprocessors or other control devices. can be hired Similar to how the components of the present invention may be implemented as software programming or software components, embodiments may include various algorithms implemented as data structures, processes, routines, or combinations of other programming constructs, including C, C++ , Java, assembler, etc. may be implemented in a programming or scripting language. Functional aspects may be implemented in an algorithm running on one or more processors. Further, embodiments may employ prior art techniques for electronic configuration, signal processing, and/or data processing, and the like. Terms such as “mechanism”, “element”, “means” and “configuration” may be used broadly and are not limited to mechanical and physical configurations. The term may include the meaning of a series of routines of software in connection with a processor or the like.

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.The specific implementations described in the embodiment are only embodiments, and do not limit the scope of the embodiment in any way. For brevity of the specification, descriptions of conventional electronic components, control systems, software, and other functional aspects of the systems may be omitted. In addition, the connections or connecting members of the lines between the components shown in the drawings exemplify functional connections and/or physical or circuit connections, and in an actual device, various functional connections, physical connections that are replaceable or additional may be referred to as connections, or circuit connections. In addition, unless there is a specific reference such as "essential", "importantly", etc., it may not be a necessary component for the application of the present invention.

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.So far, with respect to the present invention, the preferred embodiments have been looked at. Those of ordinary skill in the art to which the present invention pertains will understand that the present invention may be implemented in a modified form without departing from the essential characteristics of the present invention. Therefore, the disclosed embodiments are to be considered in an illustrative rather than a restrictive sense. The scope of the present invention is indicated in the claims rather than the foregoing description, and all differences within the scope equivalent thereto should be construed as being included in the present invention.

Claims (20)

