KR20230062189A - 인공지능 기반의 전력 설비 진단 방법 및 이를 이용한 장치 - Google Patents

인공지능 기반의 전력 설비 진단 방법 및 이를 이용한 장치 Download PDF

Info

Publication number
KR20230062189A
KR20230062189A KR1020210147200A KR20210147200A KR20230062189A KR 20230062189 A KR20230062189 A KR 20230062189A KR 1020210147200 A KR1020210147200 A KR 1020210147200A KR 20210147200 A KR20210147200 A KR 20210147200A KR 20230062189 A KR20230062189 A KR 20230062189A
Authority
KR
South Korea
Prior art keywords
diagnostic
data
probability
obtaining
model
Prior art date
Application number
KR1020210147200A
Other languages
English (en)
Inventor
연제인
김준식
홍동식
송응열
김기용
Original Assignee
주식회사 싸이콤
코드비전 주식회사
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 주식회사 싸이콤, 코드비전 주식회사 filed Critical 주식회사 싸이콤
Priority to KR1020210147200A priority Critical patent/KR20230062189A/ko
Publication of KR20230062189A publication Critical patent/KR20230062189A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
    • G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
    • G01R22/061—Details of electronic electricity meters
    • G01R22/068—Arrangements for indicating or signaling faults
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
    • G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
    • G01R22/10—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods using digital techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/02—Arrangements for measuring frequency, e.g. pulse repetition rate; Arrangements for measuring period of current or voltage
    • G01R23/12—Arrangements for measuring frequency, e.g. pulse repetition rate; Arrangements for measuring period of current or voltage by converting frequency into phase shift
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

인공지능을 이용한 전력 설비 진단 방법 및 이를 이용한 장치가 개시된다. 일 실시예에 따른 인공지능을 이용한 전력 설비 진단 방법은, 전력 설비에 대한 주파수 데이터를 획득하는 단계 - 상기 주파수 데이터는 초음파 센서에 의해 측정된 상기 전력 설비에 대한 초음파 신호가 가청 주파수 대역인 음향 신호로 변환되고, 상기 음향 신호가 주파수 영역으로 변환된 데이터임 - ; 상기 주파수 데이터를 미리 학습된 진단 모델에 입력하는 단계; 및 상기 진단 모델을 기초로 상기 전력 설비에 대한 진단 데이터를 획득하는 단계를 포함할 수 있다.

