KR20230152936A - 인공지능 및 신호처리 기술을 이용한 비접촉식 전력설비 진단 방법 및 이를 이용한 장치 - Google Patents

인공지능 및 신호처리 기술을 이용한 비접촉식 전력설비 진단 방법 및 이를 이용한 장치 Download PDF

Info

Publication number
KR20230152936A
KR20230152936A KR1020220052503A KR20220052503A KR20230152936A KR 20230152936 A KR20230152936 A KR 20230152936A KR 1020220052503 A KR1020220052503 A KR 1020220052503A KR 20220052503 A KR20220052503 A KR 20220052503A KR 20230152936 A KR20230152936 A KR 20230152936A
Authority
KR
South Korea
Prior art keywords
power equipment
diagnostic
state
power
data
Prior art date
Application number
KR1020220052503A
Other languages
English (en)
Inventor
김준식
송응열
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 KR1020220052503A priority Critical patent/KR20230152936A/ko
Priority to US17/661,262 priority patent/US20230350401A1/en
Priority to CN202210472318.4A priority patent/CN117007914A/zh
Publication of KR20230152936A publication Critical patent/KR20230152936A/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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • 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
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/088—Aspects of digital computing
    • 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
    • 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
    • G01R31/14—Circuits therefor, e.g. for generating test voltages, sensing circuits
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0264—Control of logging system, e.g. decision on which data to store; time-stamping measurements
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
    • G05B23/0294—Optimizing process, e.g. process efficiency, product quality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Acoustics & Sound (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Power Engineering (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

인공지능 및 신호처리 기술을 이용한 비접촉식 전력설비 진단 방법 및 이를 이용한 장치가 개시된다. 일 실시예에 따른 인공지능을 이용한 전력 설비 진단 방법은, 전력 설비에 대한 초음파 신호를 획득하는 단계; 상기 초음파 신호를 기초로 멜 스펙트로그램(Mel Spectrogram)을 생성하는 단계; - 상기 멜 스펙트로그램은 상기 초음파 신호에 대응하는 시간 정보, 주파수 정보 및 크기 정보를 포함하고, 이미지의 형태임 -, 상기 멜 스펙트로그램을 미리 학습된 진단 모델에 입력하는 단계; 및 상기 진단 모델을 기초로 상기 전력 설비에 대한 진단 데이터를 획득하는 단계를 포함하고, 상기 진단 모델은 컨볼루션 뉴럴 네트워크 알고리즘 기반으로 구축될 수 있다.

Description

인공지능 및 신호처리 기술을 이용한 비접촉식 전력설비 진단 방법 및 이를 이용한 장치{METHOD FOR CONTACTLESS DIAGNOSING POWER FACILITY USING ARTIFICIAL INTELLIGENCE AND SIGNAL PROCESSING TECHNOLOGY AND DEVICE USING THE SAME}
본 발명은 인공지능 및 신호처리 기술을 이용한 비접촉식 전력설비 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 초음파 신호를 획득하는 단계; 상기 초음파 신호를 기초로 멜 스펙트로그램(Mel Spectrogram)을 생성하는 단계; - 상기 멜 스펙트로그램은 상기 초음파 신호에 대응하는 시간 정보, 주파수 정보 및 크기 정보를 포함하고, 이미지의 형태임 -, 상기 멜 스펙트로그램을 미리 학습된 진단 모델에 입력하는 단계; 및 상기 진단 모델을 기초로 상기 전력 설비에 대한 진단 데이터를 획득하는 단계를 포함하고, 상기 진단 모델은 컨볼루션 뉴럴 네트워크 알고리즘 기반으로 구축될 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 학습 장치의 데이터 가공 방법을 설명하기 위한 도면이다.
도 4 내지 7은 일 실시예에 따른 고장 종류에 따른 데이터 별 특징을 설명하기 위한 도면이다.
도 8는 일 실시예에 따른 초음파 신호에 대한 어노테이션 툴을 설명하기 위한 도면이다.
도 9는 일 실시예에 따른 진단 장치를 설명하기 위한 블록도이다.
도 10은 다른 일 실시예에 따른 고장 진단 시스템을 도시한 것이다.
도 11은 일 실시예에 따른 초음파 획득 장치를 설명하기 위한 블록도이다.
도 12는 일 실시예에 따른 진단장치의 진단방법을 나타낸 도면이다.
도 13은 일 실시예에 따른 진단 모델의 뉴럴 네트워크의 구조를 설명하기 위한 도면이다.
도 14는 일 실시예에 따른 진단 모델을 설명하기 위한 도면이다.
도 15는 일 실시예에 따른 예시적인 진단 데이터를 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(100), 진단 모델을 이용하여 전력 설비의 고장 진단을 수행하는 진단 장치(200) 및 전력 설비에 대하여 초음파를 측정하는 초음파 획득 장치(300)를 포함할 수 있다. 또한, 초음파 획득 장치(300)는 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, 초음파 획득 장치(300)는 전력 설비의 습도를 측정하는 습도 측정부, 전력 설비와의 거리를 측정하는 거리 측정부, 초음파 획득 장치의 위치 정보를 획득하는 위치 획득부 등을 포함할 수도 있다.
또한, 고장 진단 시스템(10)의 학습 장치(100). 진단 장치(200) 및 초음파 획득 장치는 적어도 하나 이상으로 구성될 수 있다.
학습 장치(100)는 진단 모델의 학습(트레이닝)을 수행할 수 있다. 일 예로, 학습 장치(100)는 전력설비에 아크가 발생될 경우에 측정된 초음파 신호가 입력 데이터로 변환된 제1 학습 데이터 세트, 전력설비에 트래킹이 발생될 경우에 측정된 초음파 신호가 입력 데이터로 변환된 제2 학습 데이터 세트, 전력설비에 코로나가 발생될 경우에 측정된 초음파 신호가 입력 데이터로 변환된 제3 학습 데이터 세트 및 전력설비가 정상 동작을 수행할 경우에 측정된 초음파 신호가 입력 데이터로 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, 학습 데이터 세트들에 포함된 입력 데이터는 다양한 형식을 가질 수 있다. 예를 들어, 학습 장치(100)는 초음파 신호에 대하여 시각화(Visualization)을 수행하여, 초음파 신호를 이미지로 변환할 수 있다. 예를 들어, 학습장치(100)는 초음파 신호를 후술할 멜 스펙트로그램(Mel Spectrogram)으로 변환하고, 멜 스펙트로그램을 입력 데이터로 사용할 수 있다. 또한, 다른 예에서, 학습 장치(100)는 초음파 신호에 대하여 푸리에 변환을 적용하여 주파수 데이터로 생성하고, 주파수 데이터를 입력 데이터로 사용할 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(200)는 진단 모델을 이용하여 전력설비의 고장을 진단할 수 있다. 일 예로, 진단 장치(200)는 학습부에 의하여 학습된 진단 모델을 이용하여 전력설비의 고장을 진단할 수 있다.
일 실시예에서, 진단 장치(200)는 스마트폰, 태블릿, PC 등의 휴대용(handheld) 디바이스 또는 컴퓨터, 서버와 같은 고정형 디바이스일 수 있다.
초음파 획득 장치(300)는 전력 설비에서 발생되는 초음파 신호를 획득하고, 초음파 신호(또는, 초음파 신호를 나타내는 초음파 데이터)를 진단 장치(200)에 제공할 수 있다. 또한 실시예에 따라, 초음파 획득 장치(300)는 획득한 초음파 신호를 사람이 청취 가능한 가청 주파수 대역의 음향 신호를 획득하고, 초음파 신호 및/또는 음향 신호를 진단 장치(200)에 제공할 수 있다.
본 실시예에 따른 고장 진단 시스템(10)에서, 학습 장치(100)는 학습 데이터 세트를 획득하여 진단 모델의 학습을 수행하고, 초음파 획득 장치(300)는 진단 장치(200)에 초음파 신호를 제공하고, 진단 장치(200)는 진단 모델을 이용하여 초음파 획득 장치(300)로부터 획득한 초음파 신호를 이용하여 전력 설비에 대하여 고장 진단을 수행할 수 있다.
또한, 다른 일 실시예에서, 학습 장치(100) 및 진단 장치(200)는 각각 서버 장치의 형태일 수 있다. 또한, 학습 장치(100) 및 진단 장치(200)는 물리적으로 하나의 장치 또는 하나의 서버 장치로 구현될 수도 있다.
또한, 다른 일 실시예에서, 진단 장치(200) 및 초음파 획득 장치(300)는 하나의 장치로 구현될 수도 있다. 또한, 실시예에 따라 학습 장치(100), 진단 장치(200) 및 초음파 획득 장치(300)가 하나의 장치로 구현될 수도 있다.
본 명세서에서 개시하는 고장 진단 시스템이 위에서 설명한 실시 예들에 한정되는 것은 아니고, 학습장치(100), 진단장치(200) 및 초음파 획득 장치(300)를 포함하는 어떠한 형태로든 구현될 수 있다.
도 2는 일 실시예에 따른 학습 장치를 설명하기 위한 블록도이다.
도 2를 참조하면, 학습 장치(100)는 메모리부(110), 제어부(120) 및 통신부(130)를 포함할 수 있다.
제어부(120)는 학습 장치(100)의 동작을 제어할 수 있다.
제어부(120)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(120)는 메모리부(110)에 저장된 시스템 프로그램 및 다양한 프로세싱 프로그램을 판독할 수 있다.
학습 장치(100)는 메모리부(110)를 포함할 수 있다. 메모리부(110)는 학습에 필요한 데이터 및 학습된 진단 모델을 저장할 수 있다.
메모리부(110)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(110)는 각종 프로세싱 프로그램, 프로그램의 프로세싱을 수행하기 위한 파라미터 또는 이러한 프로세싱 결과 데이터 등을 저장할 수 있다.
또한, 일 실시예에서 학습 장치(100)는 데이터 가공 및 학습을 수행할 수 있다. 제어부(120)는 데이터 가공 과정에서 학습을 수행하기 위한 데이터를 가공 또는 전처리할 수 있다. 예를 들어, 제어부(120)는 소정의 데이터 가공 프로세스 프로그램을 이용하여 데이터를 가공할 수 있다. 또한, 제어부(120)는 학습 과정에서 가공된 데이터를 기초로 진단 모델의 학습을 수행할 수 있다. 일 실시예에서, 상기 가공된 데이터는 이미지의 형태일 수 있고, 이경우, 진단 모델은 이미지 분석 기반의 진단 모델(예를 들어, 컨볼루선 뉴럴 네트워크(Convolution Neural Network, CNN)일 수 있다.
통신부(130)는 외부 장치와 통신을 수행할 수 있다. 예컨대, 통신부(130)는 후술하는 진단 장치 및/또는 초음파 획득 장치와 통신할 수 있다. 통신부(130)는 유선 또는 무선 통신을 수행할 수 있다. 통신부(130)는 양방향(bi-directional) 또는 단방향 통신을 수행할 수 있다.
이하에서는. 데이터 가공 방법, 고장 종류에 따른 각 데이터 별 특징 및 어노테이션(라벨링)에 대하여 설명한다.
도 3은 일 실시예에 따른 학습 장치의 데이터 가공 방법을 설명하기 위한 도면이다.
도 3을 참조하면, 학습 장치는 초음파 신호에 대하여 프리 엠파시스(pre emphasis)를 수행할 수 있다(S110). 여기서, 프리 엠파시스는 초음파 신호에서 노이즈의 영향을 줄이기 위하여 주파수를 미리 강화시키는 것을 의미할 수 있다. 예를 들어, 학습장치는 고주파수에서의 노이즈의 영향을 줄이기 위하여, 고주파수 성분의 진폭을 강조할 수 있다.
또한, 학습 장치는 프리 엠파시스가 수행된 초음파 신호를 샘플링할 수 있다(S120). 예를 들어, 학습 장치는 프리 엠파시스가 수행된 초음파 신호를 -1.0 에서 1.0 사이의 범위에서 16kHz의 주파수로 샘플링을 수행할 수 있다. 물론, 이러한 샘플링은 32kHz 등 다양한 주파수에서 수행될 수 있다.
또한, 단계 S120에서, 학습 장치는 샘플링된 초음파 신호에 대하여 윈도우잉(windowing)을 적용하여 상기 초음파 신호를 프레임화할 수 있다. 이와 같이 윈도우잉을 적용하는 것은 각 프레임의 처음과 끝에서의 불연속을 최소하하기 위함일 수 있다. 예를 들어, 학습 장치는 샘플링된 초음파 신호에 대하여 0.96 초의 윈도우들과 0.48초의 홉(hop)을 적용하여 복수의 프레임을 생성할 수 있다. 또한, 학습 장치는 샘플링된 초음파 신호에 대하여 해밍 윈도우 기법을 사용하여 복수의 프레임을 생성할 수 있다. 물론, 학습 장치는 이외에도 다양한 윈도우 기법(Rectangular Window, B-spline window, Welch window, Sine window, Cosine-sum windows(예를 들어, Blackman window 등), Adjustable windows(예를 들어, Gaussian window, Confined Gaussian window), Hybrid windows(예를 들어, Bartlett-Hann window 등))을 사용하여 복수의 프레임을 생성할 수 있다.
또한, 학습 장치는 생성된 프레임들에 대하여 푸리에 변환을 수행할 수 있다(S130). 단계 S120에서 생성된 프레임들은 이산 시간 영역(Discrete Time Domain)으로 구성될 수 있고, 학습장치는 음향 신호에 대하여 고속 푸리에 변환(Fast Fourier Transform, FFT) 알고리즘을 통해 이산 푸리에 변환 연산을 수행하여 주파수 데이터를 획득할 수 있다. 또한, 학습장치는 음향 신호에 대하여 단시간 푸리에 변환(Short Time Fourier Transfrom, STFT) 알고리즘을 통해 주파수 데이터를 획득할 수 있다. 또한, 학습장치는 주파수 데이터에 대하여 크기 성분을 제곱하여 파워 스펙트럼을 생성하고, 파워 스펙트럼의 크기 성분에 로그 스케일을 적용하여 로그 스펙트럼을 생성할 수 있다. 그리고, 학습 장치는 로그 스펙트럼에 대하여 프레임별로 조합하여 스펙트로그램(Spectrogram)을 생성할 수 있다. 이와 같은 스펙트로그램은 3차원의 정보(시간, 주파수, 크기)를 가질 수 있다. 예를 들어, 스펙트로그램에서 x축은 시간 정보(프레임)을 나타내고, y축은 주파수를 나타내고, z축(예를 들어, 컬러)은 크기(데시벨)을 나타낼 수 있다.
또한, 학습 장치는 스펙트로그램에 멜 필터 뱅크(Mel Filter Bank)를 적용할 수 있다. 멜 필터 뱅크의 적용에 따라, 스펙트로미터가 멜 스케일(Mel Scale)로 변환될 수 있다. 이에 따라, 스펙트로미터의 주파수가 멜 주파수(Mel Frequency)로 변환되고, 각 포인트에서의 파워가 로그를 기초로 변환됨에 따라 멜 스펙트로그램(Mel Spectrogram)이 생성될 수 있다. 멜 스펙트로그램에서는, 사람의 청각기관이 저음에서 주파수 변화에 민감하고, 고음에서는 주파수 변화에 덜 민감한 특징이 반영될 수 있다.
학습장치는 전술한 데이터 가공 방법에 따른 멜 스펙트로그램을 이용하여 진단 모델의 학습을 수행할 수 있다.
또한, 전술한 데이터 가공 방법은 학습장치 뿐 아니라 진단장치에서도 전력 설비의 고장 진단을 수행하기 위하여 이용될 수 있다.
도 4 내지 7은 일 실시예에 따른 고장 종류에 따른 데이터 별 특징을 설명하기 위한 도면이다.
도 4 내지 도 7에서 설명되는 고장 종류에 따른 데이터 별 특징을 기초로 진단 모델에서 전력 설비의 고장을 진단할 수 있다.
도 4 내지 도 6에서, (a)는 샘플링된 초음파 신호의 파형을 나타내고, (b)는 파워 스펙트럼을 나타내고, (c)는 멜 스펙트로그램(mel-spectrum) 및 멜 스펙트로그램과 대응되는 초음파 신호의 파형을 나타낼 수 있다. (a)의 파형의 x축은 시간을 나타내고, y축은 진폭을 나타내고, (b)의 파워 스펙트럼의 x축은 주파수를 나타내고, y축은 크기(Magnitude)를 나태내고, (c)의 멜 스펙트로그램의 x축은 시간을 나타내고, y축은 주파수를 나타내고, z축(예를 들어, 컬러)은 크기(데시벨)을 나타낼 수 있다. 또한, (c)에서, 멜 스펙트로그램과 대응되는 초음파 신호의 파형의 x축은 시간을 나타내고, y축은 진폭을 나타낼 수 있다.
도 4를 참조하면, 도 4는 전력 설비에서 아크가 발생될 경우의 데이터 별 특징을 나타낼 수 있다. 전력설비에서 아크가 발생될 경우, 전력설비에서 에너지의 급격한 시작 및 정지를 갖는 비정상적인 폭발음(Erratic Burst)이 발생될 수 있다. 이에 따라, (a)의 초음파 신호의 파형에서는 평균대역보다 급격히 변하는 값이 다수 포함될 수 있다. 또한, 아크가 발생될 때 파형의 진폭이 커질 수 있다.
또한, (b)의 파워 스펙트럼에서는 60Hz의 고조파 성분이 낮은 빈도로 나타날 수 있다. 또한, (c)의 멜 스펙트로그램에서는 고장 신호음이 발생되는 순간이 띠의 형상으로 구분될 수 있다. 또한, 정상 신호음에 비하여 주파수가 크고, 데시벨도 비교적 높게 나타날 수 있다.
도 5를 참조하면, 도 5는 전력 설비에서 코로나가 발생될 경우의 데이터 별 특징을 나타낼 수 있다. 전력설비에서 코로나가 발생될 경우, 전력설비에서 지속적으로 버징 사운드(buzzing sound)가 될 수 있다. 이에 따라, (a)의 초음파 신호의 파형에서는 평균 대역보다 다소 높은 피크를 가지고, 일정한 주파수 대역이 발생될 수 있다. 또한, 다소 큰 진폭의 파형이 연속적으로 발생될 수 있다.
또한, (b)의 파워 스펙트럼에서는 60Hz의 고조파 성분이 다수 나타날 수 있다. 또한, 전력설비에서 코로나의 발생이 심할수록 60Hz의 고조파 성분의 크기가 점진적으로 작아지는 경향이 나타날 수 있다. 또한, (c)의 멜 스펙트로그램에서는 소음과 구분될 수 있지만, 전력설비에서 아크가 발생될 경우보다는 옅은 띠의 형상이 발생될 수 있다.
도 6을 참조하면, 도 6은 전력 설비에서 트래킹이 발생될 경우의 데이터 별 특징을 나타낼 수 있다. 전력설비에서 트래킹이 발생될 경우, 전력설비에서 다소 크기가 작은 폭발음 및/또는 노이즈를 동반하는 버징 사운드가 발생될 수 있다. 이에 따라, (a)의 초음파 신호의 파형은 높은 피크를 가질 수 있다. 또한, (b)의 파워 스펙트럼에서는 60Hz의 고조파 성분이 나타나지만, 60Hz의 고조파 성분의 크기가 점진적으로 감소되며, 일정한 패턴이 나타나지 않을 수 있다. 또한, (c)의 멜 스펙트로그램에서는 전력설비에서 코로나가 발생되는 경우보다 주기가 짧고, 전반적으로 데시벨이 높은 특성을 가질 수 있다.
도 7을 참조하면, 도 7은 전력 설비에서 고장이 발생되지 않고 정상적으로 운용되는 경우의 멜 스펙트로그램 및 멜 스펙트로그램과 대응되는 초음파 신호의 파형을 나타낼 수 있다. 도 7의 멜 스펙트로그램의 x축은 시간을 나타내고, y축은 주파수를 나타내고, z축(예를 들어, 컬러)은 크기(데시벨)을 나타낼 수 있다. 멜 스펙트로그램과 대응되는 초음파 신호의 파형의 x축은 시간을 나타내고, y축은 진폭을 나타낼 수 있다.
전력설비가 정상적으로 운용되는 경우, 초음파 신호의 파형은 잡음의 크기에 따라 파형의 진폭이 커지고, 파워 스펙트럼에서는 특정 주파수의 특징이 나타나지 않을 수 있다. 또한, 도 7과 같은 멜 스펙트로그램에서는, 진폭 대비 뚜렷한 띠 형태가 나타나지 않고, 전반적으로 흐릿한 신호주기를 나타낼 수 있다.
도 8는 일 실시예에 따른 초음파 신호에 대한 어노테이션 툴을 설명하기 위한 도면이다.
도 8을 참조하면, 도 8은 어노테이션 툴(Annotation Tool)의 UI를 나타낼 수 있다. 학습장치 또는 초음파 신호를 어노테이션(또는 라벨링) 할 수 있는 디바이스(예를 들어, PC, 모바일 등)(또는, 전술한 로컬 장치)는 도 8과 같은 어노테이션 툴을 제공할 수 있다. 이하에서는, 편의상 어노테이션 툴이 학습장치에서 수행되는 것으로 설명하지만, 이에 한정되는 것은 아니고, 어노테이션 툴은 다양한 장치에서 수행될 수 있다.
구체적으로, 학습장치는 초음파 신호를 입력받으면, 전술한 데이터 가공 방법을 통해 제공되는 멜 스펙트로그램(501) 및 상기 초음파 신호의 파형(502)를 어노테이션 툴의 UI를 통해 표시할 수 있다. 또한, 학습 장치는 라벨링 항목(503)을 제공할 수 있다. 학습장치는 정상운용, 아크, 코로나, 트래킹과 같은 전력설비의 상태에 대한 라벨링 항목(503)의 타입을 작업자로부터 선택받을 수 있다. 또한, 라벨링 항목(503)의 타입은 정상 상태, 고장 상태의 두 종류로 구성될 수 있다. 또한, 라벨링 항목(503)의 타입은 아크 및 고장 상태 등과 같이 두개 이상의 서브 타입으로 구성될 수 있다.
또한, 작업자에 의해 각 라벨링 항목(503)의 위치, 길이 등을 선택받을 수 있다. 또한, 일실시예에서, 학습장치는 초음파 신호의 파형 및/또는 멜 스펙트로그램을 분석하여 각 라벨링 항목(503)의 위치 및 길이를 미리 설정하고, 위치 및 길이가 설정된 각 라벨링 항목(503)을 어노테이션 툴의 UI에 표시할 수 있다.
각 라벨링 항목(503)의 타입, 위치 및/또는 길이가 설정된 경우, 학습 장치는 각 라벨링 항목(503)의 위치 및 길이에 따라 초음파 신호를 분리하고, 각 라벨링 항목(503)의 타입에 따라 분리된 초음파 신호를 구분하여 저장할 수 있다. 이에 따라, 학습장치는 각 라벨링 항목(503)에 대응되는 원본 데이터(분리된 초음파 신호), 정제 데이터(분리된 초음파 신호에 대응되는 파형, 파워 스펙트럼, 멜 스펙트로그램 등) 및 상기 원본 데이터 및 정제 데이터에 라벨링 항목(503)이 부가된 라벨링 데이터를 독립적으로 저장 및 관리할 수 있다. 또한, 학습장치는 라벨링 데이터을 이용하여 진단모델의 학습을 수행할 수 있다.
이와 같이, 어노테이션 툴을 통하여 초음파 신호의 파형 및 멜 스펙트로그램이 자동적으로 제공되고, 라벨링 항목(503)에 따라 라벨링이 수행될 수 있음에 따라, 어노테이션 작업을 수행하는 작업자는 보다 편리하게 입력 데이터에 대한 어노테이션을 수행할 수 있다.
도 9는 일 실시예에 따른 진단 장치를 설명하기 위한 블록도이다.
도 9를 참조하면, 진단 장치(200)는 메모리부(210), 제어부(220) 및 통신부(230)를 포함할 수 있다.
제어부(220)는 제어부(220)는 진단 모델을 이용하여 진단 데이터를 생성할 수 있다. 제어부(220)는 진단을 위한 주파수 데이터를 획득하고 학습된 진단 모델을 이용하여 전력 설비의 고장 여부에 대한 진단 데이터를 획득할 수 있다.
제어부(220)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(200)는 데이터 가공 및 진단을 수행할 수 있다. 제어부(220)는 초음파 획득 장치로부터 획득한 초음파 신호를 가공 또는 전처리할 수 있다. 데이터 가공에 대해서는 도 3에서 설명된 학습 장치의 데이터 가공 방법이 그대로 적용될 수 있으므로, 상세한 설명은 생략한다.
또한, 제어부(220)는 가공된 데이터 및 진단 모델을 이용하여 전력 설비에 대한 진단을 수행할 수 있다.
또한, 메모리부(210)는 학습된 진단 모델을 저장할 수 있다. 메모리부(210)는 진단 보조의 수행을 위한 데이터 가공 프로세스 프로그램, 진단 프로세스 프로그램, 진단 모델의 파라미터, 변수 등을 저장할 수 있다. 제어부(220)는 저장된 진단 모델을 이용하여 전력 설비에 대한 진단을 수행할 수 있다.
또한, 메모리부(210)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(230)는 학습 장치 및/또는 초음파 획득 장치와 통신할 수 있다. 일 예로, 진단 장치(200)는 초음파 획득 장치와 통신하는 서버 형태로 마련될 수 있다.
또한, 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 10은 다른 일 실시예에 따른 고장 진단 시스템을 도시한 것이다.
도 10을 참조하면, 본 발명의 일 실시예에 따른 고장 진단 시스템(20)은 진단 서버(400), 제1 로컬 장치(410a) 및 제2 로컬 장치(410b)를 포함할 수 있다.
진단 서버(400)는 본 명세서의 진단 장치가 서버 형태로 구현된 것을 의미할 수 있다. 진단 서버(400)는 미리 학습된 진단 모델을 포함할 수 있다.
제1 로컬 장치(410a) 및 제2 로컬 장치(410b)는 모바일, PC, 태블릿과 같이 작업자가 사용하기 용이한 형태의 장치일 수 있다. 또한, 제1 로컬 장치(410a) 및 제2 로컬 장치(410b)에는 진단 서버(400)에 억세스할 수 있는 어플리케이션이 설치되고, 상기 어플리케이션을 통하여 진단 서버(400)와 통신을 수행할 수 있다.
또한, 제1 로컬 장치(410a)는 제1 초음파 획득 장치(미도시)와 통신을 수행하고, 제1 초음파 획득 장치(미도시)로부터 제1 전력 설비에 대한 제1 초음파 신호를 획득할 수 있다. 또한, 제2 로컬 장치(410b)는 제2 초음파 획득 장치(미도시)와 통신을 수행하고, 제2 초음파 획득 장치(미도시)로부터 제2 전력 설비에 대한 제2 초음파 신호를 획득할 수 있다.
진단 서버(400)는 제1 로컬 장치(410a) 및 제2 로컬 장치(410b) 각각으로부터 제1 초음파 신호 및 제2 초음파 신호를 획득하고, 진단 모델을 이용하여 제1 초음파 신호에 대응하는 제1 진단 데이터 및 제2 초음파 신호에 대응하는 제2 진단 데이터를 생성하고, 제1 진단 데이터를 제1 로컬 장치(410a)에 제공하고, 제2 진단 데이터를 제2 로컬 장치(410b)에 제공할 수 있다.
또한, 실시예에 따라, 제1 로컬 장치(410a) 및 제2 로컬 장치(410b) 각각에 미리 학습된 진단 모델이 포함될 수 있고, 이 경우, 제1 로컬 장치(410a)가 진단 모델을 이용하여 제1 초음파 신호에 대응하는 제1 진단 데이터를 생성하고, 제2 로컬 장치(410b)가 진단 모델을 이용하여 제2 초음파 신호에 대응하는 제2 진단 데이터를 생성하고, 진단 서버(400)는 제1 로컬 장치(410a) 및 제2 로컬 장치(410b)로부터 제1 진단 데이터 및 제2 진단 데이터를 획득할 수 있다.
이와 같이, 진단 서버(400)는 제1 로컬 장치(410a) 및 제2 로컬 장치(410b)와의 통신을 통하여 서로 다른 지역에 위치하는 제1 진단 설비 및 제2 진단 설비의 진단 데이터들을 획득함으로써, 제1 진단 설비 및 제2 진단 설비의 상태를 모니터링 및 관리할 수 있다. 예를 들어, 진단 서버(400)는 제1 진단 데이터 및 제2 진단 데이터를 주기적으로 수집함으로써, 제1 진단 설비 및 제2 진단 설비에 대한 이력관리를 수행할 수 있다. 또한,
도 11은 일 실시예에 따른 초음파 획득 장치를 설명하기 위한 블록도이다.
도 11을 참조하면, 본 발명의 일 실시예에 따른 초음파 획득 장치(300)는 메모리부(310), 제어부(320) 및 통신부(330)를 포함할 수 있다.
제어부(320)는 전력설비에 대한 주파수 데이터를 획득할 수 있다. 일 실시예에서, 제어부(320)는 초음파 센서를 포함할 수 있다. 초음파 센서는 전력 설비에 대한 초음파 신호를 획득할 수 있다. 또한, 제어부(320)는 초음파 신호를 가청주파수 대역으로 변환하여 음향 신호를 획득하고, 음향 신호를 주파수 영역으로 변환하여 주파수 데이터를 획득할 수 있다. 제어부(320)는 초음파 신호, 음향 신호 및/또는 주파수 데이터를 통신부(330)를 통하여 진단 장치 또는 전술한 서버 장치로 전송할 수 있다.
제어부(320)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(310)는 각종 프로세싱 프로그램, 프로그램의 프로세싱을 수행하기 위한 파라미터 또는 이러한 프로세싱 결과 데이터 등을 저장할 수 있다. 예를 들어, 메모리부(310)는 초음파 신호, 음향 신호 및/또는 주파수 데이터를 저장할 수 있다.
또한, 메모리부(310)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(330)는 외부 장치, 예컨대 진단 장치 또는 서버 장치와 통신할 수 있다. 통신부(330)는 유선 또는 무선 통신을 수행할 수 있다.
도시하지는 아니하였으나, 초음파 획득 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 획득 장치는 입력부를 더 포함할 수 있다. 입력부는 사용자 입력을 획득할 수 있다.
또한, 도시하지는 아니하였으나, 초음파 획득 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 12는 일 실시예에 따른 진단장치의 진단방법을 나타낸 도면이다.
도 12를 참조하면, 진단장치의 진단 방법은 전력 설비에 대한 초음파 신호를 획득하는 단계(S210), 초음파 신호를 미리 학습된 진단 모델에 적용하는 단계(S220) 및 진단 모델을 기초로 전력 설비에 대한 진단 데이터를 획득하는 단계(S230)를 포함할 수 있다.
단계 S210에서, 진단장치는 전력 설비에 대한 초음파 신호를 획득할 수 있다. 전술한 바와같이, 초음파 신호는 파형의 형태를 가질 수 있다. 일 예로, 진단 장치는 전술한 초음파 획득 장치로부터 초음파 신호를 획득할 수 있다.
또한, 진단 장치는 초음파 신호에 대하여 데이터 가공을 수행할 수 있다. 초음파 신호의 데이터 가공에 대해서는 도 3에서 설명된 학습 장치의 데이터 가공 방법이 그대로 적용될 수 있으므로, 상세한 설명은 생략한다. 데이터 가공 방법에 따라, 진단 장치는 초음파 신호를 기초로 멜 스펙트로그램을 획득할 수 있다.
또한, 단계 S220에서, 진단 장치는 초음파 신호가 가공된 데이터를 입력 데이터로서 미리 학습된 진단 모델에 입력할 수 있다. 예를 들어, 진단 장치는 멜 스펙트로그램을 미리 학습된 진단 모델에 입력할 수 있다. 멜 스펙트로그램의 경우 3차원의 정보(시간, 주파수, 크기)를 갖는 이미지일 수 있다. 이에 따라, 진단 모델은 이미지 분석을 수행할 수 있는 뉴럴 네트워크(예를 들어, CNN)일 수 있다.
구체적인 예로서, 진단 모델은 깊이별 가분 컨볼루션 뉴럴 네트워크(Depthwise-Separable Convolution Neural Network, Depthwise-Separable CNN) 알고리즘을 기초로 구축될 수 있다.
도 13을 이용하여 깊이별 가분 뉴럴 네트워크에 대하여 설명하면, 도 13은 일 실시예에 따른 진단 모델의 뉴럴 네트워크의 구조를 설명하기 위한 도면이다.
도 13을 참조하면, 진단 장치는 진단 모델에 멜 스펙트로그램을 입력할 수 있다. 이 때, 진단 모델의 뉴럴 네트워크는 깊이별 컨볼루션 레이어(Depthwise Convolution Layer)(510) 및 점별 컨볼루션 레이어(Pointwise Convolution Layer)(520)를 포함할 수 있다. 또한, 깊이별 컨볼루션 레이어(Depthwise Convolution Layer) 및 점별 컨볼루션 레이어(Pointwise Convolution Layer) 각각은 적어도 하나 이상의 서브 레이어를 포함할 수 있다. 진단 모델에 포함된 각 레이어는 순차적으로 처리될 수 있다. 예를 들어, 첫번째 레이어는 입력에 대하여 중간 출력을 생성하고, 첫번째 레이어에서 생성된 중간 출력은 두번째 레이어의 입력이 되어 두번째 레이어에서 상기 중간 출력에 대하여 처리될 수 있다.
진단 모델은 입력되는 멜 스펙트로그램을 채널별로 분리할 수 있다. 예를 들어, 멜 스펙트로그램은 RGB 채널별로 분리될 수도 있고 다른 기준에 의하여 채널별로 분리될 수도 있다. 깊이별 컨볼루션 레이어는 각 단일 채널에 대하여 컨볼루션을 진행할 수 있다. 일 예로, 깊이별 컨볼루션 레이어는 nxn 크기(여기서, n은 1 이상의 정수)의 커널을 이용하여 각 단일 채널에 대하여 컨볼루션을 수행하여 중간 특징 벡터를 추출할 수 있다. 여기서, 추출된 중간 특징 벡터는 공간적인(spatial) 특성을 가질 수 있다. 이와 같이, 전체 이미지가 아니라 각 단일 채널에 대하여 컨볼루션이 진행됨으로써 진단 모델의 연산량이 감소될 수 있다. 또한, 각 채널에서 컨볼루션이 진행된 중간 특징 벡터들이 점별 컨볼루션 레이어에 입력되고, 점별 컨볼루션 레이어는 1x1 크기의 커널을 이용하여 중간 특징 벡터들에 대하여 컨볼루션을 수행할 수 있다. 점별 컨볼루션 레이어에 의해 멜 스페그로그램의 각 채널들의 출력값이 하나로 합쳐질 수 있다. 이와 같이 진단 모델이 깊이별 가분 컨볼루션 뉴럴 네트워크 알고리즘을 기초로 구축됨에 따라 기존의 컨볼루션 뉴럴 네트워크 알고리즘에 기초한 모델에 비하여 연산량이 감소되고 경량화될 수 있다. 이로 인해, 진단 모델은 서버뿐 아니라 다양한 디바이스(PC, 모바일 등)에서도 구동될 수 있다.
또한, 진단 모델에서 깊이별 컨볼루션 레이어 및 점별 컨볼루션 레이어를 통해 출력된 출력값은 다양하게 구성될 수 있다. 예를 들어, 상기 출력값은 전력 설비가 특정 상태일 확률을 나타낼 수 있다.
예를 들어, 진단 모델이 정상 상태로 라벨링된 학습 데이터 세트 및 고장 상태로 라벨링된 학습 데이터 세트를 기초로 학습된 경우, 진단 모델의 출력값은 전력 설비가 정상 상태일 확률 및 비정상 상태일 확률을 나타낼 수 있다.
또한, 진단 모델이 정상 상태로 라벨링된 학습 데이터 세트, 아크 상태로 라벨링된 학습 데이터 세트, 코로나 상태로 라벨링된 학습 데이터 세트 및 트래킹 상태로 라벨링된 학습 데이터 세트를 기초로 학습된 경우, 진단 모델의 출력값은 전력설비가 정상 상태일 확률, 아크 상태일 확률, 코로나 상태일 확률 및 트래킹 상태일 확률을 포함할 수 있다.
또한, 다른 일 실시예에서, 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. 이 경우, 입력 데이터는 초음파 신호가 푸리에 변환된 주파수 데이터일 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 결과의 정확도가 낮아질 수 있다. 따라서, 진단 결과의 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.
다시 도 12를 참조하면, 단계 S230에서, 진단 장치는 진단 모델을 기초로 전력 설비에 대한 진단 데이터를 획득할 수 있다.
일 실시예에서, 진단 데이터는 진단 모델에 의한 진단 결과, 즉, 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.
보다 구체적으로, 도 14를 이용하여 설명하면, 도 14는 일 실시예에 따른 진단 모델을 설명하기 위한 도면이다.
도 14를 참조하면, (a)에서와 같이, 제1 진단 모델(710)은 전력 설비가 고장 상태인 것이 라벨링된 학습 데이터 세트 및 전력 설비가 정상 상태인 것이 라벨링된 학습 데이터 세트를 기초로 미리 학습될 수 있다. 또한, 실시예에 따라, 전력 설비가 고장 상태인 것이 라벨링된 학습 데이터 세트는 전력 설비가 아크 상태인 것이 라벨링된 학습 데이터 세트, 전력 설비가 트래킹 상태인 것이 라벨링된 학습 데이터 세트, 전력 설비가 코로나 상태인 것이 라벨링된 학습 데이터 세트를 포함할 수 있다.
또한, 제1 진단 모델(710)에는 전술한 뉴럴 네트워크(예를 들어, 전술한 깊이별 가분 뉴럴 네트워크)가 포함될 수 있다. 제1 진단 모델(710)에 입력 데이터(예를 들어, 초음파 신호가 가공된 멜 스펙트로그램)가 입력될 경우, 제1 진단 모델(710)에서 입력 데이터에 대응되는 전력 설비의 상태를 나타내는 최종 진단 상태(전력 설비가 고장 상태인지, 정상 상태인지, 또는 고장 상태의 종류에 대한 결과)를 포함하는 진단 결과가 출력될 수 있다. 또한, 상기 진단 결과는 전력 설비가 아크 상태일 확률, 전력 설비가 코로나 상태일 확률, 전력 설비가 트래킹 상태일 확률, 전력 설비가 고장 상태일 확률 및/또는 전력 설비가 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. 또한, 제1 세부 진단 모델(721) 및 제2 세부 진단 모델(722) 각각에는 전술한 뉴럴 네트워크(예를 들어, 전술한 깊이별 가분 뉴럴 네트워크)가 포함될 수 있다. 이 때, 제1 세부 진단 모델(721)은 전력 설비가 고장 상태인 것이 라벨링된 학습 데이터 세트를 기초로 미리 학습되고, 제2 세부 진단 모델(722)는 전력 설비가 정상 상태인 것이 라벨링된 학습 데이터 세트를 기초로 미리 학습될 수 있다. 또한, 실시예에 따라, 전력 설비가 고장 상태인 것이 라벨링된 학습 데이터 세트는 전력 설비가 아크 상태인 것이 라벨링된 학습 데이터 세트, 전력 설비가 트래킹 상태인 것이 라벨링된 학습 데이터 세트, 전력 설비가 코로나 상태인 것이 라벨링된 학습 데이터 세트를 포함할 수 있다. 이에 따라, 제1 세부 진단 모델(721)에 입력 데이터가 입력될 경우, 제1 세부 진단 모델(721)에 입력 데이터에 대응되는 전력 설비가 고장 상태일 확률을 나타내는 제1 세부 진단 결과가 출력될 수 있다. 또한, 실시예에 따라, 제1 세부 진단 결과는 전력 설비가 아크 상태일 확률, 전력 설비가 코로나 상태일 확률, 전력 설비가 트래킹 상태일 확률을 포함할 수 있다.
또한, 제2 세부 진단 모델(722)에 입력 데이터가 입력될 경우, 제2 세부 진단 모델(722)에 입력 데이터에 대응되는 전력 설비가 정상 상태일 확률을 나타내는 제2 세부 진단 결과가 출력될 수 있다. 결정부(723)는 제1 세부 진단 모델(721)에서 출력된 제1 세부 진단 결과 및 제2 세부 진단 모델(722)에서 출력된 제2 세부 진단 결과를 기초로 입력 데이터에 대응되는 전력 설비가 고장 상태인지 여부 및/또는 고장 상태의 종류를 판단하고, 최종 진단 상태(전력 설비가 고장 상태인지, 정상 상태인지 또는 고장 상태의 종류에 대한 결과), 전력 설비가 아크 상태일 확률, 전력 설비가 코로나 상태일 확률, 전력 설비가 트래킹 상태일 확률, 전력 설비가 고장 상태일 확률 및/또는 전력 설비가 정상 상태일 확률을 포함한 진단 결과를 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), 제2 세부 진단 모델(732), 제3 세부 진단 모델(733) 및 제4 세부 진단 모델(734) 각각에는 전술한 뉴럴 네트워크(예를 들어, 전술한 깊이별 가분 뉴럴 네트워크)가 포함될 수 있다.
제1 세부 진단 모델(731)은 전력 설비에 아크가 발생된 것이 라벨링된 학습 데이터 세트를 기초로 미리 학습되고, 제2 세부 진단 모델(732)은 전력 설비에 코로나가 발생된 것이 라벨링된 학습 데이터 세트를 기초로 미리 학습될 수 있다. 또한, 제3 세부 진단 모델(733)은 전력 설비에 트래킹이 발생된 것이 라벨링된 학습 데이터 세트를 기초로 미리 학습되고, 제4 세부 진단 모델(734)은 전력 설비가 정상 상태인 것이 라벨링된 학습 데이터 세트를 기초로 미리 학습될 수 있다. 이에 따라, 제1 세부 진단 모델(731)에 입력 데이터가 입력될 경우, 제1 세부 진단 모델(731)에 입력 데이터에 대응되는 전력 설비에 아크가 발생된 확률을 나타내는 제1 세부 진단 결과가 출력될 수 있고, 제2 세부 진단 모델(732)에 입력 데이터가 입력될 경우, 제2 세부 진단 모델(732)에 입력 데이터에 대응되는 전력 설비에 코로나가 발생된 확률을 나타내는 제2 세부 진단 결과가 출력될 수 있다. 또한, 제3 세부 진단 모델(733)에 입력 데이터가 입력될 경우, 제3 세부 진단 모델(733)에 입력 데이터에 대응되는 전력 설비에 트래킹이 발생된 확률을 나타내는 제3 세부 진단 결과가 출력될 수 있고, 제4 세부 진단 모델(734)에 입력 데이터가 입력될 경우, 제4 세부 진단 모델(734)에 입력 데이터에 대응되는 전력 설비가 정상 상태일 확률을 나타내는 제4 세부 진단 결과가 출력될 수 있다. 결정부(735)는 제1 세부 진단 모델(731)에서 출력된 제1 세부 진단 결과, 제2 세부 진단 모델(732)에서 출력된 제2 세부 진단 결과, 제3 세부 진단 모델(733)에서 출력된 제3 세부 진단 결과 및 제4 세부 진단 모델(734)에서 출력된 제4 세부 진단 결과를 기초로 입력 데이터에 대응되는 전력 설비가 고장 상태인지 여부 및/또는 고장 상태의 종류를 판단하고, 최종 진단 상태(전력 설비가 고장 상태인지, 정상 상태인지 또는 고장 상태의 종류에 대한 결과), 전력 설비가 아크 상태일 확률, 전력 설비가 코로나 상태일 확률, 전력 설비가 트래킹 상태일 확률, 전력 설비가 고장 상태일 확률 및/또는 전력 설비가 정상 상태일 확률을 포함한 진단 결과를 획득할 수 있다.
진단 장치는 진단 결과를 기초로 진단 데이터에 대한 정보를 제공할 수 있다.
또한, 일 실시예에서, 진단 장치는 전술한 초음파 획득 장치로부터 전력 설비의 외관의 상태를 나타내는 영상 정보, 전력 설비의 온도에 대한 정보(예를 들어, 전력 설비가 정상 상태일 때와 고장 상태일 때의 온도 차이에 대한 적외선 영상 정보), 전력 설비의 습도에 대한 정보, 초음파 획득 장치와 전력 설비 사이의 거리 정보, 전력 설비의 위치정보(예를 들어, 해당 전력 설비에 대하여 초음파 신호를 획득할 때의 초음파 획득 장치의 GPS 정보)를 획득할 수 있다.
또한, 진단 데이터는 초음파 획득 장치로부터 획득한 정보 및 진단 모델에 의해 출력된 결과를 포함할 수 있다.
예를 들어, 도 15는 일 실시예에 따른 예시적인 진단 데이터를 설명하기 위한 도면이다.
도 15를 참조하면, 진단 장치는 도 15와 같은 진단 데이터를 생성할 수 있다. 진단 데이터는 진단 일자, 진단자, 진단자의 소속 본부, 진단자의 소속 사업소, 진단 설비의 온도, 진단 설비의 습도, 진단 설비의 식별 넘버, 진단 장비의 설비명, 진단 설비의 위치정보를 포함할 수 있다. 또한, 진단 데이터는 진단 모델에 따른 진단 설비의 최종 진단 상태 및 각 상태에 대한 확률에 대한 정보를 포함할 수 있다.
또한, 진단 데이터는 진단 모델의 정확도. 초음파 신호의 데시벨 정보, 초음파 획득 장치와 전력 설비 사이의 거리 정보, 전력 설비의 외관에 대한 영상, 전력 설비의 맵 정보를 포함할 수 있다.
또한. 진단 장치는 진단자로부터 전력 설비의 외관 상태에 대한 정보, 진단자의 진단 결과 및 진단자의 코멘트를 입력받고, 입력받은 정보를 진단 데이터에 포함시킬 수 있다.
본 명세서의 다양한 실시예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시예들에 따 른 전자 장치를 포함할 수 있다. 상기 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 상기 프로세서의 제어하에 다른 구성요소 들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적 저장매체'는 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다. 예로, '비일시적 저장매체'는 데이터가 임시적으로 저장되는 버퍼를 포함할 수 있다.
일실시예에 따르면, 본 명세서에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품(예로, 다운로더블 앱(downloadable app))의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시적으로 저장되거나, 임시적으로 생성될 수 있다.
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 (11)

  1. 인공지능을 이용한 전력 설비 진단 방법에 있어서,
    전력 설비에 대한 초음파 신호를 획득하는 단계;
    상기 초음파 신호를 기초로 멜 스펙트로그램(Mel Spectrogram)을 생성하는 단계; - 상기 멜 스펙트로그램은 상기 초음파 신호에 대응하는 시간 정보, 주파수 정보 및 크기 정보를 포함하고, 이미지의 형태임 -,
    상기 멜 스펙트로그램을 미리 학습된 진단 모델에 입력하는 단계; 및
    상기 진단 모델을 기초로 상기 전력 설비에 대한 진단 데이터를 획득하는 단계
    를 포함하고,
    상기 진단 모델은 컨볼루션 뉴럴 네트워크 알고리즘 기반으로 구축되는,
    전력 설비 진단 방법.
  2. 제1항에 있어서,
    상기 초음파 신호를 기초로 멜 스펙트로그램을 생성하는 단계는,
    상기 초음파 신호에 대하여 프리 엠파시스(Pre Emphasis)를 수행하는 단계;
    상기 프리 엠파시스가 수행된 초음파 신호에 대하여 샘플링(Sampling) 및 윈도우잉(Windowing)을 수행하여 복수의 프레임을 생성하는 단계;
    상기 복수의 프레임에 대하여 푸리에 변환을 수행하여 주파수 데이터를 생성하고, 상기 주파수 데이터를 기초로 파워 스펙트럼을 생성하는 단계; 및
    상기 파워 스펙트럼을 기초로 상기 멜 스펙트로그램을 생성하는 단계
    를 포함하는,
    전력 설비 진단 방법.
  3. 제2항에 있어서,
    상기 푸리에 변환은 단시간 푸리에 변환(Short Time Fourier Transfrom, STFT) 알고리즘을 이용하여 수행되는,
    전력 설비 진단 방법.
  4. 제1항에 있어서,
    상기 진단 모델은,
    전력 설비가 아크 상태인 것으로 라벨링된 복수의 멜 스펙트로그램을 포함하는 제1 학습 데이터 세트, 전력 설비가 트래킹 상태인 것으로 라벨링된 복수의 멜 스펙트로그램을 포함하는 제2 학습 데이터 세트, 전력 설비가 코로나 상태인 것으로 라벨링된 복수의 멜 스펙트로그램을 포함하는 제3 학습 데이터 세트 및 전력 설비가 정상 상태인 것으로 라벨링된 복수의 멜 스펙트로그램을 포함하는 제4 학습 데이터 세트를 기초로 미리 학습된,
    전력 설비 진단 방법.
  5. 제4항에 있어서,
    상기 제1 학습 데이터 세트 내지 상기 제4 학습 데이터 세트는 어노테이션 툴을 기초로 라벨링되고,
    상기 어노테이션 툴에서는,
    전력 설비의 상태를 선택받기 위한 라벨링 항목이 제공되고,
    상기 전력 설비의 상태의 선택이 용이해지도록, 라벨링의 대상이 되는 초음파 신호의 파형 및 상기 라벨링의 대상이 되는 초음파 신호에 대응되는 멜 스펙트로그램이 제공되는,
    전력 설비 진단 방법.
  6. 제1항에 있어서,
    상기 진단 모델은 깊이별 가분 컨볼루션 뉴럴 네트워크(Depthwise-Separable Convolution Neural Network) 알고리즘을 기초로 구축되는,
    전력 설비 진단 방법.
  7. 제6항에 있어서,
    상기 진단 모델은 깊이별 컨볼루션 레이어(Depthwise Convolution Layer) 및 점별 컨볼루션 레이어(Pointwise Convolution Layer)를 포함하고,
    상기 진단 모델에서 상기 멜 스펙트로그램은 채널별로 분리되고,
    상기 깊이별 컨볼루션 레이어는 각 단일 채널에 대하여 컨볼루션을 수행하여 중간 특징 벡터를 추출하고,
    상기 점별 컨볼루션 레이어는 1x1 크기의 커널을 이용하여 상기 중간 특징 벡터들에 대하여 컨볼루션을 수행하여 출력값을 출력하고,
    상기 진단 모델은 상기 출력값을 기초로 상기 전력 설비에 대한 진단 결과를 생성하는,
    전력 설비 진단 방법.
  8. 제7항에 있어서,
    상기 진단 결과는,
    상기 전력 설비가 아크 상태일 확률, 상기 전력 설비가 트래킹 상태일 확률, 상기 전력 설비가 코로나 상태일 확률 및 상기 전력 설비가 정상 상태일 확률을 포함하고,
    상기 진단 모델을 기초로 상기 전력 설비에 대한 진단 데이터를 획득하는 단계는,
    상기 전력 설비가 아크 상태일 확률, 상기 전력 설비가 트래킹 상태일 확률, 상기 전력 설비가 코로나 상태일 확률 및 상기 전력 설비가 정상 상태일 확률을 기초로 상기 전력 설비의 상태를 결정하고,
    상기 진단 결과에 상기 전력 설비의 상태가 포함되는,
    전력 설비 진단 방법.
  9. 제8항에 있어서,
    상기 진단 데이터는 상기 진단 결과 및 추가 정보를 포함하고.
    상기 추가 정보는,
    상기 전력 설비의 식별 정보, 상기 전력 설비의 위치에 대한 정보 및 상기 전력 설비의 온도에 대한 정보 중 적어도 하나를 포함하는,
    전력 설비 진단 방법.
  10. 제1항 내지 제9항 중 어느 하나의 항에 기재된 방법을 실행시키는 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체.
  11. 인공지능을 이용한 전력 설비 진단 장치에 있어서,
    통신부; 및
    제어부
    를 포함하고,
    상기 제어부는.
    상기 통신부를 통하여 전력 설비에 대한 초음파 신호를 획득하고,
    상기 초음파 신호를 기초로 멜 스펙트로그램을 생성하고, - 상기 멜 스펙트로그램은 상기 초음파 신호에 대응하는 시간 정보, 주파수 정보 및 크기 정보를 포함하고, 이미지의 형태임 -
    상기 멜 스펙트로그램을 미리 학습된 진단 모델에 입력하고,
    상기 진단 모델을 기초로 상기 전력 설비에 대한 진단 데이터를 획득하고,
    상기 진단 모델은 컨볼루션 뉴럴 네트워크 알고리즘 기반으로 구축되는,
    전력 설비 진단 장치.
KR1020220052503A 2022-04-28 2022-04-28 인공지능 및 신호처리 기술을 이용한 비접촉식 전력설비 진단 방법 및 이를 이용한 장치 KR20230152936A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020220052503A KR20230152936A (ko) 2022-04-28 2022-04-28 인공지능 및 신호처리 기술을 이용한 비접촉식 전력설비 진단 방법 및 이를 이용한 장치
US17/661,262 US20230350401A1 (en) 2022-04-28 2022-04-28 Method for contactless diagnosing power facility using artificial intelligence and signal processing technology and device using the same
CN202210472318.4A CN117007914A (zh) 2022-04-28 2022-04-29 利用人工智能及信号处理的非接触式电力设备诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220052503A KR20230152936A (ko) 2022-04-28 2022-04-28 인공지능 및 신호처리 기술을 이용한 비접촉식 전력설비 진단 방법 및 이를 이용한 장치

Publications (1)

Publication Number Publication Date
KR20230152936A true KR20230152936A (ko) 2023-11-06

Family

ID=88513055

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220052503A KR20230152936A (ko) 2022-04-28 2022-04-28 인공지능 및 신호처리 기술을 이용한 비접촉식 전력설비 진단 방법 및 이를 이용한 장치

Country Status (3)

Country Link
US (1) US20230350401A1 (ko)
KR (1) KR20230152936A (ko)
CN (1) CN117007914A (ko)

Also Published As

Publication number Publication date
US20230350401A1 (en) 2023-11-02
CN117007914A (zh) 2023-11-07

Similar Documents

Publication Publication Date Title
US20150043737A1 (en) Sound detecting apparatus, sound detecting method, sound feature value detecting apparatus, sound feature value detecting method, sound section detecting apparatus, sound section detecting method, and program
US10592823B2 (en) Learning model construction device, abnormality detection device, abnormality detection system and server
JP6388102B1 (ja) 情報端末器及び機械部品診断システム
US8831233B2 (en) Monitoring apparatus and method
US10028729B2 (en) System and method for testing operability of a lens and selected transducer elements of an acoustic probe
US20240089685A1 (en) Personalized three-dimensional audio
Zhai et al. Pattern recognition approach to identify loose particle material based on modified MFCC and HMMs
CN110808068A (zh) 一种声音检测方法、装置、设备和存储介质
CN115238740A (zh) 一种基于时频分布和深度学习的故障诊断方法及装置
CN116577651A (zh) 一种高压断路器声纹监测装置传感器位置选取方法及装置
JP2018189522A (ja) 設備故障の予兆診断方法
WO2020250797A1 (ja) 情報処理装置、情報処理方法、及びプログラム
KR20230152936A (ko) 인공지능 및 신호처리 기술을 이용한 비접촉식 전력설비 진단 방법 및 이를 이용한 장치
JP7373358B2 (ja) 音抽出システム及び音抽出方法
JP2002323371A (ja) 音響診断装置及び音響診断方法
US9594062B2 (en) System and method for testing transducer elements of an acoustic probe
KR20230062189A (ko) 인공지능 기반의 전력 설비 진단 방법 및 이를 이용한 장치
CN114202224B (zh) 用于检测生产环境中焊接质量的方法、设备、介质
US20220358953A1 (en) Sound model generation device, sound model generation method, and recording medium
JP2021519122A (ja) 呼吸障害のある被験者の検出
JP2024053471A (ja) 信号処理装置、信号処理方法、及びプログラム
JP7147404B2 (ja) 計測装置、計測方法、およびプログラム
JP2023068569A (ja) 塩害発生有無判定システム、作業者端末、モデル学習装置、及び塩害発生有無判定方法
Qadri et al. Comparative Analysis of Gender Identification using Speech Analysis and Higher Order Statistics
JP2023157213A (ja) 特定装置

Legal Events

Date Code Title Description
E902 Notification of reason for refusal