모터 고장 진단 방법으로서,
모터의 상전류 신호로부터 얻어지는 학습 데이터를 이용하여 신경망 모델을 학습시키는 단계-여기서, 상기 신경망 모델은, 모터의 고장 모드를 식별하는 고장 진단 모듈 및 각 고장 모드에 대한 고장 심각도를 추정하는 심각도 추정 모듈을 포함하고, 상기 고장 진단 모듈에서 추출된 특징 데이터가 상기 심각도 추정 모듈에 입력됨-; 및
상기 학습된 신경망 모델을 이용하여 모터의 고장 모드 및 고장 심각도를 판단하는 단계를 포함하는 것을 특징으로 하는 모터 고장 진단 방법.
A method for diagnosing a motor failure, comprising:
Training a neural network model using the learning data obtained from the phase current signal of the motor, wherein the neural network model includes a failure diagnosis module for identifying a failure mode of the motor and a severity estimation module for estimating the failure severity for each failure mode and inputting the feature data extracted from the fault diagnosis module into the severity estimation module; and
and determining a failure mode and a failure severity of the motor using the learned neural network model.
제1항에 있어서,
상기 심각도 추정 모듈은 각 고장 모드마다 대응되도록 구비되고,
상기 특징 데이터가 상기 고장 진단 모듈을 통해 식별된 고장 모드에 대응하는 심각도 추정 모듈에 입력되는 것을 특징으로 하는 모터 고장 진단 방법.
According to claim 1,
The severity estimation module is provided to correspond to each failure mode,
The motor failure diagnosis method, characterized in that the characteristic data is input to a severity estimation module corresponding to the failure mode identified through the failure diagnosis module.
제1항에 있어서,
상기 고장 진단 모듈은, 순차적으로 연결된 복수 개의 컨볼루션 블록들을 포함하고, 마지막 컨볼루션 블록에서 출력되는 상기 특징 데이터가 상기 고장 심각도 모듈에 입력되는 것을 특징으로 하는 모터 고장 진단 방법.
According to claim 1,
The failure diagnosis module includes a plurality of sequentially connected convolution blocks, and the characteristic data output from the last convolution block is input to the failure severity module.
제3항에 있어서,
상기 복수 개의 컨볼루션 블록들 각각은, 컨볼루션 계층 및 풀링 계층을 포함하는 것을 특징으로 하는 모터 고장 진단 방법.
4. The method of claim 3,
Each of the plurality of convolution blocks, a motor failure diagnosis method, characterized in that it comprises a convolution layer and a pooling layer.
제3항에 있어서,
상기 고장 진단 모듈은, 상기 마지막 컨볼루션 블록에 연결되어 고장 모드를 출력하는 완전 연결 계층을 더 포함하는 것을 특징으로 하는 모터 고장 진단 방법.
4. The method of claim 3,
The failure diagnosis module further comprises a fully connected layer that is connected to the last convolution block and outputs a failure mode.
제1항에 있어서,
상기 심각도 추정 모듈은,
순차적으로 연결된 복수 개의 컨볼루션 블록들 및 마지막 컨볼루션 블록에 연결되어 고장 심각도를 출력하는 완전 연결 계층을 포함하는 것을 특징으로 하는 모터 고장 진단 방법.
According to claim 1,
The severity estimation module includes:
A method for diagnosing a motor failure, comprising: a plurality of sequentially connected convolution blocks and a fully connected layer connected to the last convolution block to output a failure severity.
제6항에 있어서,
상기 복수 개의 컨볼루션 블록들 각각은, 컨볼루션 계층 및 풀링 계층을 포함하는 것을 특징으로 하는 모터 고장 진단 방법.
7. The method of claim 6,
Each of the plurality of convolution blocks, a motor failure diagnosis method, characterized in that it comprises a convolution layer and a pooling layer.
제1항에 있어서,
상기 상전류 신호를 전처리하여 상기 학습 데이터를 생성하는 단계를 더 포함하는 것을 특징으로 하는 모터 고장 진단 방법.
According to claim 1,
Motor failure diagnosis method, characterized in that it further comprises the step of generating the learning data by pre-processing the phase current signal.
제2항에 있어서,
상기 학습시키는 단계는, 상기 입력 데이터를 이용하여 상기 고장 진단 모듈을 학습시킨 다음 상기 특징 데이터를 이용하여 상기 심각도 추정 모듈을 학습시키되, 상기 학습된 고장 진단 모듈에서 추출된 특징 데이터를 해당 고장 모드에 대응하는 심각도 추정 모듈에 입력하여 상기 심각도 추정 모듈을 학습시키는 것을 특징으로 하는 모터 고장 진단 방법.
3. The method of claim 2,
The learning includes learning the failure diagnosis module using the input data and then learning the severity estimation module using the characteristic data, and applying the characteristic data extracted from the learned failure diagnosis module to the failure mode. Motor failure diagnosis method, characterized in that input to a corresponding severity estimation module to learn the severity estimation module.
제2항에 있어서,
상기 학습시키는 단계는, 상기 고장 진단 모듈과 상기 심각도 추정 모듈을 동시에 학습시키되, 학습 과정 중에 상기 고장 진단 모듈에서 추출되는 특징 데이터를 해당 고장 모드에 대응하는 심각도 추정 모듈에 입력하여 상기 심각도 추정 모듈을 학습시키는 것을 특징으로 하는 모터 고장 진단 방법.
3. The method of claim 2,
In the learning step, the failure diagnosis module and the severity estimation module are simultaneously learned, and the feature data extracted from the failure diagnosis module during the learning process is input to the severity estimation module corresponding to the failure mode, and the severity estimation module is executed. Motor failure diagnosis method, characterized in that learning.
