KR20230071581A - 전력 설비를 위한 초음파 진단 방법 및 장치 - Google Patents
전력 설비를 위한 초음파 진단 방법 및 장치 Download PDFInfo
- Publication number
- KR20230071581A KR20230071581A KR1020210157936A KR20210157936A KR20230071581A KR 20230071581 A KR20230071581 A KR 20230071581A KR 1020210157936 A KR1020210157936 A KR 1020210157936A KR 20210157936 A KR20210157936 A KR 20210157936A KR 20230071581 A KR20230071581 A KR 20230071581A
- Authority
- KR
- South Korea
- Prior art keywords
- ultrasonic
- abnormal
- frequency
- signal
- components
- Prior art date
Links
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 69
- 238000001514 detection method Methods 0.000 title claims description 42
- 230000002159 abnormal effect Effects 0.000 claims abstract description 76
- 238000003745 diagnosis Methods 0.000 claims abstract description 72
- 238000004458 analytical method Methods 0.000 claims abstract description 68
- 238000013179 statistical model Methods 0.000 claims abstract description 46
- 238000002405 diagnostic procedure Methods 0.000 claims abstract description 10
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 46
- 238000000034 method Methods 0.000 claims description 39
- 238000007476 Maximum Likelihood Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 11
- 230000008901 benefit Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006866 deterioration Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012285 ultrasound imaging Methods 0.000 description 2
- 208000016621 Hearing disease Diseases 0.000 description 1
- 208000009205 Tinnitus Diseases 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 231100000886 tinnitus Toxicity 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1209—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using acoustic measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/005—Circuits for comparing several input signals and for indicating the result of this comparison, e.g. equal, different, greater, smaller (comparing phase or frequency of 2 mutually independent oscillations in demodulators)
-
- 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
- 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
- G01R31/40—Testing power supplies
-
- 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)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
본 발명의 전력 설비를 위한 초음파 진단 방법은, 외란을 포함하는 초음파신호를 수신하는 단계; 수신한 신호를 주파수축 신호로 변환하는 단계; 시간영역 통계모델 분석으로부터 초음파 이상 성분 정도를 판단하는 단계; 주파수영역 통계모델 분석으로부터 초음파 이상 성분 정도를 판단하는 단계; 고주파대역에서 스펙트럼 분석을 기반으로 계산된 고에너지 성분 빈출률로부터 초음파 이상 성분 정도를 판단하는 단계; 및 3 종류의 초음파 이상 성분 정도를 판단한 결과로부터 초음파 이상 성분의 존재 유무를 최종 결정하는 단계를 포함할 수 있다.
Description
본 발명은 시간 영역 통계모델 분석(예: 가우시안 분포 분석기법) 및 주파수영역 통계모델 분석(예: 레일리 분포 분석기법) 및 통계모델 분석방식 등 신호처리 기반의 시스템 진단으로 전환하여 초음파 자동검출 기술을 구현 설비진단을 위한 초음파 자동탐지 시스템으로서 전력 설비를 위한 초음파 진단 방법 및 장치에 관한 것이다.
일반적으로 전력설비는 고전압 환경에서 사용되어 여러 가지 열화현상(환경적, 기계적, 열적, 전기적 열화 등)이 전기적 이상으로 나타난다. 금구의 균열이나 부식 등 일부를 제외하고 설비에 열화가 진행되면 부분방전이나 누설전류 등의 형태로 여러 가지 징후가 나타나게 된다.
이중, 전력기기의 부분방전 위치를 추정하는 기술은 전력기기의 고장을 예방하는데 있어서 매우 실용적인 기술로서, 종래에는 전력기기의 부분방전 위치 추정을 위하여 방전에 의해 발생한 전자파 방전신호의 감쇠를 이용하는 방법과, 전자파 방전신호가 부분방전센서에 도달하는 시간차를 이용하는 방법 등이 사용되어 왔지만, 해당 전력기기의 결함 종류만 추정할 수 있을 뿐, 더 중요한 부분방전의 발생 위치 및 위험도 등을 정확하게 알 수 없었다.
부분방전에 대한 보다 상세한 분석을 위해 전력 설비에 대한 초음파 진단 방법들이 제시되었다.
도 1은 배전 설비에 대한 초음파진단의 원리와 진단 시 활용되는 초음파 주파수대역을 나타낸 개념도이다.
배전 설비 초음파 진단은, 절연체의 열화에 의한 아크방전 또는 코로나방전으로 발생하는 초음파신호를 탐지하는 방법으로서 초음파 검출을 통해 고장 발생 전의 불량설비 또는 잠재적 불량위험이 있는 설비를 적출하는 진단 방법이다.
그런데, 초음파진단은 진단장비의 영역검출기로부터 수음한 초음파 신호음을 가청대역으로 주파수변조 후 진단담당자의 청음을 통해 이루어지며, 담당자의 숙련도(전문지식, 경험, 청각능력 등)에 따라 초음파 검출결과의 편차가 심하다.
또한, 진단장비를 활용하여 담당자의 청음(청취)에 의존한 진단을 지속적으로 실시하면 각종 청각질환(이명 등)에 노출될 가능성이 상당하다.
도 2는 초음파 영상카메라 진단방식을 예시하는 개념도이다.
근래 도 2와 같이 초음파신호의 강도를 측정, 시각화하여 설비 영상(이미지)에 오버레이하는 형태의 진단방식이 제안된 바 있으나, 초음파 적출결과를 자동 판단하는 방식이 아닌 진단담당자의 이해를 돕기 위한 시각적 보조방식에 제한되는 이용되고 있을 뿐이다. 예컨대, Power나 주파수범위 등 전문지식을 가진 사용자의 자의적 입력이 필요하다.