Description

인공지능 기반의 전력 설비 진단 방법 및 이를 이용한 장치{METHOD FOR DIAGNOSING POWER FACILITY BASED ON ARTIFICIAL INTELLIGENCE AND DEVICE USING THE SAME}
본 발명은 인공지능 기반의 전력 설비 고장 진단 방법 및 이를 이용한 장치에 관한 것이다.
일반적으로 가공배전선로, 애자, 퓨즈, 및 개폐기 등의 전력설비는 주변의 환경 변화, 설비의 불량이나 열화에 따라 파손될 수 있으므로, 지속적인 점검과 안전위해요소의 제거 및 설비 교체 등의 관리를 필요로 한다.
또한, 전력설비의 고장을 진단하기 위해 다양한 진단 방법이 이용되고 있다. 예컨대 배전선로 순시원을 통해 육안으로 점검하는 배전선로 순시 방법, 활선 상태에서 활선 버켓 트럭을 타고 활선 전력설비에 접근하여 육안 및 포크형 현수 애자 분담 전압 측정기를 사용하여 분담전압을 측정하는 활선 기별 점검 방법, 전력설비 외관상의 불량을 찾기 위하여 광학카메라를 이용한 측정방법, 전력설비에서 열화가 진행될 때 발생되는 열을 측정하여 배전 선로의 고장을 예방하기 위한 열화상 카메라 측정 방법 등이 이용되고 있다.
그러나, 이러한 진단 방법은 진단에 시간이 많이 소요되고, 비용 또한 많이 소요되는 문제점이 있었다.
따라서 최근에는 초음파를 이용한 진단장치가 출시되고 있는 바, 일반적인 배전설비는 아크(Arc), 트래킹(Tracking), 코로나(Corona) 현상에 의하여 그 주위에 있는 공기분자를 교란시켜 사람이 들을 수 없는 고유의 초음파 신호를 발생시킨다.
이러한 초음파 진단장치는 초음파 신호를 사람이 청취 가능한 범위의 음향 신호로 변형시켜 헤드폰(또는, 스피커)을 통하여 음을 청취할 수 있게 하고 쉽게 눈으로 확인할 수 있는 파형의 형태로 보여주는 장비이다.
그러나, 기존에는 전력설비의 진단자가 음향 신호를 듣고 전력 설비의 고장 여부를 판단함에 따라, 전력 설비의 고장 진단에 시간이 오래 소요되고, 진단자의 경험에 따라 진단 정확도가 달라질 수 있다는 문제점이 있었다.
최근에는 이러한 문제를 해결하기 위한 연구가 계속되고 있다.
본 발명의 일 과제는 인공지능을 이용하여 전력 설비의 고장 진단에 소요되는 시간을 감소시키고, 고장 진단의 정확도를 향상시키기 위한 것이다.
본 발명의 해결하고자 하는 과제가 상술한 과제로 제한되는 것은 아니며, 언급되지 아니한 과제들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
일 실시예에 따른 인공지능을 이용한 전력 설비 진단 방법은, 전력 설비에 대한 주파수 데이터를 획득하는 단계 - 상기 주파수 데이터는 초음파 센서에 의해 측정된 상기 전력 설비에 대한 초음파 신호가 가청 주파수 대역인 음향 신호로 변환되고, 상기 음향 신호가 주파수 영역으로 변환된 데이터임 - ; 상기 주파수 데이터를 미리 학습된 진단 모델에 입력하는 단계; 및 상기 진단 모델을 기초로 상기 전력 설비에 대한 진단 데이터를 획득하는 단계를 포함할 수 있다.
본 발명의 과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따르면, 인공지능을 이용하여 전력 설비의 고장 진단을 수행함으로써, 고장 진단에 소요되는 시간이 감소되고, 고장 진단의 정확도가 향상될 수 있다.
본 발명의 효과가 상술한 효과들로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 일 실시예에 따른 고장 진단 시스템을 도시한 것이다.
도 2는 일 실시예에 따른 학습 장치를 설명하기 위한 블록도이다.
도 3은 일 실시예에 따른 진단 장치를 설명하기 위한 블록도이다.
도 4는 일 실시예에 따른 고장 진단 시스템을 도시한 것이다.
도 5는 일 실시예에 따른 초음파 측정 장치를 설명하기 위한 블록도이다.
도 6은 일 실시예에 따른 진단장치의 진단방법을 나타낸 도면이다.
도 7은 일 실시예에 따른 진단 모델을 설명하기 위한 도면이다.
도 8은 일 실시예에 따른 진단 데이터의 제공을 설명하기 위한 도면이다.
본 발명의 상술한 목적, 특징들 및 장점은 첨부된 도면과 관련된 다음의 상세한 설명을 통해 보다 분명해질 것이다. 다만, 본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예들을 가질 수 있는 바, 이하에서는 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다.
도면들에 있어서, 층 및 영역들의 두께는 명확성을 기하기 위하여 과장되어진 것이며, 또한, 구성요소(element) 또는 층이 다른 구성요소 또는 층의 "위(on)" 또는 "상(on)"으로 지칭되는 것은 다른 구성요소 또는 층의 바로 위 뿐만 아니라 중간에 다른 층 또는 다른 구성요소를 개재한 경우를 모두 포함한다. 명세서 전체에 걸쳐서 동일한 참조번호들은 원칙적으로 동일한 구성요소들을 나타낸다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명한다.
본 발명과 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.
또한, 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
본 발명의 일 실시예에 따르면, 고장 진단 시스템이 제공될 수 있다.