모터 고장 진단 장치로서,
모터의 상전류 신호로부터 얻어지는 학습 데이터를 이용하여 신경망 모델을 학습시키는 학습부-여기서, 상기 신경망 모델은, 모터의 고장 모드를 식별하는 고장 진단 모듈 및 각 고장 모드에 대한 고장 심각도를 추정하는 심각도 추정 모듈을 포함하고, 상기 고장 진단 모듈에서 추출된 특징 데이터가 상기 심각도 추정 모듈에 입력됨-; 및
상기 학습된 신경망 모델을 이용하여 모터의 고장 모드 및 고장 심각도를 판단하는 판단부를 포함하는 것을 특징으로 하는 모터 고장 진단 장치.
A motor fault diagnosis device comprising:
A learning unit that trains a neural network model using learning data obtained from a phase current signal of a motor - Here, the neural network model includes a failure diagnosis module for identifying a failure mode of the motor and a severity estimation module for estimating the failure severity for each failure mode including, wherein the feature data extracted from the fault diagnosis module is input to the severity estimation module; and
and a determination unit configured to determine a failure mode and a failure severity of the motor using the learned neural network model.
제11항에 있어서,
상기 심각도 추정 모듈은 각 고장 모드마다 대응되도록 구비되고,
상기 특징 데이터가 상기 고장 진단 모듈을 통해 식별된 고장 모드에 대응하는 심각도 추정 모듈에 입력되는 것을 특징으로 하는 모터 고장 진단 장치.
12. The method of claim 11,
The severity estimation module is provided to correspond to each failure mode,
The motor failure diagnosis apparatus, characterized in that the characteristic data is input to a severity estimation module corresponding to the failure mode identified through the failure diagnosis module.
제11항에 있어서,
상기 고장 진단 모듈은, 순차적으로 연결된 복수 개의 컨볼루션 블록들을 포함하고, 마지막 컨볼루션 블록에서 출력되는 상기 특징 데이터가 상기 고장 심각도 모듈에 입력되는 것을 특징으로 하는 모터 고장 진단 장치.
12. The method of claim 11,
The failure diagnosis module includes a plurality of sequentially connected convolution blocks, and the characteristic data output from the last convolution block is input to the failure severity module.
제13항에 있어서,
상기 복수 개의 컨볼루션 블록들 각각은, 컨볼루션 계층 및 풀링 계층을 포함하는 것을 특징으로 하는 모터 고장 진단 장치.
14. The method of claim 13,
Each of the plurality of convolution blocks, motor failure diagnosis apparatus, characterized in that it comprises a convolution layer and a pooling layer.
제13항에 있어서,
상기 고장 진단 모듈은, 상기 마지막 컨볼루션 블록에 연결되어 고장 모드를 출력하는 완전 연결 계층을 더 포함하는 것을 특징으로 하는 모터 고장 진단 장치.
14. The method of claim 13,
The failure diagnosis module further comprises a fully connected layer connected to the last convolution block and outputting a failure mode.
제11항에 있어서,
상기 심각도 추정 모듈은,
순차적으로 연결된 복수 개의 컨볼루션 블록들 및 마지막 컨볼루션 블록에 연결되어 고장 심각도를 출력하는 완전 연결 계층을 포함하는 것을 특징으로 하는 모터 고장 진단 장치.
12. The method of claim 11,
The severity estimation module includes:
Motor failure diagnosis apparatus, characterized in that it comprises a plurality of convolution blocks sequentially connected and a fully connected layer connected to the last convolution block to output a failure severity.
제16항에 있어서,
상기 복수 개의 컨볼루션 블록들 각각은, 컨볼루션 계층 및 풀링 계층을 포함하는 것을 특징으로 하는 모터 고장 진단 장치.
17. The method of claim 16,
Each of the plurality of convolution blocks, motor failure diagnosis apparatus, characterized in that it comprises a convolution layer and a pooling layer.
제11항에 있어서,
상기 상전류 신호를 전처리하여 상기 학습 데이터를 생성하는 전처리부를 더 포함하는 것을 특징으로 하는 모터 고장 진단 장치.
12. The method of claim 11,
Motor failure diagnosis apparatus, characterized in that it further comprises a pre-processing unit for pre-processing the phase current signal to generate the learning data.
제12항에 있어서,
상기 학습부는, 상기 학습 데이터를 이용하여 상기 고장 진단 모듈을 학습시킨 다음 상기 특징 데이터를 이용하여 상기 심각도 추정 모듈을 학습시키되, 상기 학습된 고장 진단 모듈에서 추출된 특징 데이터를 해당 고장 모드에 대응하는 심각도 추정 모듈에 입력하여 상기 심각도 추정 모듈을 학습시키는 것을 특징으로 하는 모터 고장 진단 장치.
13. The method of claim 12,
The learning unit learns the failure diagnosis module by using the learning data and then learns the severity estimation module using the characteristic data, and uses the characteristic data extracted from the learned failure diagnosis module to correspond to the failure mode. Motor failure diagnosis apparatus, characterized in that input to the severity estimation module to learn the severity estimation module.
제12항에 있어서,
상기 학습시키는 단계는, 상기 고장 진단 모듈과 상기 심각도 추정 모듈을 동시에 학습시키되, 학습 과정 중에 상기 고장 진단 모듈에서 추출되는 특징 데이터를 해당 고장 모드에 대응하는 심각도 추정 모듈에 입력하여 상기 심각도 추정 모듈을 학습시키는 것을 특징으로 하는 모터 고장 진단 장치.