도 3은 외란 발생으로 인한 초음파 진단의 난해성을 설명하는 개념도이다.
또 다른 방식으로, 심층신경망(Deep neural network, DNN) 기반의 초음파 상태진단 방식을 제안한 기법이 있으나, 도 3과 같이 초음파 진단 자체가 주변 소음 등 분석이 난해한 점, 진단 시행 전 진단 담당자(사용자)에게 진단설비에 대한 다수 사전정보를 입력하게 하는 점, 그리고 사전정보에 의존적인 진단결과가 도출되는 점 등 한계가 있다.
본 발명은 시간-주파수 영역 분석 및 통계모델 분석방식 등 신호처리 기반의 시스템 진단으로 전환하여 초음파를 관찰하여 전력 설비를 자동으로 진단할 수 있는 초음파 진단 방법을 제공하고자 한다.
본 발명의 일 측면에 따른 전력 설비를 위한 초음파 진단 방법은, 외란을 포함하는 초음파신호를 수신하는 단계; 수신한 신호를 주파수축 신호로 변환하는 단계; 시간영역 통계모델 분석으로부터 초음파 이상 성분 정도를 판단하는 단계; 주파수영역 통계모델 분석으로부터 초음파 이상 성분 정도를 판단하는 단계; 고주파대역에서 스펙트럼 분석을 기반으로 계산된 고에너지 성분 빈출률로부터 초음파 이상 성분 정도를 판단하는 단계; 및 3 종류의 초음파 이상 성분 정도를 판단한 결과로부터 초음파 이상 성분의 존재 유무를 최종 결정하는 단계를 포함할 수 있다.
여기서, 상기 주파수축 신호로 변환하는 단계 이후, 상기 시간영역 통계모델 분석으로부터 초음파 이상 성분 정도를 판단하는 단계 이전에, 상기 수신된 초음파신호의 고에너지 성분의 빈출률에 따라 외란 존재 시간 구간을 필터링하는 단계를 더 포함할 수 있다.
여기서, 상기 주파수축 신호로 변환하는 단계에서는, 상기 초음파신호를 단구간(5 내지 40msec)으로 분리 후 각 구간별 신호에 대한 주파수 성분 변환을 수행할 수 있다.
여기서, 상기 주파수축 신호로 변환하는 단계에서는, 하기 수학식에 따라 변환을 수행할 수 있다.
(여기서, k는 주파수계수 색인, m은 프레임(frame) 색인, w는 시간영역에서의 윈도우(window) 함수)
여기서, 상기 시간영역 통계모델 분석으로부터 초음파 이상 성분 정도를 판단하는 단계에서는, 상기 초음파신호의 히스토그램과 가우시안 분포에 대한 상관계수을 계산하여 초음파 이상신호의 정도를 정량적으로 계산할 수 있다.
여기서, 상기 시간영역 통계모델 분석으로부터 초음파 이상 성분 정도를 판단하는 단계에서는, 하기 수학식에 따라 정량적으로 계산을 수행할 수 있다.
(여기서, h(x)는 히스토그램 , p(x)는 가우시안 분포, εCorr는 오차(Error))
여기서, 상기 주파수영역 통계모델 분석으로부터 초음파 이상 성분 정도를 판단하는 단계에서는, 주파수축 초음파신호에서 서로 직교하는 성분에 의해 얻어지는 레일리 분포의 최빈값(Maximum likelihood, 최대우도)에 따라 초음파 이상 성분의 포함 정도를 판정할 수 있다.
여기서, 상기 주파수영역 통계모델 분석으로부터 초음파 이상 성분 정도를 판단하는 단계에서는, 하기 수학식에 따라 레일리 분포의 최빈값( : Maximum likelihood, 최대우도)을 계산할 수 있다.
여기서, 상기 고에너지 성분 빈출률로부터 초음파 이상 성분 정도를 판단하는 단계에서는, 분석이 필요한 고주파 영역을 5000Hz부터 9000Hz까지의 대역 중 전부 또는 일부로 설정한 대역의 고에너지 성분 빈출률을 적용할 수 있다.
여기서, 상기 고에너지 성분 빈출률로부터 초음파 이상 성분 정도를 판단하는 단계에서는, 하기 수학식에 따른 에너지 문턱값을 적용할 수 있다.
(여기서, Nl은 고주파대역의 하한주파수(Low bound), N은 고주파대역의 상한주파수(High bound), L은 초음파신호의 전체 시간 프레임 수)
여기서, 상기 외란 존재 시간 구간을 필터링하는 단계에서는, 상기 수신된 초음파신호에서 에너지 분석을 기반으로 문턱값을 도출하고, 시간 변화에 따른 에너지 평균값과 비교하는 방식으로 고에너지 성분의 빈출률을 계산 후 외란 존재 유무를 결정할 수 있다.
여기서, 상기 외란 존재 시간 구간을 필터링하는 단계에서는, 하기 수학식에 따른 외란 탐지 매개변수 δ를 적용할 수 있다.
(여기서, : 초음파 신호음 전체구간에 대하여 평균에너지가 문턱값보다 크게 탐지되는 프레임(세부 구간) 회수, : 최대 에너지를 가지는 세부 구간의 전후 윈도우 구간에서 평균에너지가 문턱값보다 크게 탐지되는 프레임 횟수)
여기서, 초음파 이상 성분의 존재 유무를 최종 결정하는 단계에서는, 하기 수학식에 따라 초음파 신호음 전체구간에 대하여 초음파 이상성분의 존재 유무를 결정할 수 있다.
본 발명의 다른 측면에 따른 전력 설비를 위한 초음파 진단 장치는, 시간축 초음파신호(Waveform)를 주파수축 신호(Frequency response)로 변환하는 푸리에 변환부; 변환된 주파수축 초음파신호에서 외란 여부를 결정하여 필터링하는 외란 탐지부; 상기 시간축 초음파신호에 대하여 가우시안 분포 분석기법에 따른 초음파 이상성분 검출을 수행하는 시간영역 통계모델 분석부; 상기 주파수축 초음파신호에 대하여 수행한 레일리 분포 분석기법에 따른 초음파 이상성분 검출을 수행하는 주파수영역 통계모델 분석부; 상기 주파수축 초음파신호의 고에너지 성분의 에너지를 분석하여 초음파 이상성분 검출을 수행하는 고에너지 이상성분 탐지부; 및 3 종류의 초음파 이상 성분 정도를 판단한 결과로부터 초음파 이상 성분의 존재 유무를 최종 판정하는 최종 판정부를 포함할 수 있다.
여기서, 상기 푸리에 변환부는, 상기 초음파신호를 단구간(5 내지 40msec)으로 분리 후 각 구간별 신호에 대한 주파수 성분 변환을 수행할 수 있다.
여기서, 상기 시간영역 통계모델 분석부는, 상기 초음파신호의 히스토그램과 가우시안 분포에 대한 상관계수을 계산하여 초음파 이상신호의 정도를 정량적으로 계산할 수 있다.
여기서, 상기 주파수영역 통계모델 분석부는, 주파수축 초음파신호에서 서로 직교하는 성분에 의해 얻어지는 레일리 분포의 최빈값(Maximum likelihood, 최대우도)에 따라 초음파 이상 성분의 포함 정도를 판정할 수 있다.
여기서, 상기 고에너지 이상성분 탐지부는, 분석이 필요한 고주파 영역을 5000Hz부터 9000Hz까지의 대역 중 전부 또는 일부로 설정한 대역의 고에너지 성분 빈출률을 적용할 수 있다.
상술한 구성의 본 발명의 사상에 따른 전력 설비를 위한 초음파 진단 방법을 실시하면, 시간-주파수 영역 분석 및 통계모델 분석방식 등 신호처리 기반의 시스템 진단으로 전환하여 초음파를 관찰하여 전력 설비를 자동으로 진단할 수 있는 이점이 있다.
본 발명의 전력 설비를 위한 초음파 진단 방법은, 전반적 보급을 통하여 초음파 진단용역 비용 절감하고, 진단 소요시간 90배 단축시키는 등 진단 효율성 증대하는 이점이 있다.
본 발명의 전력 설비를 위한 초음파 진단 방법은, 인력 위주의 초음파 진단용역 결과에 대하여 신뢰성 검증을 수행할 수 있는 지점이 있다. 예컨대, 인력 위주의 초음파 진단용역 결과에 대해, 본 발명 기반의 자동 분석결과를 통해 교차 검증(Cross-check)이 가능하다.
본 발명의 전력 설비를 위한 초음파 진단 방법은, 모든 개소 진단용역 결과에 대한 빠르고 객관적인 검증 가능하며, 진단 기법의 실효성 향상으로 인적오류(Human-error)에 의한 불량 적출 누락 최소화하는 이점이 있다.
본 발명의 전력 설비를 위한 초음파 진단 방법은, 개인별 진단능력에 영향 없는 배전설비 초음파 진단이 가능하며, 누구나 할 수 있는 초음파진단 프로세스 확보할 수 있는 이점이 있다.
본 발명의 전력 설비를 위한 초음파 진단 방법은, 환경 소음 등 외란에 강한 알고리즘을 통해 진단결과 신뢰성을 확보하는 이점이 있다.
본 발명의 전력 설비를 위한 초음파 진단 방법은, 반복적 초음파신호 청취로 인해 발생할 수 있는 진단담당자의 청력 손상을 미연에 방지하는 등 인적 자원을 보호하고, 기 보급된 초음파 진단장비를 활용하는 등 물적 자원을 효율화하는 이점이 있다.
도 1은 배전 설비에 대한 초음파진단의 원리와 진단 시 활용되는 초음파 주파수대역을 나타낸 개념도.
도 2는 초음파 영상카메라 진단방식을 예시하는 개념도.
도 3은 외란 발생으로 인한 초음파 진단의 난해성을 설명하는 개념도.
도 4는 본 발명의 사상에 따른 전력 설비를 위한 초음파 진단 방법의 일 실시예를 도시한 흐름도.
도 5는 본 발명의 사상에 따른 전력 설비를 위한 초음파 진단 장치의 일 실시예를 도시한 블록도.
도 6은 초음파 신호음의 단구간 푸리에 변환(STFT)을 정의하는 개념도.
도 7은 이상성분 없는 경우의 초음파신호 파형의 히스토그램과 가우시안 분포 모델링을 도시한 그래프.
도 8은 이상성분 있는 경우의 초음파신호 파형의 히스토그램과 가우시안 분포 모델링을 도시한 그래프.
도 9는 STFT 계수의 실수부 및 허수부 히스토그램에 대한 가우시안 분포 모델링을 나타낸 그래프.
도 10은 STFT 계수(실수부, 허수부) 간 직교성과 이에 의한 크기(Magnitude)의 상관관계를 나타낸 그래프.
도 11은 최빈값에 따른 레일리 분포의 변화를 나타낸 그래프.
도 12a 및 12b는 초음파 이상성분 빈출률이 낮은 경우(12a)와 높은 경우(12b)의 스펙트로그램(위) 및 고에너지 빈출의 정도(아래)를 나타내는 그래프들.
도 13a는 외란인 경우의 파형(위), 스펙트로그램(중간), 외란탐지 표시(아래)를 나타낸 그래프들.
도 13b 및 13c는 초음파 이상성분인 경우의 파형(위), 스펙트로그램(중간), 외란탐지 표시(아래)를 나타낸 그래프들.
도 2는 초음파 영상카메라 진단방식을 예시하는 개념도.
도 3은 외란 발생으로 인한 초음파 진단의 난해성을 설명하는 개념도.
도 4는 본 발명의 사상에 따른 전력 설비를 위한 초음파 진단 방법의 일 실시예를 도시한 흐름도.
도 5는 본 발명의 사상에 따른 전력 설비를 위한 초음파 진단 장치의 일 실시예를 도시한 블록도.
도 6은 초음파 신호음의 단구간 푸리에 변환(STFT)을 정의하는 개념도.
도 7은 이상성분 없는 경우의 초음파신호 파형의 히스토그램과 가우시안 분포 모델링을 도시한 그래프.
도 8은 이상성분 있는 경우의 초음파신호 파형의 히스토그램과 가우시안 분포 모델링을 도시한 그래프.
도 9는 STFT 계수의 실수부 및 허수부 히스토그램에 대한 가우시안 분포 모델링을 나타낸 그래프.
도 10은 STFT 계수(실수부, 허수부) 간 직교성과 이에 의한 크기(Magnitude)의 상관관계를 나타낸 그래프.
도 11은 최빈값에 따른 레일리 분포의 변화를 나타낸 그래프.
도 12a 및 12b는 초음파 이상성분 빈출률이 낮은 경우(12a)와 높은 경우(12b)의 스펙트로그램(위) 및 고에너지 빈출의 정도(아래)를 나타내는 그래프들.
도 13a는 외란인 경우의 파형(위), 스펙트로그램(중간), 외란탐지 표시(아래)를 나타낸 그래프들.
도 13b 및 13c는 초음파 이상성분인 경우의 파형(위), 스펙트로그램(중간), 외란탐지 표시(아래)를 나타낸 그래프들.
본 발명을 설명함에 있어서 제 1, 제 2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되지 않을 수 있다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 연결되어 있다거나 접속되어 있다고 언급되는 경우는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해될 수 있다.
본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.
본 명세서에서, 포함하다 또는 구비하다 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것으로서, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해될 수 있다.
또한, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
본 발명은 담당자 숙련도에 의존한 인력 진단에서 통계모델 분석방식 등 신호처리 기반의 시스템 진단으로 전환하여 초음파 자동검출 기술을 구현하고자 한다.
도 4는 본 발명의 사상에 따른 전력 설비를 위한 초음파 진단 방법의 일 실시예를 도시한 흐름도이다.
도시한 전력 설비를 위한 초음파 진단 방법은, 외란을 포함하는 초음파신호를 수신하는 단계(S110); 수신한 신호를 주파수축 신호로 변환하는 단계(S120); 상기 수신된 초음파신호의 고에너지 성분의 빈출률에 따라 외란 존재 구간을 필터링하는 단계(S130); 시간영역 통계모델 분석으로부터 초음파 이상 성분 정도를 판단하는 단계(S140); 주파수영역 통계모델 분석으로부터 초음파 이상 성분 정도를 판단하는 단계(S150); 고주파대역에서 스펙트럼 분석을 기반으로 고에너지 성분 빈출률을 계산하여 초음파 이상 성분 정도를 판단하는 단계(S160); 및 상기 3 종류의 초음파 이상 성분 정도를 판단한 결과로부터 초음파 이상 성분의 존재 유무를 최종 결정하는 단계(S170)를 포함할 수 있다.
예컨대, 상기 S120 단계에서는 푸리에 변환을 적용하여 시간축 신호를 주파수축 신호로 변환할 수 있다.
예컨대, 상기 S130 단계에서는 상기 수신된 초음파신호에서 에너지 분석을 기반으로 문턱값을 도출하고, 시간 변화에 따른 에너지 평균값과 비교하는 방식으로 고에너지 성분의 빈출률을 계산 후 외란 존재 유무를 결정할 수 있다.
상기 S130 단계에서는 외란이 존재하는 시간 구간을 제거하는 일종의 필터링을 수행하여 초음파 신호음 전체구간에서 외란으로 판정된 부분을 제거하며, 필터링된(제거되지 않은) 구간의 신호를 대상으로 다음 S140 단계 내지 S160 단계를 수행한다.
예컨대, 상기 S140 단계에서는 시간영역에서의 초음파 파형에 대한 가우시안 통계모델 분석을 실시하여 상관계수 도출을 통한 초음파 이상성분의 정도를 판단할 수 있다.
예컨대, 상기 S150 단계에서는 주파수영역에서의 초음파 스펙트럼에 대한 레일리 통계모델 분석을 실시하여 최대우도(최빈값)비 도출을 통한 초음파 이상성분의 정도를 판단할 수 있다.
예컨대, 상기 S160 단계에서는 고주파대역에서 스펙트럼 분석을 기반으로 문턱값을 도출하고 시간 변화에 따른 에너지 평균값과 비교하는 방식으로 고에너지 성분의 빈출률을 계산하여 초음파 이상성분의 정도를 판단할 수 있다.
상기 S140 단계 내지 상기 S160 단계는 서로 독립적으로 수행되는 바, 비록 도면에서는 순서를 가지는 것으로 표현하였지만, 병렬적으로 동시에 수행될 수도 있다.
예컨대, 상기 S170 단계에서는, 상기 S140 단계 내지 상기 S160 단계에서 도출된 상관계수, 최대우도비, 빈출률을 통합하여 문턱값과 비교하여 초음파 이상성분의 존재 유무를 자동으로 결정할 수 있다.
도 5는 본 발명의 사상에 따른 전력 설비를 위한 초음파 진단 장치의 일 실시예를 도시한 블록도이다. 도 5는 도 4에 도시한 초음파 자동검출 알고리즘의 블록도로 볼 수도 있다.
도시한 전력 설비를 위한 초음파 진단 장치는, 시간축 초음파신호(Waveform)를 주파수축 신호(Frequency response)로 변환하는 푸리에 변환부(120); 푸리에 변환된 신호에서 이상성분으로 탐지할 경우 외란(환경소음) 여부를 결정하는 외란 탐지부(130); 상기 시간축 초음파신호에 대하여 가우시안 분포 분석기법에 따른 초음파 이상성분 검출을 수행하는 시간영역 통계모델 분석부(140); 상기 푸리에 변환된 신호에 대하여 수행한 레일리 분포 분석기법에 따른 초음파 이상성분 검출하는 주파수영역 통계모델 분석부(150); 고에너지 성분에 대하여 초음파 에너지를 분석하여 이상성분을 검출하는 고에너지 이상성분 탐지부(160); 이상성분 포함 여부에 대한 최종 판단을 수행하는 최종 판정부(170)를 포함할 수 있다.
도시한 전력 설비를 위한 초음파 진단 장치는, 수신되는 초음파 신호를 이상성분 판정을 위한 단위 구간으로서, '초음파 신호음 전체구간'들로 시분할하는 신호 수신부를 더 포함할 수 있다.(예컨대, '초음파 신호음 전체구간'은 약 10초의 길이를 가질 수 있다.) 최종적으로 상기 최종 판정부(170)는 각 '초음파 신호음 전체구간'에 대하여 이상성분 포함 or 불포함으로 판정한다.
먼저, 상기 푸리에 변환부(120)에서 수행하는 S120 단계에 대하여 구체적으로 예시한다.
푸리에 변환은 시간 영역에서의 함수를 주파수 성분으로 분해하기 위한 극히 널리 알려진 변환기법이다.
예컨대, 초음파 신호음(Waveform)에 대한 푸리에 변환을 통해 주파수 영역에서의 복소계수(Complex coefficient)를 하기 수학식 1과 같이 획득할 수 있다.
여기서, n은 이산신호 샘플 색인(Sample index), N은 이산 복소계수의 총 개수, x[n]은 이산신호(Discrete-time signal), 즉 초음파 신호음이며, Xk는 이산 복소계수이다.
특히, 본 발명에서는 초음파신호의 시간-주파수 특성을 유기적으로 분석하기 위해 하기 수학식 2와 같이 단구간 푸리에 변환(Short-time Fourier transform, STFT)을 적용할 수 있다.
여기서, k는 주파수계수 색인, m은 세부 구간으로서 프레임(frame) 색인, w는 시간영역에서의 윈도우(window) 함수이다. 상기 하나의 '초음파 신호음 전체구간'은 다수 개의 상기 프레임들로 이루어지며, '초음파 신호음 전체구간'은 그 전체 길이 또는 속하는 상기 프레임들의 개수로서, L로 정의될 수 있다.
도 6은 초음파 신호음의 단구간 푸리에 변환(STFT)을 정의하는 개념도이다.
예컨대, 상기 S120 단계에서 STFT를 통해 초음파신호 X를 단구간(5 내지 40msec의 단위 구간, 바람직하게는 10-20 msec)으로 분리 후, 상기 S130 단계에서 각 구간별 신호에 대한 주파수 성분 변화를 관찰할 수 있다.
다음, 상기 시간영역 통계모델 분석부(140)에서 수행하는 S140 단계에 대하여 구체적으로 예시한다.
예컨대, 상기 S140 단계에서는 시간영역 통계모델 분석기법으로서, 가우시안 분포 모델링을 적용할 수 있다.
도 7은 이상성분 없는 경우의 초음파신호 파형의 히스토그램과 가우시안 분포 모델링을 도시한 그래프이다.
도 8은 이상성분 있는 경우의 초음파신호 파형의 히스토그램과 가우시안 분포 모델링을 도시한 그래프이다.
초음파 진단장비로 획득한 신호 x[n]에 대한 랜덤변수(Random variable) X 또한 일반적으로는 도 7과 유사하게 가우시안 분포를 따른다고 가정할 수 있다.
그러나, 도 8과 유사한 초음파진단 시 이상신호음이 포함된 경우와 같이 비정상(non-stationary) 신호의 히스토그램 h(x)는 가우시안 분포 p(x)로 모델링하기에 적합하지 않다.
따라서, 하기 수학식 4와 같이, 히스토그램 h(x)와 가우시안 분포 p(x)에 대한 상관계수 Corr을 계산하여 초음파 이상신호의 정도를 정량적으로 계산할 수 있다. (즉, 이상신호가 심할수록 Corr은 작아짐)
여기서, 시간영역 통계모델 분석 결과로서, 하기 수학식 5와 같은 오차(Error) εCorr을 정의(εCorr이 클수록 초음파 이상신호의 정도가 심함을 의미)할 수 있다.
다음, 상기 주파수영역 통계모델 분석부()에서 수행하는 S150 단계에 대하여 구체적으로 예시한다.
도 9는 STFT 계수의 실수부 및 허수부 히스토그램에 대한 가우시안 분포 모델링을 나타낸 그래프이다.
주파수영역 통계모델 분석기법에 있어서, STFT를 통해 얻어진 초음파신호의 주파수응답 복소계수 X(k,m)를 하기 수학식 6에 따라 구할 수 있다.
도 10은 STFT 계수(실수부, 허수부) 간 직교성과 이에 의한 크기(Magnitude)의 상관관계를 나타낸 그래프이다.
한편, 실수부 과 허수부 는 오일러 공식(Euler’s formula)에 따라 도 9와 같은 직교성(Orthogonality)을 가지며, 푸리에 계수의 파워스펙트럼(Power spectrum) 은 하기 수학식 7 같이 구해질 수 있다.
레일리 분포의 최빈값(Maximum likelihood, 최대우도)은 하기 수학식 9와 같이 근사할 수 있다.
도 11은 최빈값에 따른 레일리 분포의 변화를 나타낸 그래프이다.
초음파신호 중 이상성분이 많이 검출된다는 것은 고(高) 에너지 성분이 다수 발견된다는 의미이며, 고에너지 성분이 많을수록 초음파신호의 최빈값 또한 커지게 됨을 도 11로부터 알 수 있다.
반대로, 상태가 양호한 설비나 기자재에서 적출한 초음파 신호음에는 고에너지를 가지는 이상성분은 매우 적거나 거의 없을 것이며, 최빈값( ) 또한 상대적으로 작은 값을 가지게 될 것이다.
상술한 현상을 감안하여, 진단장비로 적출한 초음파신호의 최빈값()을 의 비율(ratio)을 하기 수학식 10과 같이 최대우도비()로 정의하며 해당값이 1.0에 근접할수록 초음파신호에 이상성분이 없음(미검출)을, 1.0보다 클수록 이상성분이 다수 포함되어 있음(검출)을 나타내게 되는 것으로 간주하여, 초음파 이상 성분의 정도를 판단할 수 있다.
다음, 상기 고에너지 이상성분 탐지부(160)에서 수행하는 S160 단계에 대하여 구체적으로 예시한다.
초음파진단 시 진단담당자는 가청음으로 변조된 초음파 신호음을 청취하게 되는데, 초음파 이상성분은 대게 팝노이즈(Pop-noise) 형태로 전체 주파수 대역에 고른 에너지 분포를 보인다.
인간의 청음능력이 저주파에는 민감하지만 고주파에는 둔감하다는 점을 고려할 때, 초음파 신호음의 고주파 성분을 집중적으로 분석하면 이상성분 탐지 정확도를 제고할 수 있다.
신호음 샘플링 레이트(Sample rate)를 16,000Hz로 가정할 때, 집중적으로 분석이 필요한 고주파 영역은 6000-8000Hz로 설정하되 이는 가변적으로 변경하여 적용할 수 있다.(넓게는 5000Hz부터 9000Hz까지의 대역 중 전부 또는 일부로 설정할 수 있다.)
예컨대, 고주파 대역에서의 이상성분 탐지를 위해, 에너지 문턱값(Energy threshold, Eth)를 하기 수학식 11과 같이 정의할 수 있다.
여기서, Nl은 고주파대역의 하한주파수(Low bound), N은 고주파대역의 상한주파수(High bound), L은 단위 초음파 신호음 전체구간에서의 프레임 수이다.
분석하고자 하는 고주파대역의 에너지 평균값을 시간변화에 따라 아래 수학식 12와 같이 계산할 수 있다.
즉, 시간 m에서의 에너지 평균값 Eavg(m)이 Eth보다 크면 해당 시점에 이상성분이 존재한다고 할 수 있으며, 하기 수학식 13과 같이 초음파 신호의 전체 시간(L)에서 이상성분이 검출된 횟수(Ldetect)를 통해 이상성분 빈출률 를 정의할 수 있다.
도 12a 및 12b는 초음파 이상성분 빈출률이 낮은 경우(12a)와 높은 경우(12b)의 스펙트로그램(위) 및 고에너지 빈출의 정도(아래)를 나타내는 그래프들이다.
다음, 상기 외란 탐지부(130)에서 수행하는 S130 단계의 외란(환경소음) 탐지 기법에 대하여 구체적으로 예시한다.
도 13a는 외란인 경우의 파형(위), 스펙트로그램(중간), 외란탐지 표시(아래)를 나타낸 그래프들이다.
도 13b 및 13c는 초음파 이상성분인 경우의 파형(위), 스펙트로그램(중간), 외란탐지 표시(아래)를 나타낸 그래프들이다.
초음파진단 시행 시, 외란(차량 경적음, 브레이크음, 조류음 등)과 같은 비정상소음(Non-stationary noise)이 발생하면 진단결과의 신뢰도가 저하될 수 있다.
상기 외란 탐지부(130)의 에너지 분석을 통한 외란탐지 기술을 통해 비정상소음 존재 유무를 판단하여 초음파 자동검출 알고리즘의 정확도를 제고 가능하다.
초음파 신호음 전체구간에 대하여 이 보다 크게 탐지되는 횟수를 로, 구간 에서 이 보다 크게 관찰되는 횟수를 라고 하면, 하기 수학식 16과 같이 외란 탐지 매개변수 δ를 정의할 수 있다.
외란 탐지를 수행한 이후 외란이 존재하는 것으로 판단되면 외란에 해당하는 부분을 제외한 나머지 부분에 대해 앞서 기술된 모듈(통계모델 기반 탐지, 이상성분 탐지)이 동작하여 초음파 이상성분의 자동검출을 실시할 수 있다.
다음, 상기 최종 판정부(170)에서 수행하는 S170 단계의 종합적이고 최종적인 검출 판정 기법에 대하여 구체적으로 예시한다.
최종적으로 하기 수학식 19와 같이 초음파 이상성분의 존재 유무를 결정할 수 있다.
상술한 과정으로 본 발명의 사상에 따른 전력 설비를 위한 초음파 진단 장치는 L로 정의되는 각 초음파 신호음 전체구간(L 프레임)들에 대하여, 초음파 이상 성분의 존재 유무를 출력한다. 진단 담당자는 상기 초음파 진단 장치가 초음파 이상 성분이 존재한다고 판정한 일부의 초음파 신호음 전체구간들(즉, L프레임들)만을 상세 분석하거나 필드 점검하면 되므로, 업무를 경감시킬 수 있다. 또는, 반대로 진단 담당자의 청음 판정 결과와 상호 비교할 수도 있다.
본 발명은 충분한 고도화를 통해 결함기자재의 종류, 결함 유형에 대한 자동탐지 가능성 등 기술적 잠재성을 가지는데, 구체적으로, 기자재 별 진단으로서, LP애자, 현수애자, COS, 그 외 가공선로 상의 변압기나 개폐기 등에 대하여, 결함 유형별 진단, 구체적으로, 침식 또는 부식, 크랙, 표면박리, 불순물 접촉, 설치불량 등에 대한 진단을 수행할 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
본 발명의 설명을 위한 도면들에는 본 발명을 특히 배전설비 초음파진단(가공진단)시 활용하는 것을 예시하였지만, 기본이 되는 동작원리는 음향 검출을 통한 상태진단 방식에 다양하게 응용할 수 있는 바, 부분 방전진단(Partial discharge) 중 음향 기반 진단방식, 지중 송전선로 진단, 송변전 및 대형 변압기 상태진단 등에도 적용이 가능하며, 이 또한 본 발며의 권리범위에 속함은 물론이다.
120 : 푸리에 변환부
130 : 외란 탐지부
140 : 시간영역 통계모델 분석부
150 : 주파수영역 통계모델 분석부
160 : 고에너지 이상성분 탐지부
170 : 최종 판정부
130 : 외란 탐지부
140 : 시간영역 통계모델 분석부
150 : 주파수영역 통계모델 분석부
160 : 고에너지 이상성분 탐지부
170 : 최종 판정부
Claims (18)
- 외란을 포함하는 초음파신호를 수신하는 단계;
수신한 신호를 주파수축 신호로 변환하는 단계;
시간영역 통계모델 분석으로부터 초음파 이상 성분 정도를 판단하는 단계;
주파수영역 통계모델 분석으로부터 초음파 이상 성분 정도를 판단하는 단계;
고주파대역에서 스펙트럼 분석을 기반으로 계산된 고에너지 성분 빈출률로부터 초음파 이상 성분 정도를 판단하는 단계; 및
3 종류의 초음파 이상 성분 정도를 판단한 결과로부터 초음파 이상 성분의 존재 유무를 최종 결정하는 단계
를 포함하는 전력 설비를 위한 초음파 진단 방법.
- 제1항에 있어서,
상기 주파수축 신호로 변환하는 단계 이후, 상기 시간영역 통계모델 분석으로부터 초음파 이상 성분 정도를 판단하는 단계 이전에,
상기 수신된 초음파신호의 고에너지 성분의 빈출률에 따라 외란 존재 시간 구간을 필터링하는 단계
를 더 포함하는 전력 설비를 위한 초음파 진단 방법.
- 제1항에 있어서,
상기 주파수축 신호로 변환하는 단계에서는,
상기 초음파신호를 단구간(5 내지 40msec)으로 분리 후 각 구간별 신호에 대한 주파수 성분 변환을 수행하는 전력 설비를 위한 초음파 진단 방법.
- 제1항에 있어서,
상기 시간영역 통계모델 분석으로부터 초음파 이상 성분 정도를 판단하는 단계에서는,
상기 초음파신호의 히스토그램과 가우시안 분포에 대한 상관계수을 계산하여 초음파 이상신호의 정도를 정량적으로 계산하는 전력 설비를 위한 초음파 진단 방법.
- 제1항에 있어서,
상기 주파수영역 통계모델 분석으로부터 초음파 이상 성분 정도를 판단하는 단계에서는,
주파수축 초음파신호에서 서로 직교하는 성분에 의해 얻어지는 레일리 분포의 최빈값(Maximum likelihood, 최대우도)에 따라 초음파 이상 성분의 포함 정도를 판정하는 전력 설비를 위한 초음파 진단 방법.
- 제1항에 있어서,
상기 고에너지 성분 빈출률로부터 초음파 이상 성분 정도를 판단하는 단계에서는,
분석이 필요한 고주파 영역을 5000Hz부터 9000Hz까지의 대역 중 전부 또는 일부로 설정한 대역의 고에너지 성분 빈출률을 적용하는 전력 설비를 위한 초음파 진단 방법.
- 제2항에 있어서,
상기 외란 존재 시간 구간을 필터링하는 단계에서는,
상기 수신된 초음파신호에서 에너지 분석을 기반으로 문턱값을 도출하고, 시간 변화에 따른 에너지 평균값과 비교하는 방식으로 고에너지 성분의 빈출률을 계산 후 외란 존재 유무를 결정하는 전력 설비를 위한 초음파 진단 방법.
- 시간축 초음파신호(Waveform)를 주파수축 신호(Frequency response)로 변환하는 푸리에 변환부;
변환된 주파수축 초음파신호에서 외란 여부를 결정하여 필터링하는 외란 탐지부;
상기 시간축 초음파신호에 대하여 가우시안 분포 분석기법에 따른 초음파 이상성분 검출을 수행하는 시간영역 통계모델 분석부;
상기 주파수축 초음파신호에 대하여 수행한 레일리 분포 분석기법에 따른 초음파 이상성분 검출을 수행하는 주파수영역 통계모델 분석부;
상기 주파수축 초음파신호의 고에너지 성분의 에너지를 분석하여 초음파 이상성분 검출을 수행하는 고에너지 이상성분 탐지부; 및
3 종류의 초음파 이상 성분 정도를 판단한 결과로부터 초음파 이상 성분의 존재 유무를 최종 판정하는 최종 판정부
를 포함하는 전력 설비를 위한 초음파 진단 장치.
- 제14항에 있어서,
상기 푸리에 변환부는,
상기 초음파신호를 단구간(5 내지 40msec)으로 분리 후 각 구간별 신호에 대한 주파수 성분 변환을 수행하는 전력 설비를 위한 초음파 진단 장치.
- 제14항에 있어서,
상기 시간영역 통계모델 분석부는,
상기 초음파신호의 히스토그램과 가우시안 분포에 대한 상관계수을 계산하여 초음파 이상신호의 정도를 정량적으로 계산하는 전력 설비를 위한 초음파 진단 장치.
- 제14항에 있어서,
상기 주파수영역 통계모델 분석부는,
주파수축 초음파신호에서 서로 직교하는 성분에 의해 얻어지는 레일리 분포의 최빈값(Maximum likelihood, 최대우도)에 따라 초음파 이상 성분의 포함 정도를 판정하는 전력 설비를 위한 초음파 진단 장치.
- 제14항에 있어서,
상기 고에너지 이상성분 탐지부는,
분석이 필요한 고주파 영역을 5000Hz부터 9000Hz까지의 대역 중 전부 또는 일부로 설정한 대역의 고에너지 성분 빈출률을 적용하는 전력 설비를 위한 초음파 진단 장치.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210157936A KR20230071581A (ko) | 2021-11-16 | 2021-11-16 | 전력 설비를 위한 초음파 진단 방법 및 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210157936A KR20230071581A (ko) | 2021-11-16 | 2021-11-16 | 전력 설비를 위한 초음파 진단 방법 및 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20230071581A true KR20230071581A (ko) | 2023-05-23 |
Family
ID=86544360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210157936A KR20230071581A (ko) | 2021-11-16 | 2021-11-16 | 전력 설비를 위한 초음파 진단 방법 및 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20230071581A (ko) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101385318B1 (ko) | 2013-01-02 | 2014-04-16 | 오피전력기술 주식회사 | 부분 방전 진단 장치 및 그 방법 |
-
2021
- 2021-11-16 KR KR1020210157936A patent/KR20230071581A/ko unknown
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101385318B1 (ko) | 2013-01-02 | 2014-04-16 | 오피전력기술 주식회사 | 부분 방전 진단 장치 및 그 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102426835B (zh) | 一种基于支持向量机模型的开关柜局部放电信号识别方法 | |
US6300768B1 (en) | Method of diagnosing partial discharge in gas-insulated apparatus and partial discharge diagnosing system for carrying out the same | |
Rivas et al. | Condition assessment of power OLTC by vibration analysis using wavelet transform | |
US7865321B2 (en) | Arcing event detection | |
CN105606977B (zh) | 基于分层规则推理的局部放电prps图谱识别方法及系统 | |
CN109490730A (zh) | 电缆放电检测方法、装置、存储介质及处理器 | |
KR102058841B1 (ko) | 발전기 컬렉터의 섬락을 검출하는 시스템 및 방법 | |
KR20130112306A (ko) | 전력 기기 음향 진단 장치 및 방법 | |
RU2570592C1 (ru) | Способ регистрации и анализа сигналов акустической эмиссии | |
US20220018707A1 (en) | Method and Device for Monitoring a Circuit Breaker | |
KR19980036844A (ko) | FFT(Fast Fourier Transform)알고리즘을 이용한 전기설비 고장진단 시스템 | |
KR101177876B1 (ko) | 신경 회로망을 이용한 부분 방전 자동 분석 시스템 | |
US8326576B2 (en) | Detecting power quality events in power distribution networks | |
KR20230071581A (ko) | 전력 설비를 위한 초음파 진단 방법 및 장치 | |
JP2019045401A (ja) | 部分放電診断装置および部分放電診断方法 | |
CN110824310A (zh) | 局部放电类型判断方法及装置 | |
CN109884483A (zh) | 绝缘管型母线局部放电声学在线监测方法及装置 | |
CN110703080B (zh) | 一种gis尖刺放电诊断方法、放电程度识别方法及装置 | |
KR101074341B1 (ko) | 소음 모니터링 시스템, 소음 모니터링 방법 및 소음 모니터링 프로그램을 기록한 컴퓨터로 읽을 수 있는 매체 | |
KR20220170653A (ko) | 초음파 가시화와 위상분해 분석을 적용한 부분방전 진단 방법 및 장치 | |
JP7402500B2 (ja) | 状態変化検知システム及び状態変化検知プログラム | |
KR101583618B1 (ko) | 전력품질지수에 영향을 미치는 이벤트 검출을 위해서 웨이브렛 필터를 기반으로 전송 신호의 잡음을 제거하는 장치 및 방법 | |
Kahaei et al. | Detection of bearing faults using Haar wavelets | |
Pinpart et al. | Methods for distinguishing between partial discharges based on the UHF detection technique | |
KR20140093033A (ko) | 윈도우 개수를 이용한 부분방전 원인 분석방법 |