도 1은 일 실시예에 따른 고장 진단 시스템을 도시한 것이다.
도 1을 참조하면, 고장 진단 시스템(10)은 진단 모델을 트레이닝하는 학습 장치(1000), 진단 모델을 이용하여 전력 설비의 고장 진단을 수행하는 진단 장치(2000) 및 전력 설비에 대하여 초음파를 측정하는 초음파 측정 장치와 포함할 수 있다. 또한, 초음파 측정 장치는 전력 설비의 외관의 상태를 촬영할 수 있는 광학 측정부 및 전력 설비의 온도를 측정할 수 있는 온도 측정부(예를 들어, 적외선 측정부)를 포함할 수 있다.
또한, 고장 진단 시스템(10)은 복수의 학습 장치, 복수의 진단 장치 또는 복수의 초음파 측정 장치를 포함할 수 있다.
학습 장치(1000)는 학습부(100)를 포함할 수 있다. 학습부(100)는 진단 모델의 트레이닝을 수행할 수 있다. 일 예로, 학습부(100)는 전력설비에 아크가 발생될 경우에 측정된 초음파 신호가 음향 신호로 변환된 제1 학습 데이터 세트, 전력설비에 트래킹이 발생될 경우에 측정된 초음파 신호가 음향 신호로 변환된 제2 학습 데이터 세트, 전력설비에 코로나가 발생될 경우에 측정된 초음파 신호가 음향 신호로 변환된 제3 학습 데이터 세트 및 전력설비가 정상 동작을 수행할 경우에 측정된 초음파 신호가 음향 신호로 변환된 제4 학습 데이터 세트를 이용하여 진단 모델의 트레이닝을 수행할 수 있다. 이 때, 제1 학습 데이터 세트 내지 제3 학습 데이터 세트 각각은 전력 설비에 발생되는 고장 현상에 대하여 라벨링될 수 있다. 또한, 제4 학습 데이터 세트는 정상이라는 것에 대하여 라벨링될 수 있다.
또한, 본 명세서에서, 전력 설비의 고장을 진단한다는 것은, 전력 설비가 정상 동작을 하는지 여부를 진단하는 것 또는 전력 설비에 발생된 고장 현상을 진단하는 것을 포함할 수 있다.
진단 장치(2000)는 진단부(200)를 포함할 수 있다. 진단부(200)는 진단 모델을 이용하여 전력설비의 고장을 진단할 수 있다. 일 예로, 진단부(200)는 학습부에 의하여 트레이닝된 진단 모델을 이용하여 전력설비의 고장을 진단할 수 있다.
일 실시예에서, 진단 장치(2000)는 스마트폰, 태블릿, PC 등의 휴대용(handheld) 디바이스 또는 컴퓨터, 서버와 같은 고장형 디바이스일 수 있다.
초음파 측정 장치(3000)는 검출부(300)를 포함할 수 있다. 검출부(300)는 전력 설비에서 발생되는 초음파 신호를 획득하고, 초음파 신호를 사람이 청취 가능한 가청 주파수 대역의 음향 신호를 획득할 수 있다.
또한, 일 실시예에서, 검출부(300)는 음향 신호를 주파수 영역으로 변환하여 주파수 데이터를 획득할 수 있다. 구체적으로, 검출부(300)는 푸리에 변환(Fourier Transform)을 기초로 음향 신호를 주파수 영역으로 변환할 수 있다. 일 예로, 음향 신호는 이산 시간 영역(Discrete Time Domain)으로 구성될 수 있고, 검출부(300)는 음향 신호에 대하여 고속 푸리에 변환(Fast Fourier Transform) 알고리즘을 통해 이산 푸리에 변환 연산을 수행하여 주파수 데이터를 획득할 수 있다.
본 실시예에 따른 고장 진단 시스템(10)에서, 학습 장치(1000)는 데이터 세트를 획득하여 진단 모델의 학습을 수행하고, 초음파 측정 장치(3000)는 진단 장치(2000)에 주파수 데이터를 제공하고, 진단 장치(2000)는 진단 모델을 이용하여 초음파 측정 장치(3000)로부터 획득한 주파수 데이터를 이용하여 전력 설비에 대하여 고장 진단을 수행할 수 있다.
또한, 다른 일 실시예에서, 학습 장치(1000) 및 진단 장치(2000)는 각각 서버 장치의 형태일 수 있다. 또한, 학습 장치(1000) 및 진단 장치(2000)는 물리적으로 하나의 장치 또는 하나의 서버 장치로 구현될 수도 있다.
또한, 다른 일 실시예에서, 진단 장치(2000) 및 초음파 측정 장치(3000)는 하나의 장치로 구현될 수도 있다. 또한, 실시예에 따라 학습 장치(1000), 진단 장치(2000) 및 초음파 측정 장치(3000)가 하나의 장치로 구현될 수도 있다.
본 명세서에서 개시하는 고장 진단 시스템이 위에서 설명한 실시 예들에 한정되는 것은 아니고, 학습부(100), 진단부(200) 및 검출부(300)를 포함하는 어떠한 형태로든 구현될 수 있다.
도 2는 일 실시예에 따른 학습 장치를 설명하기 위한 블록도이다.
도 2를 참조하면, 학습 장치(1000)는 메모리부(1100), 제어부(1200) 및 통신부(1300)를 포함할 수 있다.
학습 장치(1000)는 제어부(1200)를 포함할 수 있다. 제어부(1200)는 학습 장치(1000)의 동작을 제어할 수 있다. 제어부(1200)는 도 1에서 전술한 학습부(100)를 포함할 수 있다.
제어부(1200)는 CPU(Central Processing Unit), RAM(Random Access Memory), GPU(Graphic Processing Unit), 하나 이상의 마이크로 프로세서 및 기타 미리 정해진 논리에 따라 입력된 데이터를 처리할 수 있는 전자 부품 중 하나 이상을 포함할 수 있다.
제어부(1200)는 메모리부(1100)에 저장된 시스템 프로그램 및 다양한 프로세싱 프로그램을 판독할 수 있다.
학습 장치(1000)는 메모리부(1100)를 포함할 수 있다. 메모리부(1100)는 학습에 필요한 데이터 및 학습된 진단 모델을 저장할 수 있다.
메모리부(1100)는 비휘발성 반도체 메모리, 하드 디스크, 플래시 메모리, RAM, ROM(Read Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory) 또는 그 외에 유형의(tangible) 비휘발성의 기록 매체 등으로 구현될 수 있다.
메모리부(1100)는 각종 프로세싱 프로그램, 프로그램의 프로세싱을 수행하기 위한 파라미터 또는 이러한 프로세싱 결과 데이터 등을 저장할 수 있다.
또한, 일 실시예에서 학습 장치(1000)는 데이터 가공부 및 학습부를 포함할 수 있다. 데이터 가공부는 학습을 수행하기 위한 데이터를 가공 또는 전처리할 수 있다. 예를 들어, 데이터 가공부는 소정의 데이터 가공 프로세스 프로그램을 이용하여 데이터를 가공할 수 있다. 학습부는 진단 모델의 학습을 수행할 수 있다.
데이터 가공부 및 학습부는 전술한 제어부(1200)에 포함될 수 있다. 데이터 가공부 및 학습부는 전술한 제어부(1200) 및 메모리부(1100)의 일부 구성에 의하여 구현될 수 있다. 예컨대, 데이터 가공부 및 학습부는 메모리부(1100)에 저장되고, 제어부(1200)에 의하여 구동될 수 있다.
통신부(1300)는 외부 장치와 통신을 수행할 수 있다. 예컨대, 통신부(1300)는 후술하는 진단 장치 및/또는 초음파 측정 장치와 통신할 수 있다. 통신부(1300)는 유선 또는 무선 통신을 수행할 수 있다. 통신부(1300)는 양방향(bi-directional) 또는 단방향 통신을 수행할 수 있다.
도 3은 일 실시예에 따른 진단 장치를 설명하기 위한 블록도이다.
도 3을 참조하면, 진단 장치(2000)는 메모리부(2100), 제어부(2200) 및 통신부(2300)를 포함할 수 있다.
제어부(2200)는 제어부(2200)는 진단 모델을 이용하여 진단 데이터를 생성할 수 있다. 제어부(2200)는 진단을 위한 주파수 데이터를 획득하고 학습된 진단 모델을 이용하여 전력 설비의 고장 여부에 대한 진단 데이터를 획득할 수 있다.
제어부(2200)는 CPU(Central Processing Unit), RAM(Random Access Memory), GPU(Graphic Processing Unit), 하나 이상의 마이크로 프로세서 및 기타 미리 정해진 논리에 따라 입력된 데이터를 처리할 수 있는 전자 부품 중 하나 이상을 포함할 수 있다.
또한, 일 실시예에서 제어 장치(2000)는 데이터 가공부 및 도 1에서 전술한 진단부(200)를 포함할 수 있다. 데이터 가공부는 진단을 수행하기 위한 데이터를 가공 또는 전처리할 수 있다. 진단부는 진단 모델에 진단 데이터를 입력하여 진단 데이터를 획득할 수 있다.
데이터 가공부 및 진단부는 전술한 제어부(2200) 및 메모리부(2100)의 일부 구성에 의하여 구현될 수 있다. 예컨대, 데이터 가공부 및 진단부는 메모리부(2100)에 저장되고, 제어부(2200)에 의하여 구동될 수 있다.
또한, 메모리부(2100)는 학습된 진단 모델을 저장할 수 있다. 메모리부(2100)는 진단 보조의 수행을 위한 데이터 가공 프로세스 프로그램, 진단 프로세스 프로그램, 진단 모델의 파라미터, 변수 등을 저장할 수 있다.
또한, 메모리부(2100)는 비휘발성 반도체 메모리, 하드 디스크, 플래시 메모리, RAM, ROM(Read Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory) 또는 그 외에 유형의(tangible) 비휘발성의 기록 매체 등으로 구현될 수 있다.
통신부(2300)는 학습 장치 및/또는 초음파 측정 장치와 통신할 수 있다. 일 예로, 진단 장치(2000)는 초음파 측정 장치와 통신하는 서버 형태로 마련될 수 있다.
본 발명의 일 실시예에 따르면, 고장 진단 시스템은 적어도 하나의 서버 장치를 포함할 수 있다.
서버 장치는 진단 모델을 저장 및/또는 구동할 수 있다. 서버 장치는 학습된 진단 모델을 구성하는 가중치 값들을 저장할 수 있다. 또한, 서버 장치는 진단에 이용되는 데이터를 수집 또는 저장할 수 있다.
서버 장치는 진단 모델을 이용한 진단 보조 프로세스의 결과를 외부 장치로 출력하고, 외부 장치로부터 피드백을 획득할 수 있다. 서버 장치는 전술한 진단 장치와 유사하게 동작할 수 있다.
도 4는 일 실시예에 따른 고장 진단 시스템을 도시한 것이다.
도 4를 참조하면, 본 발명의 일 실시예에 따른 고장 진단 시스템(20)은 진단 서버(4000), 제1 학습 장치(1000a), 제2 학습 장치(1000b), 제1 초음파 측정 장치(3000a) 및 제2 초음파 측정 장치(3000b)를 포함할 수 있다.
진단 서버(4000)는 복수의 학습 장치 또는 복수의 초음파 측정 장치와 통신할 수 있다. 도 4를 참조하면, 진단 서버(4000)는 제1 진단 데이터를 획득하는 제1 진단 모델을 학습시키는 제1 학습 장치(1000a) 및 제2 진단 데이터를 획득하는 제2 진단 모델을 학습시키는 제2 학습 장치(1000b)와 통신할 수 있다.
진단 서버(4000)는 제1 진단 데이터를 획득하기 위한 제1 진단 모델 및 제2 진단 데이터를 획득하기 위한 제2 진단 모델을 저장하고, 제1 초음파 측정 장치(3000a)로부터 제1 주파수 데이터를 획득하고, 제2 초음파 측정 장치(3000b)로부터의 제2 주파수 데이터를 획득할 수 있다. 진단 서버(4000)는 제1 주파수 데이터 및 제1 진단 모델을 이용하여 제1 진단 데이터를 획득하고, 제2 주파수 데이터 및 제2 진단 모델을 이용하여 제2 진단 데이터를 획득할 수 있다.
도 5는 일 실시예에 따른 초음파 측정 장치를 설명하기 위한 블록도이다.
도 5를 참조하면, 본 발명의 일 실시예에 따른 초음파 측정 장치(3000)는 메모리부(3100), 제어부(3200) 및 통신부(3300)를 포함할 수 있다.
제어부(3200)는 도 1에서 전술한 검출부(300)를 포함할 수 있다. 제어부(3200)는 전력설비에 대한 주파수 데이터를 획득할 수 있다. 일 실시예에서, 제어부(3200)는 초음파 센서를 포함할 수 있다. 초음파 센서는 전력 설비에 대한 초음파 신호를 획득할 수 있다. 또한, 제어부(3200)는 초음파 신호를 가청주파수 대역으로 변환하여 음향 신호를 획득하고, 음향 신호를 주파수 영역으로 변환하여 주파수 데이터를 획득할 수 있다. 제어부(3200)는 주파수 데이터를 통신부(3300)를 통하여 진단 장치 또는 전술한 서버 장치로 전송할 수 있다.
제어부(3200)는 CPU(Central Processing Unit), RAM(Random Access Memory), GPU(Graphic Processing Unit), 하나 이상의 마이크로 프로세서 및 기타 미리 정해진 논리에 따라 입력된 데이터를 처리할 수 있는 전자 부품 중 하나 이상을 포함할 수 있다.
메모리부(3100)는 각종 프로세싱 프로그램, 프로그램의 프로세싱을 수행하기 위한 파라미터 또는 이러한 프로세싱 결과 데이터 등을 저장할 수 있다. 예를 들어, 메모리부(3100)는 초음파 신호, 음향 신호 및/또는 주파수 데이터를 저장할 수 있다.
또한, 메모리부(3100)는 비휘발성 반도체 메모리, 하드 디스크, 플래시 메모리, RAM, ROM(Read Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory) 또는 그 외에 유형의(tangible) 비휘발성의 기록 매체 등으로 구현될 수 있다.
통신부(3300)는 외부 장치, 예컨대 진단 장치 또는 서버 장치와 통신할 수 있다. 통신부(3300)는 유선 또는 무선 통신을 수행할 수 있다.
도시하지는 아니하였으나, 초음파 측정 장치는 출력부를 더 포함할 수 있다. 출력부는 영상 또는 이미지를 출력하는 디스플레이 또는 음성을 출력하는 스피커를 포함할 수 있다. 출력부는 스피커를 통해 음향 신호를 출력하거나, 디스플레이를 통해 상기 음향신호를 표현하는 영상을 출력할 수 있다.
도시하지는 아니하였으나, 초음파 측정 장치는 입력부를 더 포함할 수 있다. 입력부는 사용자 입력을 획득할 수 있다.
또한, 도시하지는 아니하였으나, 초음파 측정 장치는 전력 설비의 외관의 상태를 촬영할 수 있는 광학 측정부 및 전력 설비의 온도를 측정할 수 있는 온도 측정부(예를 들어, 적외선 측정부)를 포함할 수 있다.
도 6은 일 실시예에 따른 진단장치의 진단방법을 나타낸 도면이다.
도 6을 참조하면, 진단장치의 진단 방법은 전력 설비에 대한 주파수 데이터를 획득하는 단계(S100), 주파수 데이터를 미리 학습된 진단 모델에 입력하는 단계(S200) 및 진단 모델을 기초로 전력 설비에 대한 진단 데이터를 획득하는 단계(S300)를 포함할 수 있다.
단계 S100에서, 진단장치는 전력 설비에 대한 주파수 데이터를 획득할 수 있다. 주파수 신호는 초음파 센서에 의해 측정된 전력 설비에 대한 초음파 신호가 가청 주파수 대역인 음향 신호로 변환되고, 음향 신호가 푸리에 변환을 이용하여 주파수 영역으로 변환된 데이터를 의미할 수 있다.
일 실시예에서, 진단 장치는 전술한 초음파 측정 장치로부터 주파수 데이터를 획득할 수 있다.
또한, 다른 일 실시예에서, 진단 장치는 초음파 측정 장치로부터 초음파 신호를 획득하고, 초음파 신호를 음향 신호로 변환하고, 푸리에 신호를 이용하여 음향 신호를 주파수 영역으로 변환하여 주파수 데이터를 획득할 수 있다.
또한, 단계 S200에서, 진단 장치는 주파수 데이터를 미리 학습된 진단 모델에 입력할 수 있다. 여기서, 진단 모델은 LSTM(Long Short Term Memory)를 기반으로 구축될 수 있다. LSTM은 일반적인 RNN의 장기 의존성 문제를 보완하기 위한 것으로, 은닉층의 메모리 셀에 입력 게이트, 삭제 게이트 및 출력 게이트를 추가하여, 진단 모델 내부에서 불필요한 값들을 삭제하고, 중요한 값들을 설정할 수 있다. 초음파 신호에 대한 주파수 데이터의 경우, 비교적 긴 시간 동안의 주파수에 대한 정보를 가지고 있기 때문에, 진단 모델이 일반적인 RNN을 기반으로 구축될 경우 진단 데이터의 정확도가 낮아질 수 있다. 따라서, 진단 데이터의 정확도를 향상시키기 위하여 진단 모델은 LSTM을 기초로 구축될 수 있다. 물론, 이에 한정되지 않고, 진단 모델은 CNN, RNN, CRNN, STN, GRU 등 다양한 알고리즘을 기초로 구축될 수도 있다.
또한, 단계 S300에서, 진단 장치는 진단 모델에 대한 진단 데이터를 획득할 수 있다.
일 실시예에서, 진단 데이터는 전력 설비가 고장 상태인지 및/또는 정상 상태인지 여부에 대한 정보를 포함할 수 있다. 또한, 진단 데이터는 전력 설비가 고장 상태일 확률 또는 정상 상태일 확률에 대한 정보를 포함할 수 있다. 또한, 진단 데이터는 전력 설비에 아크, 트래킹 또는 코로나 등의 고장 현상이 발생되었는지에 대한 정보 또는 상기 고장 현상이 발생될 확률에 대한 정보를 포함할 수 있다.
또한, 일 실시예에서, 진단 장치는 전술한 초음파 측정 장치로부터 전력 설비의 외관의 상태를 나타내는 영상 정보 및 전력 설비의 온도에 대한 정보(예를 들어, 전력 설비가 정상 상태일 때와 고장 상태일 때의 온도 차이에 대한 적외선 영상 정보)를 획득할 수 있고, 진단 데이터는 상기 영상 정보 및 상기 온도에 대한 정보를 포함할 수 있다.
보다 구체적으로, 도 7을 이용하여 설명하면, 도 7은 일 실시예에 따른 진단 모델을 설명하기 위한 도면이다.
도 7을 참조하면, (a)에서와 같이, 제1 진단 모델(710)은 전력 설비가 고장 상태인 것이 라벨링된 주파수 데이터 및 전력 설비가 정상 상태인 것이 라벨링된 주파수 데이터를 기초로 미리 학습될 수 있다. 이에 따라, 제1 진단 모델(710)에 주파수 데이터가 입력될 경우, 제1 진단 모델(710)에 입력된 주파수 데이터에 대응되는 전력 설비가 고장 상태인지 또는 정상 상태인지 여부를 나타내는 진단 데이터가 출력될 수 있다. 또한, 상기 진단 데이터는 입력된 주파수에 대응되는 전력 설비가 고장 상태일 확률 또는 정상 상태일 확률에 대한 정보가 포함될 수 있다.
또한, (b)에서와 같이, 제2 진단 모델(720)은 제1 세부 진단 모델(721) 및 제2 세부 진단 모델(722) 및 결정부(723)를 포함할 수 있다. 제1 세부 진단 모델(721)은 전력 설비가 고장 상태인 것이 라벨링된 주파수 데이터를 기초로 미리 학습되고, 제2 세부 진단 모델(722)는 전력 설비가 정상 상태인 것이 라벨링된 주파수 데이터를 기초로 미리 학습될 수 있다. 이에 따라, 제1 세부 진단 모델(721)에 주파수 데이터가 입력될 경우, 제1 세부 진단 모델(721)에 입력된 주파수 데이터에 대응되는 전력 설비가 고장 상태일 확률을 나타내는 제1 세부 진단 데이터가 출력될 수 있다. 또한, 제2 세부 진단 모델(722)에 주파수 데이터가 입력될 경우, 제2 세부 진단 모델(722)에 입력된 주파수 데이터에 대응되는 전력 설비가 정상 상태일 확률을 나타내는 제2 세부 진단 데이터가 출력될 수 있다. 결정부(723)는 제1 세부 진단 모델(721)에서 출력된 제1 세부 진단 데이터 및 제2 세부 진단 모델(722)에서 출력된 제2 세부 진단 데이터를 기초로 입력된 주파수에 대응되는 전력 설비가 고장 상태인지 또는 정상 상태인지를 여부를 판단하고, 판단 결과를 포함한 진단 데이터를 획득할 수 있다.
또한, (c)에서와 같이, 제3 진단모델(730)는 제1 세부 진단 모델(731), 제2 세부 진단 모델(732), 제3 세부 진단 모델(733) 및 제4 세부 진단 모델(734)을 포함할 수 있다. 제1 세부 진단 모델(731)은 전력 설비에 아크가 발생된 것이 라벨링된 주파수 데이터를 기초로 미리 학습되고, 제2 세부 진단 모델(732)은 전력 설비에 코로나가 발생된 것이 라벨링된 주파수 데이터를 기초로 미리 학습될 수 있다. 또한, 제3 세부 진단 모델(733)은 전력 설비에 트래킹이 발생된 것이 라벨링된 주파수 데이터를 기초로 미리 학습되고, 제4 세부 진단 모델(734)은 전력 설비가 정상 상태인 것이 라벨링된 주파수 데이터를 기초로 미리 학습될 수 있다. 이에 따라, 제1 세부 진단 모델(731)에 주파수 데이터가 입력될 경우, 제1 세부 진단 모델(731)에 입력된 주파수 데이터에 대응되는 전력 설비에 아크가 발생된 확률을 나타내는 제1 세부 진단 데이터가 출력될 수 있고, 제2 세부 진단 모델(732)에 주파수 데이터가 입력될 경우, 제2 세부 진단 모델(732)에 입력된 주파수 데이터에 대응되는 전력 설비에 코로나가 발생된 확률을 나타내는 제2 세부 진단 데이터가 출력될 수 있다. 또한, 제3 세부 진단 모델(733)에 주파수 데이터가 입력될 경우, 제3 세부 진단 모델(733)에 입력된 주파수 데이터에 대응되는 전력 설비에 트래킹이 발생된 확률을 나타내는 제3 세부 진단 데이터가 출력될 수 있고, 제4 세부 진단 모델(734)에 주파수 데이터가 입력될 경우, 제4 세부 진단 모델(734)에 입력된 주파수 데이터에 대응되는 전력 설비가 정상 상태일 확률을 나타내는 제4 세부 진단 데이터가 출력될 수 있다. 결정부(735)는 제1 세부 진단 모델(731)에서 출력된 제1 세부 진단 데이터, 제2 세부 진단 모델(732)에서 출력된 제2 세부 진단 데이터, 제3 세부 진단 모델(733)에서 출력된 제3 세부 진단 데이터 및 제4 세부 진단 모델(734)에서 출력된 제4 세부 진단 데이터를 기초로 입력된 주파수에 대응되는 전력 설비가 고장 상태인지 또는 정상 상태인지를 여부를 판단하고, 판단 결과를 포함한 진단 데이터를 획득할 수 있다.
진단 장치는 진단 데이터에 대한 정보를 제공할 수 있다. 예를 들어, 진단 장치는 도 8에서와 같이 주파수 데이터에 대응되는 전력 설비, 데이터 처리 속도, 전력설비에 발생된 고장 현상(아크, 코로나, 트래킹 등), 전력설비에 고장이 발생될 확률 등에 대한 정보를 제공할 수 있다. 또한, 진단 장치는 전술한 초음파 측정 장치로부터 전력 설비의 외관의 상태를 나타내는 영상 정보 및 전력 설비의 온도에 대한 정보(예를 들어, 전력 설비가 정상 상태일 때와 고장 상태일 때의 온도 차이에 대한 적외선 영상 정보)를 제공할 수도 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (10)

  1. 전력 설비에 대한 주파수 데이터를 획득하는 단계 - 상기 주파수 데이터는 초음파 센서에 의해 측정된 상기 전력 설비에 대한 초음파 신호가 가청 주파수 대역인 음향 신호로 변환되고, 상기 음향 신호가 주파수 영역으로 변환된 데이터임 - ;
    상기 주파수 데이터를 미리 학습된 진단 모델에 입력하는 단계; 및
    상기 진단 모델을 기초로 상기 전력 설비에 대한 진단 데이터를 획득하는 단계
    를 포함하는,
    인공지능을 이용한 전력 설비 진단 방법.
  2. 제1항에 있어서,
    상기 주파수 데이터는 푸리에 변환을 기초로 상기 음향 신호가 주파수 영역으로 변환된 데이터인,
    인공지능을 이용한 전력 설비 진단 방법.
  3. 제1항에 있어서,
    상기 진단 모델을 기초로 상기 전력 설비에 대한 진단 데이터를 획득하는 단계는,
    상기 진단 모델을 기초로 상기 전력 설비에 고장이 발생된 확률을 나타내는 고장 상태 확률을 획득하는 단계;
    상기 진단 모델을 기초로 상기 전력 설비에 고장이 발생되지 않는 확률을 나타내는 정상 상태 확률을 획득하는 단계; 및
    상기 고장 확률 및 상기 정상 상태 확률을 기초로 상기 진단 데이터를 생성하는 단계
    를 포함하는,
    인공지능을 이용한 전력 설비 진단 방법.
  4. 제3항에 있어서,
    상기 진단 모델을 기초로 상기 전력 설비에 고장이 발생된 확률을 나타내는 고장 상태 확률을 획득하는 단계는,
    상기 진단 모델을 기초로 상기 전력 설비에 아크(Arc)가 발생된 확률을 나타내는 제1 고장 상태 확률을 획득하는 단계;
    상기 진단 모델을 기초로 상기 전력 설비에 코로나(Corona)가 발생된 확률을 나타내는 제2 고장 상태 확률을 획득하는 단계; 및
    상기 진단 모델을 기초로 상기 전력 설비에 트래킹(Tracking)이 발생된 확률을 나타내는 제3 고장 상태 확률을 획득하는 단계;
    를 포함하는,
    인공지능을 이용한 전력 설비 진단 방법.
  5. 제4항에 있어서,
    상기 진단 모델을 기초로 상기 전력 설비에 대한 진단 데이터를 획득하는 단계는,
    상기 제1 고장 상태 확률, 상기 제2 고장 상태 확률, 상기 제3 고장 상태 확률 및 상기 정상 상태 확률을 기초로 상기 진단 데이터를 획득하는 단계
    를 포함하는,
    인공지능을 이용한 전력 설비 진단 방법.
  6. 제1항에 있어서,
    상기 진단 모델은,
    LSTM을 기반으로 구축된,
    인공지능을 이용한 전력 설비 진단 방법.
  7. 제1항 내지 제6항에 기재된 방법을 실행시키는 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체.
  8. 진단 장치에 있어서,
    전력 설비에 대한 주파수 데이터를 획득하는 통신부; 및
    상기 주파수 데이터를 이용하여 상기 전력 설비에 대한 진단 데이터를 획득하는 제어부
    를 포함하고,
    상기 상기 주파수 데이터는 초음파 센서에 의해 측정된 상기 전력 설비에 대한 초음파 신호가 가청 주파수 대역인 음향 신호로 변환되고, 상기 음향 신호가 주파수 영역으로 변환된 데이터이고,
    상기 제어부는,
    상기 주파수 데이터를 미리 학습된 진단 모델에 입력하고, 상기 진단 모델을 기초로 상기 전력 설비에 대한 진단 데이터를 획득하는,
    진단 장치.
  9. 제8항에 있어서,
    상기 제어부는,
    상기 진단 모델을 기초로 상기 전력 설비에 아크(Arc)가 발생된 확률을 나타내는 제1 고장 상태 확률을 획득하고,
    상기 진단 모델을 기초로 상기 전력 설비에 코로나(Corona)가 발생된 확률을 나타내는 제2 고장 상태 확률을 획득하고,
    상기 진단 모델을 기초로 상기 전력 설비에 트래킹(Tracking)이 발생된 확률을 나타내는 제3 고장 상태 확률을 획득하고,
    상기 제1 고장 상태 확률, 상기 제2 고장 상태 확률, 상기 제3 고장 상태 확률 및 상기 정상 상태 확률을 기초로 상기 진단 데이터를 획득하는,
    진단 장치.
  10. 제8항에 있어서,
    상기 진단 모델은,
    LSTM을 기반으로 구축된,
    진단 장치.
KR1020210147200A 2021-10-29 2021-10-29 인공지능 기반의 전력 설비 진단 방법 및 이를 이용한 장치 KR20230062189A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210147200A KR20230062189A (ko) 2021-10-29 2021-10-29 인공지능 기반의 전력 설비 진단 방법 및 이를 이용한 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210147200A KR20230062189A (ko) 2021-10-29 2021-10-29 인공지능 기반의 전력 설비 진단 방법 및 이를 이용한 장치