13. The method of claim 12,
In the learning step, the failure diagnosis module and the severity estimation module are simultaneously learned, and the characteristic data extracted from the failure diagnosis module during the learning process is input to the severity estimation module corresponding to the failure mode, and the severity estimation module is executed. Motor failure diagnosis device, characterized in that learning.



KR1020210047020A 2021-04-12 2021-04-12 Method and apparatus for diagnosis of motor using current signals KR102538542B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210047020A KR102538542B1 (en) 2021-04-12 2021-04-12 Method and apparatus for diagnosis of motor using current signals

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210047020A KR102538542B1 (en) 2021-04-12 2021-04-12 Method and apparatus for diagnosis of motor using current signals

Publications (2)

Publication Number Publication Date
KR20220141019A true KR20220141019A (en) 2022-10-19
KR102538542B1 KR102538542B1 (en) 2023-05-30

Family

ID=83804467

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210047020A KR102538542B1 (en) 2021-04-12 2021-04-12 Method and apparatus for diagnosis of motor using current signals

Country Status (1)

Country Link
KR (1) KR102538542B1 (en)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017120649A (en) * 2015-07-31 2017-07-06 ファナック株式会社 Machine learning method and machine learning device for learning fault condition, and fault prediction device and fault prediction system including machine learning device
KR20190014829A (en) * 2017-08-04 2019-02-13 한국항공대학교산학협력단 Apparatus and method for training a deep neural network
KR20190114221A (en) * 2018-03-29 2019-10-10 삼성전자주식회사 Equipment diagnosis system and method based on deep learning
KR20200005206A (en) * 2018-07-06 2020-01-15 에임시스템 주식회사 System and method for fault classification of equipment based on machine learning
KR20200052453A (en) * 2018-10-31 2020-05-15 삼성에스디에스 주식회사 Apparatus and method for training deep learning model
KR102115268B1 (en) * 2020-01-31 2020-05-26 서울대학교산학협력단 Fuel cell system fault diagnosis method based on fault severity
KR102136863B1 (en) * 2019-05-02 2020-07-22 국방과학연구소 Method for analysis on defects in circuits using machine learning in s-parameter pattern
US20200348207A1 (en) * 2019-05-03 2020-11-05 Mitsubishi Electric Research Laboratories, Inc. Method for Estimating Bearing Fault Severity for Induction Motors
KR102189269B1 (en) * 2019-10-22 2020-12-09 경북대학교 산학협력단 Fault Diagnosis method and system for induction motor using convolutional neural network

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017120649A (en) * 2015-07-31 2017-07-06 ファナック株式会社 Machine learning method and machine learning device for learning fault condition, and fault prediction device and fault prediction system including machine learning device
JP2021002398A (en) * 2015-07-31 2021-01-07 ファナック株式会社 Failure prediction device, failure prediction system, and failure prediction method
KR20190014829A (en) * 2017-08-04 2019-02-13 한국항공대학교산학협력단 Apparatus and method for training a deep neural network
KR20190114221A (en) * 2018-03-29 2019-10-10 삼성전자주식회사 Equipment diagnosis system and method based on deep learning
KR20200005206A (en) * 2018-07-06 2020-01-15 에임시스템 주식회사 System and method for fault classification of equipment based on machine learning
KR20200052453A (en) * 2018-10-31 2020-05-15 삼성에스디에스 주식회사 Apparatus and method for training deep learning model
KR102136863B1 (en) * 2019-05-02 2020-07-22 국방과학연구소 Method for analysis on defects in circuits using machine learning in s-parameter pattern
US20200348207A1 (en) * 2019-05-03 2020-11-05 Mitsubishi Electric Research Laboratories, Inc. Method for Estimating Bearing Fault Severity for Induction Motors
KR102189269B1 (en) * 2019-10-22 2020-12-09 경북대학교 산학협력단 Fault Diagnosis method and system for induction motor using convolutional neural network
KR102115268B1 (en) * 2020-01-31 2020-05-26 서울대학교산학협력단 Fuel cell system fault diagnosis method based on fault severity

Also Published As

Publication number Publication date
KR102538542B1 (en) 2023-05-30

Similar Documents

Publication Publication Date Title
Martins et al. Unsupervised neural-network-based algorithm for an on-line diagnosis of three-phase induction motor stator fault
Ondel et al. Coupling pattern recognition with state estimation using Kalman filter for fault diagnosis
KR102189269B1 (en) Fault Diagnosis method and system for induction motor using convolutional neural network
US11853047B2 (en) Sensor-agnostic mechanical machine fault identification
CN113360337A (en) Method for verifying and selecting a model for condition monitoring of a machine
KR102480899B1 (en) Method and apparatus for diagnosis of motor using multi-channel signals
KR102538542B1 (en) Method and apparatus for diagnosis of motor using current signals
US11366178B2 (en) Method and system for diagnostics and monitoring of electric machines
Chulines et al. Simplified model of a three-phase induction motor for fault diagnostic using the synchronous reference frame DQ and parity equations
JPH10143343A (en) Association type plant abnormality diagnosis device
Pashaee et al. Fault Diagnosing Of An Induction Motor Based On Signal Fusion Using One-Dimensional Convolutional Neural Network
KR20230075150A (en) Method for managing system health
KR20070049460A (en) On-line fault detecting method for 3-phase induction motor which is based on statistical pattern recognition technique
Ondel et al. FDI based on pattern recognition using Kalman prediction: Application to an induction machine
KR102601072B1 (en) Method and apparatus for generating an image for motor fault diagnosis, and method and apparatus for motor fault diagnosis using said image
Soualhi et al. Fault prognosis based on hidden Markov models
US20220404822A1 (en) Fault prediction device and fault prediction method
Dongare et al. Incipient faults detection in induction motor using MLP-NN and RBF-NN-based fault classifier
US20240133954A1 (en) System and Method for Eccentricity Severity Estimation of Induction Machines using a Sparsity-Driven Regression Model
Kilic Predictive diagnosis with artificial neural network for automated electric vehicle
Khan et al. Monitoring and detecting health of a single phase induction motor using data acquisition interface (DAI) module with artificial neural network
Hamoudi et al. Stator fault detection in induction machines by parameter estimation using trust region algorithms
CN118275882A (en) Induction motor few-label fault diagnosis method based on fine tuning generation countermeasure network
CN117054870A (en) Permanent magnet synchronous motor abnormality detection method and device
Xue et al. Sensor fusion for machine condition monitoring

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant