KR102473124B1 - 전동기의 고장 검출 장치 및 방법 - Google Patents

전동기의 고장 검출 장치 및 방법 Download PDF

Info

Publication number
KR102473124B1
KR102473124B1 KR1020210002614A KR20210002614A KR102473124B1 KR 102473124 B1 KR102473124 B1 KR 102473124B1 KR 1020210002614 A KR1020210002614 A KR 1020210002614A KR 20210002614 A KR20210002614 A KR 20210002614A KR 102473124 B1 KR102473124 B1 KR 102473124B1
Authority
KR
South Korea
Prior art keywords
signal
motor
resampling
failure
learning
Prior art date
Application number
KR1020210002614A
Other languages
English (en)
Other versions
KR20220100310A (ko
Inventor
윤병동
김형민
박찬희
서채현
채민석
Original Assignee
서울대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020210002614A priority Critical patent/KR102473124B1/ko
Publication of KR20220100310A publication Critical patent/KR20220100310A/ko
Application granted granted Critical
Publication of KR102473124B1 publication Critical patent/KR102473124B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • 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
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/083—Locating faults in cables, transmission lines, or networks according to type of conductors in cables, e.g. underground
    • 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)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

본 발명의 바람직한 실시예에 따른 전동기의 고장 검출 장치는, 전동기의 상전류 신호에 대해 리샘플링을 수행하여 리샘플링 신호로 변환하는 리샘플링부, 상기 리샘플링 신호를 전처리하여 전처리 신호로 변환하는 변환부, 상기 전처리 신호를 통해 고장 특성 데이터를 학습하는 학습부, 및 상기 고장 특성 데이터를 이용하여 상기 전동기의 고장 여부를 판단하는 판단부를 포함한다.

Description

전동기의 고장 검출 장치 및 방법{ERROR DETECTION APPARATUS AND METHOD OF MOTOR}
본 발명은 전동기의 고장 검출 장치 및 방법에 관한 것이다.
전동기는 전기적 에너지를 기계적인 에너지로 변환하는 장치로서 팬, 로봇, 전기차, 펌프를 비롯한 다양한 산업 분야에 사용되고 있다. 산업 분야에서는 교류 전원을 사용하는 AC 모터가 주로 사용되며 직류 모터에 비해 상대적으로 효율이 좋고 수명이 길다는 장점이 있어 널리 사용된다.
전동기의 원활한 운행 및 안전성을 확보하기 위해서는 고장 진단이 필수적이다. 특히, 산업 라인에서 일부 전동기의 고장의 고장이 발생하게 된다면 라인 전체의 중단을 불러일으킴으로써 엄청난 경제적인 손실을 야기할 수 있다. 이에 따라, 신뢰성 있고 효과적인 전동기 고장 진단 기법을 개발하는 것이 중요한 이슈로 여겨지고 있다.
일반적으로 전동기의 고장 진단에는, 등속 운행 중인 산업용 로봇, 및 전기차를 기반으로 한 고장 진단 알고리즘이 이용되고 있다.
종래의 고장 진단 알고리즘은, 전동기의 고정자 전류를 분석해서 고장 주파수 관련 특성을 추출한 후 추출한 특성 주파수를 이용하여 전동기의 고장을 진단하는 전동기 전류 신호 분석(Motor Signature Current Analysis, MCSA) 방식이 적용되고 있다.
종래 고장 진단 알고리즘은, 주파수 영역으로 변환이 가능한 등속 및 동일 부하 신호에만 적용 가능하다. 이는 전동기의 변속 운행으로 인한 가변적인 회전 속도에 따라 전류의 주파수 또한 변화하기 때문에 주파수 분석 방식을 통해 고장 특성 주파수를 구하기 불가능하기 때문이다. 뿐만 아니라, 고장 특성 주파수를 구하기 위해 전동기의 파라미터(예, 폴(pole) 수, 베어링 정보 등) 정보가 요구된다. 또한, 전동기의 전류의 크기와 주파수가 계속해서 변화함에 따라 서로 다른 고장임에도 불구하고 비슷한 고장 특성 주파수가 발생하는 경우가 많기 때문에 정확한 고장 진단이 어려운 문제가 있다.
이러한 문제 해결을 위해 최근에는 딥러닝(Deep Learning) 기반 고장 진단 방식이 개발되고 있다. 딥러닝은 수학적 형태로 이루어진 여러 신경망을 쌓아서 만들어진 모델로 데이터의 특성을 자동으로 학습하고 학습된 데이터를 분류하는 기능을 수행한다.
딥러닝 기반 고장 진단 방식은 높은 진단 성능을 가지고 있어 고장 진단에 널리 사용되고 있으나, 모델을 학습하기 위해서 많은 양의 데이터가 요구되며, 모델이 학습한 데이터에만 과도하게 국한되어 일반화 성능이 좋지 않을 가능성이 존재하며, 진단 결과의 해석이 어렵다는 단점이 있다.
대한민국 등록특허 제10-2189269호
이에 본 발명은 상기한 사정을 감안하여 안출된 것으로, 전동기의 운행 조건에 따라 가변되는 전동기의 상전류 신호의 크기 및 고장 특성 주파수를 이용한 고장 진단이 가능하고, 합성곱 기반 딥러닝 학습 알고리즘을 이용한 고장 분류 및 일반화 성능을 높일 수 있는 전류 데이터 전처리 방식이 적용되는 전동기의 고장 검출 장치를 제공하는 것을 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 전동기의 고장 검출 장치는, 전동기의 상전류 신호에 대해 리샘플링을 수행하여 리샘플링 신호로 변환하는 리샘플링부; 상기 리샘플링 신호를 전처리하여 전처리 신호로 변환하는 변환부; 상기 전처리 신호를 통해 고장 특성 데이터를 학습하는 학습부; 및 상기 고장 특성 데이터를 이용하여 상기 전동기의 고장 여부를 판단하는 판단부;를 포함한다.
상기 리샘플링부는, 상기 상전류 신호를 해석 신호로 변환하고, 상기 해석 신호에서 순시각을 추정하며, 상기 순시각의 변화점을 기준으로 상기 해석 신호를 주기 별로 분리할 수 있다.
상기 리샘플링부는, 미리 마련된 보간 방식을 통해 주기 별로 분리된 상기 해석 신호를 동일 간격의 신호로 리샘플링하고, 상기 동일 간격의 신호를 연결함으로써 상기 리샘플링 신호를 생성할 수 있다.
상기 변환부는, 상기 리샘플링 신호에 대해 로그 스케일의 고속 푸리에 변환을 수행할 수 있다.
상기 변환부는, 상기 고속 푸리에 변환에 따른 신호의 크기에 대해 스케일링을 수행함으로써 상기 전처리 신호를 생성할 수 있다.
상기 스케일링 단위는 0 내지 1의 값을 가질 수 있다.
상기 학습부는, 미리 마련된 합성곱 기반 딥러닝 학습 알고리즘을 이용하여 상기 전처리 신호를 학습할 수 있다.
상기 판단부는, 상기 고장 특성 데이터를 이용하여 상기 전동기의 축 불균형 또는 권선 열화 고장을 판단할 수 있다.
상기 판단부는, 미리 마련된 CAM(Class Activation Map) 기반 해석 알고리즘을 이용하여 상기 전동기에 대한 고장 판단 결과를 해석할 수 있다.
상기 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 전동기의 고장 검출 방법은, 전동기의 상전류 신호에 대해 리샘플링을 수행하여 리샘플링 신호로 변환하는 리샘플링 단계; 상기 리샘플링 신호를 전처리하여 전처리 신호로 변환하는 전처리 단계; 상기 전처리 신호를 통해 고장 특성 데이터를 학습하는 학습 단계; 및 상기 고장 특성 데이터를 이용하여 상기 전동기의 고장 여부를 판단하는 고장 판단 단계;를 포함한다.
상기 리샘플링 단계는, 상기 상전류 신호를 해석 신호로 변환하는 단계; 상기 해석 신호에서 순시각을 추정하는 단계; 상기 순시각의 변화점을 기준으로 상기 해석 신호를 주기 별로 분리하는 단계; 미리 마련된 보간 방식을 통해 주기 별로 분리된 상기 해석 신호를 동일 간격의 신호로 리샘플링하는 단계; 및 상기 동일 간격의 신호를 연결함으로서 상기 리샘플링 신호를 생성하는 단계;를 포함할 수 있다.
상기 전처리 단계는, 상기 리샘플링 신호에 대해 로그 스케일의 고속 푸리에 변환을 수행하는 고속 푸리에 변환 단계; 및 상기 고속 푸리에 변환에 따른 신호의 크기에 대해 스케일링을 수행하는 스케일링 단계;를 포함할 수 있다.
상기 학습 단계는, 미리 마련된 합성곱 기반 딥러닝 학습 알고리즘을 이용하여 상기 전처리 신호를 학습할 수 있다.
상기 고장 판단 단계는, 상기 고장 특성 데이터를 이용하여 상기 전동기의 축 불균형 또는 권선 열화 고장을 판단할 수 있다.
상기 고장 판단 단계는, 미리 마련된 CAM(Class Activation Map) 기반 해석 알고리즘을 이용하여 상기 전동기의 고장 판단 결과를 해석할 수 있다.
본 발명의 바람직한 실시예에 따른 전동기의 고장 검출 장치 및 방법에 의하면, 전동기의 운행 조건에 따라 가변되는 전동기 전류 신호의 크기 및 고장 특성 주파수를 이용한 고장 진단이 가능하고, 합성곱 기반 딥러닝 학습 알고리즘을 이용한 고장 분류 및 일반화 성능을 높일 수 있는 전류 데이터 전처리 방식이 적용됨으로써 변속 운행 및 다양한 부하 조건에서의 전동기에 대한 실시간 고장 진단이 가능한 효과가 있다.
또한, 합성곱 기반 딥러닝 학습 알고리즘을 통해 전동기의 특성 주파수를 자동 추출하기 때문에 전동기의 파라미터 관련 사전 지식이 요구되지 않으며, 비교적 낮은 주파수 영역의 정보(예, 4*pole*60Hz)를 이용하여 고장 진단이 이루어지기 때문에 고성능의 전류 측정 센서가 요구되지 않으며, 이로 인해 비용이 감소되는 효과가 있다.
또한, 합성곱 기반 딥러닝 학습 알고리즘의 판단 결과를 후처리 알고리즘을 통해 해석 가능하도록 하여 알고리즘의 정합성을 전문가가 판단하는 효과가 있다.
또한, 진동 신호로 고장 진단이 어려운 동적인 모터 시스템(예, 전기자동차, 및 산업용 로봇)에 적용 가능한 효과가 있다.
또한, 고장이 발생한 전동기를 분해하지 않고 신호 고장 모드를 파악하는 효과가 있다.
도 1은 본 발명의 바람직한 실시예에 따른 전동기의 고장 검출 장치의 블록도이다.
도 2는 전동기의 속도 프로파일의 일 예를 보여주는 도면이다.
도 3은 도 2의 속도 프로파일에 따라 등속으로 동작하는 전동기의 상전류에 대한 신호 처리 결과를 보여주는 도면이다.
도 4는 도 2의 속도 프로파일에 따라 변속으로 동작하는 전동기의 상전류에 대한 신호 처리 결과를 보여주는 도면이다.
도 5는 본 발명의 바람직한 실시예에 따른 학습부의 합성곱 신경망 구조를 보여주는 도면이다.
도 6은 전동기의 내부 권선 열화 고장 관련한 고장 특성 데이터를 해석한 해석 결과를 보여주는 도면이다.
도 7은 리샘플링이 수행되지 않은 고장 특성 데이터에 대한 해석 결과를 매트릭스 형태로 보여주는 도면이다.
도 8은 리샘플링 수행된 고장 특성 데이터에 대한 해석 결과를 매트릭스 형태로 보여주는 도면이다.
도 9는 본 발명의 바람직한 실시예에 따른 전동기의 고장 검출 방법의 순서도이다.
도 10은 도 9의 리샘플링 단계를 상세히 설명하기 위한 도면이다.
이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 우선 각 도면의 구성 요소들에 참조 부호를 부가함에 있어서, 동일한 구성 요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 이하에서 본 발명의 바람직한 실시예를 설명할 것이나, 본 발명의 기술적 사상은 이에 한정하거나 제한되지 않고 당업자에 의해 변형되어 다양하게 실시될 수 있음은 물론이다.
도 1은 본 발명의 바람직한 실시예에 따른 전동기의 고장 검출 장치의 블록도이다.
도 1을 참고하면, 본 발명의 바람직한 실시예에 따른 전동기의 고장 검출 장치(100)는, 전동기의 상전류 신호를 획득하고, 상전류 신호에 대해 리샘플링을 수행하고, 리샘플링 신호에 대해 고속 푸리에 변환 및 스케일링을 수행하고, 고속 푸리에 변환 및 스케일링된 전처리 신호를 통해 고장 특성 데이터를 학습하고, 고장 특성 데이터를 고려하여 전동기의 고장 여부를 판단하는 것을 특징으로 한다.
전동기의 고장 검출 장치(100)는, 수신부(110), 리샘플링부(120), 변환부(130), 학습부(140), 및 판단부(150)를 포함한다.
수신부(110)는, 센싱 장치(200)로부터 전동기의 상전류 신호를 수신할 수 있다. 여기서, 센싱 장치(200)는, 전동기의 권선에 흐르는 상전류 신호를 센싱할 수 있다. 전동기는 표면형 영구 자석 동기 전동기일 수 있으나, 이에 한정되는 것은 아니다. 센싱 장치(200)는 설치 작업이 용이한 비접촉식 방식의 센싱 장치일 수 있다. 일 실시예에 있어서, 센싱 장치(200)는 표면형 영구자석 전동기의 3상 전류선에 AC 전류 프로브(Probe)를 물림으로써 상전류 전류를 측정할 수 있다.
리샘플링부(120)는, 전동기의 상전류 신호를 리샘플링하여 리샘플링 신호로 변환할 수 있다. 이를 위해 리샘플링부(120)는 미리 마련된 힐버트 변환(Hilbert Transform)을 이용하여 전동기의 상전류 신호를 해석 신호(Analytic signal)로 변환할 수 있다. 리샘플링부(120)는, 해석 신호에서 순시각을 추정할 수 있다. 리샘플링부(120)는 추정된 순시각의 변화점을 감지할 수 있다. 리샘플링부(120)는 해당 변화점이 미리 마련된 경계선 이상인지를 검출할 수 있다. 리샘플링부(120)는 해당 변화점이 미리 마련된 경계선 이상인 경우, 해당 변화점을 기준으로 해석 신호를 주기 별로 분리할 수 있다. 리샘플링부(120)는 주기 별로 분리된 각 해석 신호를 큐빅 스플라인 보간(Cubic spline interpolation) 방식을 통해서 동일 간격의 신호로 리샘플링할 수 있다. 리샘플링부(120)는 동일 간격의 신호들을 서로 연결함으로써 리샘플링 신호를 생성할 수 있다. 리샘플링부(120)의 자세한 프로세스 및 리샘플링 과정은 도 10을 통해 확인할 수 있다.
변환부(130)는, 합성곱 기반 딥러닝 학습 알고리즘의 입력 데이터로 사용하기 위해서, 슬라이딩 윈도우 방식으로 실시간 추출하여 리샘플링 신호를 분해할 수 있다. 변환부(130)는 고속 푸리에 변환(FFT)을 이용하여 신호 분해된 리샘플링 신호를 고속 푸리에 변환 신호로 변환할 수 있다. 이때, 변환부(130)는, 로그(Log) 단위를 기준으로 고속 푸리에 변환 신호의 스케일(Scale)을 설정할 수 있다. 이를 위해 변환부(130)는 비교적 낮은 샘플링 주파수 영역을 선택할 수 있다. 여기서, 선택된 주파수 영역은 대략 전기각 주파수의 4배 이하일 수 있다. 변환부(130)는 고속 푸리에 변환 신호의 최소-최대 스케일링(min max scaling)을 수행할 수 있다. 일 실시예에 있어서, 최소-최대 스케일링은 후술할 고장 특성 데이터의 최소 최대값을 설정하기 위한 것으로서, 대략 0 내지 1 사이의 값으로 설정될 수 있다. 이를 통해, 전동기의 운행 성분에 비해 비교적 작은 세기를 가지는 고장 특성 주파수 영역의 크기가 증가될 수 있다. 이후 스케일링 완료된 고속 푸리에 변환 신호를 전처리 신호로 정의한다.
학습부(140)는, 합성곱 기반 딥러닝 학습 알고리즘에 전처리 신호가 입력되면 이를 통해 고장 특성 데이터를 학습할 수 있다. 합성곱 기반 딥러닝 학습 알고리즘에 이용되는 파라미터 정보는 하기 표 1과 같이 나타날 수 있다.
레이어 명 파라미터 정보 파라미터 수
Convld 1 kernel size= 8, channel : 64 576
BatchNormalization 1 moment=0.01 128
Convld 2 kernel size= 5, channel : 128 41088
BatchNormalization 2 moment=0.01 256
Convld 3 kernel size= 3, channel : 64 24640
BatchNormalization 3 moment=0.01 128
Dense Node number : 3 195
전체 67011
표 1에서, 최종 Dense 레이어의 파라미터는 진단하려고 하는 고장 모드의 숫자의 개수에 따라 변동 가능하다. 일 실시예에 있어서, 본 발명에 따른 합성곱 기반 딥러닝 학습 알고리즘은, 두가지 고장 모드 및 정상 상황을 분류하기 위해 파라미터를 3으로 설정할 수 있다. 여기서, 두 가지 고장 모드는 축 불균형(misalign), 권선 열화(inter-turn short)가 있을 수 있다.
판단부(150)는, 고장 특성 데이터를 이용하여 전동기의 고장 여부를 판단할 수 있다. 판단부(150)는, CAM(Class Activation Map) 기반 해석 알고리즘을 통해 고장 판단 결과를 해석하여 고장 판단 결과의 신뢰성을 제공할 수 있다. 일 실시예에 있어서, 전동기의 내부 권선 열화 고장 관련한 고장 특성 데이터는 도 6을 통해 확인할 수 있다.
이하에서는, 전동기의 상전류에 대한 리샘플링을 통해 얻을 수 있는 효과를 설명한다.
도 2는 전동기의 속도 프로파일의 일 예를 보여주는 도면이다.
도 2를 참고하면, 전동기의 속도 프로파일에 따른 RPM(Revolution Per Minute)의 일 예를 확인할 수 있다. 이와 같은, 속도 프로파일로 전동기가 동작하면, PWM(Pulse Width Modulation) 인버터에 의해 전동기의 상전류의 주파수가 변경될 수 있다.
도 3은 도 2의 속도 프로파일에 따라 등속으로 동작하는 전동기의 상전류에 대한 신호 처리 결과를 보여주는 도면이다. 도 3의 스케일 단위는 로그일 수 있다.
도 3의 (b)는 도 2의 속도 프로파일에 따라 등속으로 동작하는 전동기의 상전류에 대한 일반적인 고속 푸리에 변환 결과를 보여주는 도면이다. 즉, 전동기의 상전류에 대한 추가 신호 처리 없이 주파수 영역으로 고속 푸리에 변환이 수행되면, 도 3의 (b)와 같이 속도 변경에 의해 발생한 다수의 주파수가 서로 섞이게 되어 고장 주파수의 구분이 불가능하다. 여기서, 고장 주파수는, 전동기의 회전 속도와 관련된 함수로 구성되어 있다. 고속 푸리에 변환을 통해 상전류의 시간 축을 각(angle) 축으로 변경하게 되면, 전동기의 다양한 속도 변화 속에서도 상전류의 고장 주파수 및 정상 주파수가 정렬될 수 있다.
도 3의 (c)는 도 2의 속도 프로파일에 따라 등속으로 동작하는 전동기의 상전류를 리샘플링한 이후에 리샘플링 신호를 고속 푸리에 변환한 결과를 보여주는 도면이다. 리샘플링부(120)는 전동기의 상전류를 리샘플링함으로써 기존에 시간과 전류의 함수로 구성되는 상전류 데이터를 회전각과 전류의 함수로 변경할 수 있다. 이때, 전동기의 회전 속도에 따라 주파수 성분들이 모이게 되어 해당 성분들을 통해 전동기에 대한 고장 판별이 가능하다.
도 4는 도 2의 속도 프로파일에 따라 변속으로 동작하는 전동기의 상전류에 대한 신호 처리 결과를 보여주는 도면이다.
도 4의 (a)는 도 2의 속도 프로파일에 따라 변속으로 동작하는 전동기의 상전류에 대한 일반적인 고속 푸리에 변환 결과를 보여주는 도면이다.
도 4의 (a)와 같이, 전동기의 상전류에 대해 고속 푸리에 변환을 수행한 후 크기를 일반적인 스케일로 표현하게 되면 동작 성분이 주된 성분이기 때문에, 동작 성분만 매우 큰 값이 나오고 다른 고조파(Harmonics)나 주변 성분(Sideband)은 상대적으로 0에 가까워 딥러닝 학습 시 학습 성능이 좋지 않게 된다.
도 4의 (b)는 도 2의 속도 프로파일에 따라 변속으로 동작하는 전동기의 상전류를 리샘플링한 이후에 리샘플링 신호를 고속 푸리에 변환한 결과를 보여주는 도면이다. 도 4의 (b)의 스케일 단위는 로그일 수 있다.
도 4의 (b)와 같이, 고속 푸리에 변환 신호에 대해 로그 단위로 스케일링을 수행하면, 동작 성분에 비해서 크기가 작은 주변 주파수 및 고조파 성분이 강조될 수 있다. 이후 정규화를 위해서 전체 데이터의 최대 및 최소값 기준으로 0 내지 1 사이로 고속 푸리에 변환 신호의 크기가 재변환될 수 있다.
전처리 신호를 고장 진단에 활용하기 위해서는 고장 특성 주파수의 크기와 존재를 확인해야 한다. 그러나, 해당 전동기에 대해 숙련된 관리 전문가가 아니라면 고장 특성 주파수의 위치가 어디에 있는지, 크기가 얼마 정도 되었을 때 고장으로 판단할 것인지에 대해 판단하기 어렵다는 문제가 존재한다. 또한, 부하가 변경되게 되면 FFT 성분의 크기가 변화하며 부하 변경에 따른 모든 고장 성분의 크기를 파악해서 진단을 내리는 것은 거의 불가능하다.
이에 따라, 본 발명의 바람직한 실시예에 따른 전동기의 고장 검출 장치(100)는, 이러한 점을 해결하기 위해 데이터 별 특성을 자동 추출해서 학습을 진행하는 합성곱 기반 딥러닝 학습 모델을 이용한다.
도 5는 본 발명의 바람직한 실시예에 따른 학습부의 합성곱 신경망 구조를 보여주는 도면이다.
도 5를 참고하면, 합성곱 기반 딥러닝 학습 알고리즘은 3개의 1차원 합성곱 레이어(Conv 1d)를 통해 상전류의 주파수 특성을 학습 가능하고, GAP(Global Average Pooling layer)를 통해 파라미터의 병목현상을 방지하고, FC(Fully Connected Layer)를 통해 최종적으로 전동기의 고장 관련한 고장 주파수를 분류할 수 있다. 이를 통해 분류된 고장 주파수를 포함하는 고장 특성 데이터가 생성될 수 있다.
도 6은 전동기의 내부 권선 열화 고장 관련한 고장 특성 데이터를 해석한 해석 결과를 보여주는 도면이다.
도 6을 참고하면, 본 발명의 바람직한 실시예에 따른 CAM 기반 해석 알고리즘은 기존 CAM 기법을 활용한 1D CAM 알고리즘으로서 고장 특성 데이터의 주파수 영역을 해석하도록 구성된다. 이를 통해, CAM 기반 해석 알고리즘은 고장 특성 데이터에서 중점적으로 확인된 주파수 영역에 대해 히트맵을 통해 빨간색으로 나타내고, 고장 특성 데이터에서 거의 활용되지 않은 부분을 히트맵을 통해 파란색으로 나타낼 수 있다. 이러한 히트맵을 통해 사용자가 CAM 기반 해석 알고리즘의 판단 결과를 해석할 수 있으며, 해석성 확보를 통해 산업 현장에서의 판단 결과에 대한 신뢰도가 높아질 수 있다.
도 7은 리샘플링이 수행되지 않은 고장 특성 데이터에 대한 해석 결과를 매트릭스 형태로 보여주는 도면이다.
도 7을 참고하면, 콘퓨전 매트릭스(Confusion Matrix)는 전동기의 정상 및 2 가지 고장 모드(권선 열화, 축 불균형)에 대해 검증한 결과를 나타낼 수 있다. 이때 리샘플링이 수행되지 않은 전처리 신호에 대해 학습이 진행됨에 따라, 매트릭스 데이터의 정상(normal) 상태가 대략 50%로 나타나고, 권선 열화(inter-turn short) 상태가 대략 64%로 나타나고, 축 불균형(misalign) 상태가 대략 80%로 나타나는 분류 성능을 확인할 수 있다. 즉, 학습 및 분류 성능이 떨어짐을 확인할 수 있다.
도 8은 리샘플링 수행된 고장 특성 데이터에 대한 해석 결과를 매트릭스 형태로 보여주는 도면이다.
도 8을 참고하면, 콘퓨전 매트릭스(Confusion Matrix)는 전동기의 정상 및 2 가지 고장 모드(권선 열화, 축 불균형)에 대해 검증한 결과를 나타낼 수 있다. 이때 리샘플링 수행된 전처리 신호에 대해 학습이 진행됨에 따라, 매트릭스 데이터의 정상(normal), 축 불균형(misalign), 및 권선 열화(inter-turn short) 상태 모두가 95%를 넘는 분류 성능을 확인할 수 있다. 즉, 고장 주파수별 특징이 제대로 추출되어 높은 학습 및 검증 성능을 확인할 수 있다.
도 9는 본 발명의 바람직한 실시예에 따른 전동기의 고장 검출 방법의 순서도이다.
도 9를 참고하면, 본 발명의 바람직한 실시예에 따른 전동기의 고장 검출 방법은, 상전류 신호 획득 단계(S910), 리샘플링 단계(S920), 고속 푸리에 변환 단계(S930), 스케일링 단계(S940), 학습 단계(S950), 및 고장 판단 단계(S960)를 포함할 수 있다.
상전류 신호 획득 단계(S910)에서, 수신부(110)는, 전동기의 상전류 신호를 획득할 수 있다. 여기서, 전동기의 상전류 신호는 별도의 센싱 장치(200)에 의해 측정될 수 있다.
리샘플링 단계(S920)에서, 리샘플링부(120)는, 전동기의 상전류 신호를 리샘플링하여 리샘플링 신호로 변환할 수 있다. 리샘플링 단계(S920)는 도 10을 통해 상세히 후술한다.
고속 푸리에 변환 단계(S930)에서, 변환부(130)는, 리샘플링 신호에 대해 고속 푸리에 변환을 수행할 수 있다. 변환부(130)는 고속 푸리에 변환에 앞서 슬라이딩 윈도우 방식으로 리샘플링 신호를 분해할 수 있다. 변환부(130)는 신호 분해된 리샘플링 신호에 대해 데시벨(DB) 스케일로 고속 푸리에 변환을 수행할 수 있다.
스케일링 단계(S940)에서, 변환부(130)는, 고속 푸리에 변환 신호의 비교적 낮은 주파수 영역의 크기에 대해 최소-최대 스케일링을 수행할 수 있다. 최소-최대 스케일링은 대략 0 내지 1 사이의 로그 값으로 설정될 수 있다.
학습 단계(S950)에서, 학습부(140)는, 미리 마련된 합성곱 기반 딥러닝 학습 알고리즘을 이용하여 스케일링 완료된 전처리 신호를 학습할 수 있다. 학습부(140)는 전처리 신호 통해 고장 특성 데이터를 학습할 수 있다.
고장 판단 단계(S960)에서, 판단부(150)는, 고장 특성 데이터를 이용하여 전동기의 고장 여부를 판단할 수 있다. 판단부(150)는 미리 마련된 CAM 기반 해석 알고리즘을 이용하여 고장 판단 결과를 해석할 수 있다.
도 10은 도 9의 리샘플링 단계를 상세히 설명하기 위한 도면이다.
도 10을 참고하면, 도 9의 리샘플링 단계(S920)에서, 먼저 리샘플링부(120)는 힐버트 변환을 이용하여 원본 상전류 신호를 해석 신호로 변환할 수 있다. 리샘플링부(120)는 해석 신호에서 순시각(Φ(t))을 추정할 수 있다. 리샘플링부(120)는 순시각의 변화점을 기준으로 원본 전류 신호(해석 신호)를 주기(f0, f1) 별로 분리 또는 분해할 수 있다. 리샘플링부(120)는 주기 별로 분리된 각 해석 신호를 큐빅 스플라인 보간 방식을 통해 동일 간격의 신호로 리샘플링할 수 있다. 리샘플링부(120)는 동일 간격의 신호를 연결함으로써 리샘플링 신호를 생성할 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 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다. 따라서, 본 발명에 개시된 실시예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다.
본 발명에 따른 단계들 및/또는 동작들은 기술분야의 통상의 기술자에 의해 이해될 수 있는 것과 같이, 다른 순서로, 또는 병렬적으로, 또는 다른 에포크(epoch) 등을 위해 다른 실시 예들에서 동시에 일어날 수 있다.
실시 예에 따라서는, 단계들 및/또는 동작들의 일부 또는 전부는 하나 이상의 비-일시적 컴퓨터-판독가능 매체에 저장된 명령, 프로그램, 상호작용 데이터 구조(interactive data structure), 클라이언트 및/또는 서버를 구동하는 하나 이상의 프로세서들을 사용하여 적어도 일부가 구현되거나 또는 수행될 수 있다. 하나 이상의 비-일시적 컴퓨터-판독가능 매체는 예시적으로 소프트웨어, 펌웨어, 하드웨어, 및/또는 그것들의 어떠한 조합일 수 있다. 또한, 본 명세서에서 논의된 "모듈"의 기능은 소프트웨어, 펌웨어, 하드웨어, 및/또는 그것들의 어떠한 조합으로 구현될 수 있다.
100: 고장 검출 장치
110: 수신부
120: 리샘플링부
130: 변환부
140: 학습부
150: 판단부
200: 센싱장치

Claims (15)

  1. 전동기의 상전류 신호에 대해 리샘플링을 수행하여 리샘플링 신호로 변환하는 리샘플링부;
    상기 리샘플링 신호를 전처리하여 전처리 신호로 변환하는 변환부;
    상기 전처리 신호를 통해 고장 특성 데이터를 학습하는 학습부; 및
    상기 고장 특성 데이터를 이용하여 상기 전동기의 고장 여부를 판단하는 판단부;
    를 포함하고,
    상기 리샘플링부는, 미리 마련된 힐버트 변환을 이용하여 상기 상전류 신호를 해석 신호로 변환하고, 상기 해석 신호에서 순시각을 추정하는 것을 특징으로 하는 전동기의 고장 검출 장치.
  2. 제 1 항에 있어서,
    상기 리샘플링부는,
    상기 순시각의 변화점을 기준으로 상기 해석 신호를 주기 별로 분리하는 것을 특징으로 하는 전동기의 고장 검출 장치.
  3. 제 2 항에 있어서,
    상기 리샘플링부는,
    미리 마련된 보간 방식을 통해 주기 별로 분리된 상기 해석 신호를 동일 간격의 신호로 리샘플링하고, 상기 동일 간격의 신호를 연결함으로써 상기 리샘플링 신호를 생성하는 것을 특징으로 하는 전동기의 고장 검출 장치.
  4. 제 1 항에 있어서,
    상기 변환부는,
    상기 리샘플링 신호에 대해 로그 스케일의 고속 푸리에 변환을 수행하는 것을 특징으로 하는 전동기의 고장 검출 장치.
  5. 제 4 항에 있어서,
    상기 변환부는,
    상기 고속 푸리에 변환에 따른 신호의 크기에 대해 스케일링을 수행함으로써 상기 전처리 신호를 생성하는 것을 특징으로 하는 전동기의 고장 검출 장치.
  6. 제 5 항에 있어서,
    상기 스케일링 단위는 0 내지 1의 값을 가지는 것을 특징으로 하는 전동기의 고장 검출 장치.
  7. 제 1 항에 있어서,
    상기 학습부는,
    미리 마련된 합성곱 기반 딥러닝 학습 알고리즘을 이용하여 상기 전처리 신호를 학습하는 것을 특징으로 하는 전동기의 고장 검출 장치.
  8. 제 1 항에 있어서,
    상기 판단부는,
    상기 고장 특성 데이터를 이용하여 상기 전동기의 축 불균형 또는 권선 열화 고장을 판단하는 것을 특징으로 하는 전동기의 고장 검출 장치.
  9. 제 8 항에 있어서,
    상기 판단부는,
    미리 마련된 CAM(Class Activation Map) 기반 해석 알고리즘을 이용하여 상기 전동기에 대한 고장 판단 결과를 해석하는 것을 특징으로 하는 전동기의 고장 검출 장치.
  10. 전동기의 상전류 신호에 대해 리샘플링을 수행하여 리샘플링 신호로 변환하는 리샘플링 단계;
    상기 리샘플링 신호를 전처리하여 전처리 신호로 변환하는 전처리 단계;
    상기 전처리 신호를 통해 고장 특성 데이터를 학습하는 학습 단계; 및
    상기 고장 특성 데이터를 이용하여 상기 전동기의 고장 여부를 판단하는 고장 판단 단계;
    를 포함하고,
    상기 리샘플링 단계는,
    미리 마련된 힐버트 변환을 이용하여 상기 상전류 신호를 해석 신호로 변환하는 단계; 및
    상기 해석 신호에서 순시각을 추정하는 단계;
    를 포함하는 것을 특징으로 하는 전동기의 고장 검출 방법.
  11. 제 10 항에 있어서,
    상기 리샘플링 단계는,
    상기 순시각의 변화점을 기준으로 상기 해석 신호를 주기 별로 분리하는 단계;
    미리 마련된 보간 방식을 통해 주기 별로 분리된 상기 해석 신호를 동일 간격의 신호로 리샘플링하는 단계; 및
    상기 동일 간격의 신호를 연결함으로서 상기 리샘플링 신호를 생성하는 단계;
    를 더 포함하는 것을 특징으로 하는 전동기의 고장 검출 방법.
  12. 제 10 항에 있어서,
    상기 전처리 단계는,
    상기 리샘플링 신호에 대해 로그 스케일의 고속 푸리에 변환을 수행하는 고속 푸리에 변환 단계; 및
    상기 고속 푸리에 변환에 따른 신호의 크기에 대해 스케일링을 수행하는 스케일링 단계;
    를 포함하는 것을 특징으로 하는 전동기의 고장 검출 방법.
  13. 제 10 항에 있어서,
    상기 학습 단계는,
    미리 마련된 합성곱 기반 딥러닝 학습 알고리즘을 이용하여 상기 전처리 신호를 학습하는 것을 특징으로 하는 전동기의 고장 검출 방법.
  14. 제 10 항에 있어서,
    상기 고장 판단 단계는,
    상기 고장 특성 데이터를 이용하여 상기 전동기의 축 불균형 또는 권선 열화 고장을 판단하는 것을 특징으로 하는 전동기의 고장 검출 방법.
  15. 제 10 항에 있어서,
    상기 고장 판단 단계는,
    미리 마련된 CAM(Class Activation Map) 기반 해석 알고리즘을 이용하여 상기 전동기의 고장 판단 결과를 해석하는 것을 특징으로 하는 전동기의 고장 검출 방법.
KR1020210002614A 2021-01-08 2021-01-08 전동기의 고장 검출 장치 및 방법 KR102473124B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210002614A KR102473124B1 (ko) 2021-01-08 2021-01-08 전동기의 고장 검출 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210002614A KR102473124B1 (ko) 2021-01-08 2021-01-08 전동기의 고장 검출 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220100310A KR20220100310A (ko) 2022-07-15
KR102473124B1 true KR102473124B1 (ko) 2022-11-30

Family

ID=82401129

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210002614A KR102473124B1 (ko) 2021-01-08 2021-01-08 전동기의 고장 검출 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102473124B1 (ko)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100374904B1 (ko) 2000-08-24 2003-03-06 한국전기연구원 위상제어정류기의 고장 진단 장치 및 방법
KR100812303B1 (ko) 2006-09-29 2008-03-13 부산대학교 산학협력단 웨이블릿 변환을 이용한 유도전동기의 고장 진단 장치 및방법
JP2017173345A (ja) 2012-09-27 2017-09-28 株式会社ダイヘン 周波数解析装置、当該周波数解析装置を用いた信号処理装置、および、当該信号処理装置を用いた高周波測定装置
KR101903283B1 (ko) 2017-05-12 2018-10-01 한국전력공사 발전 설비의 자동 진단 시스템 및 자동 진단 방법
KR101967301B1 (ko) * 2017-12-07 2019-04-09 한국생산기술연구원 학습 데이터 융합을 이용한 회전체의 고장 진단 시스템
KR101977861B1 (ko) * 2018-11-23 2019-05-13 광주과학기술원 전동기의 고장 판단 방법
KR102034856B1 (ko) 2018-06-20 2019-10-22 인천대학교 산학협력단 전동기 베어링 고장 및 상태 진단 방법 및 장치
JP2020113218A (ja) 2019-01-16 2020-07-27 株式会社エクサウィザーズ 情報処理装置、表示方法およびプログラム
KR102171505B1 (ko) * 2019-01-24 2020-10-30 한국항공대학교산학협력단 회전체 치 기반의 회전체 결함 분석 장치 및 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200119949A (ko) * 2019-04-10 2020-10-21 현대자동차주식회사 레졸버 신호를 이용한 모터 구동 시스템의 고장진단 장치 및 방법
KR102189269B1 (ko) 2019-10-22 2020-12-09 경북대학교 산학협력단 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100374904B1 (ko) 2000-08-24 2003-03-06 한국전기연구원 위상제어정류기의 고장 진단 장치 및 방법
KR100812303B1 (ko) 2006-09-29 2008-03-13 부산대학교 산학협력단 웨이블릿 변환을 이용한 유도전동기의 고장 진단 장치 및방법
JP2017173345A (ja) 2012-09-27 2017-09-28 株式会社ダイヘン 周波数解析装置、当該周波数解析装置を用いた信号処理装置、および、当該信号処理装置を用いた高周波測定装置
KR101903283B1 (ko) 2017-05-12 2018-10-01 한국전력공사 발전 설비의 자동 진단 시스템 및 자동 진단 방법
KR101967301B1 (ko) * 2017-12-07 2019-04-09 한국생산기술연구원 학습 데이터 융합을 이용한 회전체의 고장 진단 시스템
KR102034856B1 (ko) 2018-06-20 2019-10-22 인천대학교 산학협력단 전동기 베어링 고장 및 상태 진단 방법 및 장치
KR101977861B1 (ko) * 2018-11-23 2019-05-13 광주과학기술원 전동기의 고장 판단 방법
JP2020113218A (ja) 2019-01-16 2020-07-27 株式会社エクサウィザーズ 情報処理装置、表示方法およびプログラム
KR102171505B1 (ko) * 2019-01-24 2020-10-30 한국항공대학교산학협력단 회전체 치 기반의 회전체 결함 분석 장치 및 방법

Also Published As

Publication number Publication date
KR20220100310A (ko) 2022-07-15

Similar Documents

Publication Publication Date Title
Bessous et al. Diagnosis of bearing defects in induction motors using discrete wavelet transform
Yang et al. Feature knowledge based fault detection of induction motors through the analysis of stator current data
Mehrjou et al. Rotor fault condition monitoring techniques for squirrel-cage induction machine—A review
Kim et al. High-resolution parameter estimation method to identify broken rotor bar faults in induction motors
Gong et al. Bearing fault diagnosis for direct-drive wind turbines via current-demodulated signals
EP2790028B1 (en) Broken rotor bar detection based on current signature analysis of an electric machine
Benbouzid et al. Induction motors' faults detection and localization using stator current advanced signal processing techniques
JP6223461B2 (ja) インピーダンス解析に基づく電気機械システムの診断方法
Puche-Panadero et al. Diagnosis of rotor asymmetries faults in induction machines using the rectified stator current
WO2020225960A1 (en) Method for estimating bearing fault severity for induction motors
Lu et al. Adaptively estimating rotation speed from DC motor current ripple for order tracking and fault diagnosis
Bessam et al. DWT and Hilbert transform for broken rotor bar fault diagnosis in induction machine at low load
Dias et al. A histogram of oriented gradients approach for detecting broken bars in squirrel-cage induction motors
Ferhat et al. Detection of stator winding inter-turn short circuit faults in permanent magnet synchronous motors and automatic classification of fault severity via a pattern recognition system
Bourogaoui et al. An effective encoder fault detection in PMSM drives at different speed ranges
Rajagopalan et al. Wigner-Ville distributions for detection of rotor faults in brushless DC (BLDC) motors operating under non-stationary conditions
Mi̇naz An effective method for detection of stator fault in PMSM with 1D-LBP
KR20210059551A (ko) 고성능 컴퓨팅 자원을 활용한 딥러닝 기반 무인화 상점 시스템 관리 방법
Shehata et al. Detection of induction motors rotor/stator faults using electrical signatures analysis
CN113608119B (zh) 电机运行状态监测方法、装置、设备和存储介质
KR102473124B1 (ko) 전동기의 고장 검출 장치 및 방법
Fernandez-Temprano et al. Broken bar condition monitoring of an induction motor under different supplies using a linear discriminant analysis
EP3890182B1 (en) Estimating motor drive torque and velocity
Grande-Barreto et al. Half-broken bar detection using MCSA and statistical analysis
Arashloo et al. A novel broken rotor bar fault detection method using park's transform and wavelet decomposition

Legal Events

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