Publications (1)

Publication Number Publication Date
KR20230062189A true KR20230062189A (ko) 2023-05-09

Family

ID=86408228

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210147200A KR20230062189A (ko) 2021-10-29 2021-10-29 인공지능 기반의 전력 설비 진단 방법 및 이를 이용한 장치

Country Status (1)

Country Link
KR (1) KR20230062189A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117031154A (zh) * 2023-08-07 2023-11-10 国网山西省电力公司超高压变电分公司 一种基于声纹识别的变压器故障分析方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117031154A (zh) * 2023-08-07 2023-11-10 国网山西省电力公司超高压变电分公司 一种基于声纹识别的变压器故障分析方法及系统
CN117031154B (zh) * 2023-08-07 2024-03-22 国网山西省电力公司超高压变电分公司 一种基于声纹识别的变压器故障分析方法及系统

Similar Documents

Publication Publication Date Title
JP6374466B2 (ja) センサインタフェース装置、測定情報通信システム、測定情報通信方法、及び測定情報通信プログラム
US9292473B2 (en) Predicting a time of failure of a device
TWI687711B (zh) 震央距離推定裝置、震央距離推定方法及電腦可讀取之記錄媒體
JP7068246B2 (ja) 異常判定装置、および、異常判定方法
US20100070213A1 (en) Method for Monitoring the Electrical Energy Quality in an Electrical Energy Supply System, Power Quality Field Device and Power Quality System
KR101174105B1 (ko) 비접촉식 구조물 변위 측정용 파라미터 데이터 생성 방법
CN103038599A (zh) 机载超声波频谱和图像生成
US10028729B2 (en) System and method for testing operability of a lens and selected transducer elements of an acoustic probe
JPWO2011036815A1 (ja) モニタリング装置
KR20230062189A (ko) 인공지능 기반의 전력 설비 진단 방법 및 이를 이용한 장치
JP6952575B2 (ja) 部分放電診断装置
JP7248103B2 (ja) 異常検知方法、異常検知装置、プログラム
KR101323727B1 (ko) 원전 비상디젤발전기 엔진제어시스템 제어모듈에 대한 정적 측정 및 동적 진단 장치
US20230350401A1 (en) Method for contactless diagnosing power facility using artificial intelligence and signal processing technology and device using the same
GB2531152A (en) A system and method for testing transducer elements of an acoustic probe
JP2022114330A (ja) 異常検知システム、異常検知方法及び異常検知プログラム
KR20180022180A (ko) 전자전 위협신호의 분류를 위한 딥 신경망 학습장치 및 방법
KR20190101275A (ko) 사물인터넷을 기반으로 선박 접안 시 항만 시설의 손상을 예방하는 방법 및 시스템
KR20230082887A (ko) 유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치 및 방법
KR102102887B1 (ko) 잡음 환경에서 변압기 소리 검출을 위한 방법
WO2021074973A1 (ja) モデル生成方法、モデル生成装置、プログラム
KR20240106426A (ko) 배터리 불량 진단 장치 및 방법
KR20240107268A (ko) 환경변화 적응형 배터리 진단 장치 및 방법
KR102251898B1 (ko) 태양 영상 노이즈 처리 장치 및 방법
WO2022173041A1 (ja) 異常音判定システム、異常音判定装置、及びプログラム

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal