KR102661750B1 - 인버터의 고장 진단을 위한 머신러닝 방법 및 학습데이터를 통해 고장을 진단하는 인버터 - Google Patents

인버터의 고장 진단을 위한 머신러닝 방법 및 학습데이터를 통해 고장을 진단하는 인버터 Download PDF

Info

Publication number
KR102661750B1
KR102661750B1 KR1020180146147A KR20180146147A KR102661750B1 KR 102661750 B1 KR102661750 B1 KR 102661750B1 KR 1020180146147 A KR1020180146147 A KR 1020180146147A KR 20180146147 A KR20180146147 A KR 20180146147A KR 102661750 B1 KR102661750 B1 KR 102661750B1
Authority
KR
South Korea
Prior art keywords
inverter
motor
learning data
state
operating state
Prior art date
Application number
KR1020180146147A
Other languages
English (en)
Other versions
KR20200064197A (ko
Inventor
이정대
오재윤
하정익
이준
Original Assignee
엘지전자 주식회사
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 엘지전자 주식회사, 서울대학교산학협력단 filed Critical 엘지전자 주식회사
Priority to KR1020180146147A priority Critical patent/KR102661750B1/ko
Publication of KR20200064197A publication Critical patent/KR20200064197A/ko
Application granted granted Critical
Publication of KR102661750B1 publication Critical patent/KR102661750B1/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
    • G01R31/40—Testing power supplies
    • 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
    • G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
    • G01R31/3277—Testing of circuit interrupters, switches or circuit-breakers of low voltage devices, e.g. domestic or industrial devices, such as motor protections, relays, rotation switches
    • 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)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Inverter Devices (AREA)
  • Control Of Ac Motors In General (AREA)

Abstract

본 발명은 인버터의 고장을 진단하기 위한 머신러닝 방법과, 해당 방법을 통해 획득된 학습데이터를 통해 고장을 자체 진단하는 인버터에 관한 것이다. 본 발명의 일 실시예에 따른 인버터 고장 진단을 위한 머신러닝 방법은 인버터의 동작상태를 변경하면서 모터를 구동하는 단계 및 상기 인버터의 출력값과 지령값의 차인 오차값에 기초하여 각 동작상태에 대한 학습데이터를 생성하여 데이터베이스에 저장하는 단계를 포함하고, 상기 동작상태는 상기 인버터에 구비된 복수의 스위칭 소자 중 적어도 하나의 스위칭 소자를 개방시킨 상태 및 상기 인버터의 출력전류를 측정하는 전류센서의 게인(gain) 또는 오프셋(offset)을 변경시킨 상태를 포함하는 것을 특징으로 한다.

Description

인버터의 고장 진단을 위한 머신러닝 방법 및 학습데이터를 통해 고장을 진단하는 인버터{MACHINE LEARNING METHOD FOR DIAGNOSING FAULT OF INVERTER AND INVERTER FOR DIAGNOSING FAULT THROUGH LEARNING DATA}
본 발명은 인버터의 고장을 진단하기 위한 머신러닝 방법과, 해당 방법을 통해 획득된 학습데이터를 통해 고장을 자체 진단하는 인버터에 관한 것이다.
최근 매우 다양한 분야에서 인버터와 이를 통해 전력을 공급받는 전동기가 이용되고 있다. 이러한 전동기는 전기적인 신호에 의해 구동되므로, 작동 중 발생할 수 있는 다양한 결함을 내포한다.
만약, 전동기 구동 중 전체 시스템에 치명적인 일부 결함이 발생하는 경우 인버터는 즉시 해당 전동기의 동작을 정지시켜야 할 필요가 있다. 이와 달리, 전동기 내 스위치 개방상태로 인한 토크의 감소와 같이 비치명적인 결함이 발생하는 경우, 사용자가 결함을 인지하면 간단한 방법으로 해당 결함을 처리할 수 있다.
비치명적인 결함 진단을 위한 기본적인 방법은 전동기를 특정 조건에서 구동하면서, 전동기에 출력되는 전류 또는 전압을 측정하고, 측정된 전류 또는 전압을 기준값과 비교하는 것이다. 다만, 이 방법은 알고리즘 구현을 위해 매우 광범위한 룩업테이블(Look-Up Table; LUT)을 요구하는 문제점이 있다.
또한, 다른 결함 진단 방법은 전동기의 전기적 특성의 변화에 기초하여 결함을 진단하는 것이다. 다만, 이 방법은 다양한 원인에 의해 변경되는 전동기의 파라미터에 크게 의존하므로 진단의 정확도가 낮은 문제점이 있다.
본 발명은 인버터의 고장 진단을 위해, 인버터의 동작상태에 따른 지도 학습(supervised learning)을 통해 머신러닝을 수행하는 방법을 제공하는 것을 목적으로 한다.
또한, 본 발명은 머신러닝에 의해 획득된 고장상태별 학습데이터를 이용하여 자체적으로 고장을 진단하는 인버터를 제공하는 것을 목적으로 한다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
본 발명의 일 실시예에 따른 인버터 고장 진단을 위한 머신러닝 방법은 인버터의 동작상태를 변경하면서 모터를 구동하는 단계 및 상기 인버터의 출력값과 지령값의 차인 오차값에 기초하여 각 동작상태에 대한 학습데이터를 생성하여 데이터베이스에 저장하는 단계를 포함하고, 상기 동작상태는 상기 인버터에 구비된 복수의 스위칭 소자 중 적어도 하나의 스위칭 소자를 개방시킨 상태 및 상기 인버터의 출력전류를 측정하는 전류센서의 게인(gain) 또는 오프셋(offset)을 변경시킨 상태를 포함하는 것을 특징으로 한다.
또한, 본 발명의 일 실시예에 따른 인버터는 직류 전압을 교류 전류로 변환하여 모터에 출력하는 전력 변환부, 지령값에 따라 상기 전력 변환부 내 복수의 스위칭 소자를 제어하는 스위칭 제어부 및 고장상태에 대한 학습데이터가 저장된 메모리를 포함하고, 상기 전력 변환부의 출력값과 상기 지령값의 차인 오차값을 상기 학습데이터와 비교하여 고장상태를 식별하는 고장 진단부를 포함하고, 상기 고장상태는 상기 전력 변환부에 구비된 복수의 스위칭 소자 중 적어도 하나의 스위칭 소자가 개방된 상태 및 상기 전력 변환부의 출력전류를 측정하는 전류센서의 게인 또는 오프셋이 변경된 상태를 포함하는 것을 특징으로 한다.
본 발명의 머신러닝 방법은 인버터의 동작상태에 따른 지도 학습을 통해 머신러닝을 수행함으로써, 인버터의 구동은 가능하나 사용자의 조치가 필요한 비치명적 결함에 대한 학습데이터를 확보할 수 있고, 확보된 학습데이터를 인버터에 적용하는 경우 인버터가 스스로 자가 고장 진단을 수행하도록 할 수 있다.
또한, 본 발명의 인버터는 머신러닝에 의해 획득된 고장상태별 학습데이터를 이용하여 자체적으로 고장을 진단함으로써, 사용자로 하여금 결함 여부를 인지하기 어려운 비치명적 결함을 빠르고 정확하게 식별하도록 할 수 있다.
상술한 효과와 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다.
도 1은 본 발명의 일 실시예에 따른 인버터 고장 진단을 위한 머신러닝 방법을 도시한 순서도.
도 2는 머신러닝 서버가 인버터 및 모터를 제어하고 제어 결과에 따른 출력전류를 제공받는 모습을 도시한 도면.
도 3은 도 2에 도시된 인버터에 구비된 복수의 스위칭 소자와 모터가 연결된 모습을 도시한 도면.
도 4A는 속도 지령치 및 토크 지령치에 의해 정의되는 복수의 동작점을 도시한 그래프.
도 4b는 모터가 도 4A에 도시된 동작점에 따라 구동될 때, 시간에 따른 모터의 속도 지령치 및 토크 지령치를 도시한 그래프.
도 5a 및 도 5b는 각각 a상의 상암 및 하암 스위칭 소자가 개방상태일 때 시간에 따른 오차값을 도시한 그래프.
도 6은 a상의 전류센서의 게인이 0.5일 때 시간에 따른 오차값을 도시한 그래프.
도 7은 a상의 전류센서의 오프셋이 +150[A]일 때 시간에 따른 오차값을 도시한 그래프.
도 8은 본 발명의 일 실시예에 따른 인버터를 도시한 도면.
도 9는 도 8에 도시된 스위칭 제어부의 내부 구성도.
도 10은 도 5a에서 모터의 속도가 제로 크로싱(zero crossing)되는 부근(R)을 확대 도시한 그래프.
도 11은 도 8에 도시된 고장 진단부가 고장상태를 진단하는 과정의 일 예를 도시한 순서도.
전술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술되며, 이에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 상세한 설명을 생략한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 도면에서 동일한 참조부호는 동일 또는 유사한 구성요소를 가리키는 것으로 사용된다.
이하에서 어떤 구성요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 상기 구성요소들은 서로 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성요소 사이에 다른 구성요소가 "개재"되거나, 각 구성요소가 다른 구성요소를 통해 "연결", "결합" 또는 "접속"될 수도 있는 것으로 이해되어야 할 것이다.
본 발명은 인버터의 고장을 진단하기 위한 머신러닝 방법과, 해당 방법을 통해 획득된 학습데이터를 통해 고장을 자체 진단하는 인버터에 관한 것이다.
먼저, 도 1 내지 도 7을 참조하여 본 발명의 일 실시예에 따른 머신러닝 방법을 구체적으로 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 인버터 고장 진단을 위한 머신러닝 방법을 도시한 순서도이다.
도 2는 머신러닝 서버가 인버터 및 모터를 제어하고 제어 결과에 따른 출력전류를 제공받는 모습을 도시한 도면이고, 도 3은 도 2에 도시된 인버터에 구비된 복수의 스위칭 소자와 모터가 연결된 모습을 도시한 도면이다.
도 4a는 속도 지령치 및 토크 지령치에 의해 정의되는 복수의 동작점을 도시한 그래프이고, 도 4b는 모터가 도 4a에 도시된 동작점에 따라 구동될 때, 시간에 따른 모터의 속도 지령치 및 토크 지령치를 도시한 그래프이다.
도 5a 및 도 5b는 각각 a상의 상암 및 하암 스위칭 소자가 개방상태일 때 시간에 따른 오차값을 도시한 그래프이다.
도 6은 a상의 전류센서의 게인이 0.5일 때 시간에 따른 오차값을 도시한 그래프이다. 또한, 도 7은 a상의 전류센서의 오프셋이 +150[A]일 때 시간에 따른 오차값을 도시한 그래프이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 인버터 고장 진단을 위한 머신러닝 방법(이하, 머신러닝 방법)은 인버터(10)의 동작상태를 변경하는 단계(S10), 모터(20)를 구동하는 단계(S20), 인버터(10)의 출력값과 지령값의 차인 오차값에 기초하여 각 동작상태에 대한 학습데이터를 생성하는 단계(S30) 및 생성된 학습데이터를 데이터베이스에 저장하는 단계(S40)를 포함할 수 있다.
도 1에 도시된 머신러닝 방법은 일 실시예에 따른 것이고, 방법을 이루는 각 단계가 도 1에 도시된 실시예에 한정되는 것은 아니며, 필요에 따라 일부 단계가 부가, 변경 또는 삭제될 수 있다.
도 1에 도시된 머신러닝 방법은 인버터(10)가 특정 전자제품에 적용되기 이전에 수행될 수 있다. 다시 말해, 본 발명의 머신러닝 방법은 인버터(10)가 최초 생산된 이후 해당 인버터(10)가 특정 부하조건에서 구동되기 이전에 수행될 수 있다.
머신러닝 방법은 머신러닝 서버(1)에서 수행될 수 있다. 머신러닝 서버(1)는 인버터(10)와 인버터(10)에 연결된 모터(20)를 제어하고, 제어 결과에 따를 출력값을 제공받아 학습데이터를 생성할 수 있다.
머신러닝 서버(1)와 인버터(10) 및 모터(20)는 유선 또는 무선으로 연결될 수 있고, 인버터(10)와 모터(20)는 머신러닝 서버(1)로부터 제공되는 제어신호에 따라 제어될 수 있다.
본 발명이 적용될 수 있는 모터(20)는 코일이 권선된 고정자 및 코일에서 발생된 자기장에 의해 회전하는 회전자를 포함하는 임의의 모터일 수 있다. 예를 들어, 모터(20)는 영구자석 동기 전동기의 일종인 BLDC 모터(Brushless DC motor) 또는 PMSM(Permanent Magnet Synchronous Motor)일 수 있다.
머신러닝 서버(1)는 인버터(10)의 동작상태를 변경하면서 모터(20)를 구동할 수 있다. 다시 말해, 머신러닝 서버(1)는 인버터(10)의 동작상태를 변경할 수 있고, 인버터(10)의 동작상태가 변경될 때마다 해당 동작상태에 기초하여 모터(20)를 구동할 수 있다.
도 2를 참조하면, 머신러닝 서버(1)는 인버터(10)에 제1 제어신호(Sc1)를 제공하여 인버터(10)의 동작조건 제어하고, 모터(20)에 제2 제어신호(Sc2)를 제공하여 모터(20)의 동작조건 제어할 수 있다. 머신러닝 서버(1)는 인버터(10) 및 모터(20)의 동작조건을 제어함으로써 인버터(10)의 동작상태를 변경할 수 있다.
인버터(10)는 제1 제어신호(Sc1)에 따라 입력전압(Vin)을 3상 교류 전류로 변환하여 출력할 수 있고, 모터(20)는 3상 교류 전류를 제공받고 제2 제어신호(Sc2)에 따라 일정 토크(torque)를 발생시킬 수 있다.
인버터(10)는 제1 제어신호(Sc1)에 포함된 지령값에 따라 다른 출력값을 발생시킬 수 있다. 또한, 인버터(10)는 제2 제어신호(Sc2)에 따라 제어된 모터(20)의 동작조건에 따라 다른 출력값을 발생시킬 수 있다.
여기서 지령값은 속도 지령치, 전류 지령치, 전압 지령치 등을 포함할 수 있고, 출력값은 출력전류(ia, ib), 출력전압 등을 포함할 수 있다. 각 지령치에 대한 구체적인 설명은 도 10을 참조하여 후술하도록 한다.
한편, 본 발명에서 인버터(10)의 동작상태는, 시스템 보호를 위해 인버터(10) 구동을 정지할 필요는 없으나 인버터(10)가 비정상적으로 동작되는 비치명적인 임의의 결함이 발생한 상태를 포함할 수 있다.
예를 들어, 동작상태는 인버터(10)에 구비된 복수의 스위칭 소자 중 적어도 하나의 스위칭 소자가 개방된 상태를 포함할 수 있다. 또한, 동작상태는 인버터(10)의 출력전류(ia, ib)를 측정하는 전류센서(Sa, Sb)의 게인(gain) 또는 오프셋(offset)이 변경될 상태를 포함할 수 있다.
인버터(10)가 전자제품에 적용되었을 때, 스위칭 제어 신호에 관계없이 인버터(10) 내 임의의 스위칭 소자가 개방되는 경우 인버터(10)는 모터(20)에 비정상적인 출력값을 제공할 수 있다.
한편, 스위칭 소자가 정상 동작하더라도 인버터(10)의 출력전류(ia, ib)를 측정하는 전류센서(Sa, Sb)의 게인이나 오프셋이 변경된 경우 출력전류(ia, ib)에 따라 각 스위칭 소자를 피드백 제어하는 인버터(10)는 모터(20)에 비정상적인 출력값을 제공할 수 있다.
이에 따라, 머신러닝 서버(1)는 인버터(10)의 스위칭 소자의 개방상태 및 전류센서(Sa, Sb)의 게인 또는 오프셋 변경상태를 제어하면서 모터(20)를 구동할 수 있다.
이어서, 머신러닝 서버(1)는 동작상태가 변경될 때마다 인버터(10)의 출력값과 지령값의 차인 오차값에 기초하여 각 동작상태에 대한 학습데이터를 생성하여 데이터베이스에 저장할 수 있다.
이하에서는, 도 3에 도시된 바와 같이 본 발명의 인버터(10)가 a, b, c상에 대해 각각 상암 및 하암 스위칭 소자(Sha, Sla, Shb, Slb, Shc, Slc)를 포함하는 것으로 가정하여 머신러닝 서버(1)의 동작 과정을 구체적으로 설명하도록 한다.
일 예에서, 머신러닝 서버(1)는 인버터(10) 내 복수의 스위칭 소자(Sha, Sla, Shb, Slb, Shc, Slc)를 하나씩 순차적으로 개방시키면서 모터(20)를 구동할 수 있다.
보다 구체적으로, 머신러닝 서버(1)는 a상의 상암 스위칭 소자(Sha)를 개방시킨 상태에서 a상의 하암 스위칭 소자(Sla), b상 및 c상의 스위칭 소자(Shb, Slb, Shc, Slc)를 제어하여 모터(20)를 구동할 수 있다.
다음으로, 머신러닝 서버(1)는 a상의 하암 스위칭 소자(Sla)를 개방시킨 상태에서 a상의 상암 스위칭 소자(Sha), b상 및 c상의 스위칭 소자(Shb, Slb, Shc, Slc)를 제어하여 모터(20)를 구동할 수 있다.
이러한 방법에 따라, 머신러닝 서버(1)는 여섯 개의 각 스위칭 소자(Sha, Sla, Shb, Slb, Shc, Slc)를 순차적으로 개방시키면서 모터(20)를 구동할 수 있다.
전술한 동작상태 변경에 따라 인버터(10)는 여섯 가지의 서로 다른 출력값을 모터(20)에 제공할 수 있고, 머신러닝 서버(1)는 인버터(10)의 출력단에 구비된 전류센서(Sa, Sb)를 통해 여섯 가지의 출력값을 제공받을 수 있다.
다른 예에서, 머신러닝 서버(1)는 복수의 스위칭 소자(Sha, Sla, Shb, Slb, Shc, Slc) 중 둘 이상의 스위칭 소자를 순차적으로 개방시키면서 모터(20)를 구동할 수 있다.
보다 구체적으로, 머신러닝 서버(1)는 여섯 개의 스위칭 소자(Sha, Sla, Shb, Slb, Shc, Slc) 중 임의의 두 스위칭 소자를 순차적으로 개방시킬 수 있다. 예를 들어, a상의 두 스위칭 소자(Sha, Sla)를 개방시킨 상태에서 b상 및 c상의 스위칭 소자(Shb, Slb, Shc, Slc)를 제어하여 모터(20)를 구동할 수 있다. 이어서, 머신러닝 서버(1)는 b상의 두 스위칭 소자(Shb, Slb)를 개방시킨 상태에서 a상 및 c상의 스위칭 소자(Sha, Sla, Shc, Slc)를 제어하여 모터(20)를 구동할 수 있다. 또한 이어서, 머신러닝 서버(1)는 c상의 두 스위칭 소자(Shc, Slc)를 개방시킨 상태에서 a상 및 b상의 스위칭 소자(Sha, Sla, Shb, Slb)를 제어하여 모터(20)를 구동할 수 있다.
개방상태로 제어되는 두 스위칭 소자는 동일한 상의 스위칭 소자일 수도 있고 서로 다른 상에 구비된 스위칭 소자일 수도 있다. 이에 따라, 머신러닝 서버(1)는 열 다섯 가지의 경우에 따라 스위칭 소자를 순차적으로 개방시키면서 모터(20)를 구동할 수 있다.
전술한 동작상태 변경에 따라 인버터(10)는 열 다섯 가지의 서로 다른 출력값을 모터(20)에 제공할 수 있고, 머신러닝 서버(1)는 인버터(10)의 출력단에 구비된 전류센서(Sa, Sb)를 통해 열 다섯 가지의 출력값을 제공받을 수 있다.
또한, 마찬가지의 방법으로 머신러닝 서버(1)는 여섯 개의 스위칭 소자(Sha, Sla, Shb, Slb, Shc, Slc) 중 임의의 세 개 이상의 스위칭 소자를 순차적으로 개방시킬 수 있음은 당연하다.
머신러닝 서버(1)는 인버터(10)의 출력단에 구비된 전류센서(Sa, Sb)의 게인을 변경시키면서 모터(20)를 구동할 수도 있다.
증가된 게인에 대한 동작상태를 설정하기 위해, 게인은 1.8 내지 2.2의 범위로 설정될 수 있다. 또한, 감소된 게인에 대한 동작상태를 설정하기 위해 게인은 0.3 내지 0.7의 범위로 설정될 수 있다.
일 예에서, 머신러닝 서버(1)는 a상 또는 b상에 구비된 전류센서(Sa, Sb)의 게인을 2.0 또는 0.5로 변경시키면서 모터(20)를 구동할 수 있다.
전류센서(Sa, Sb)의 게인이 2.0으로 변경된 경우, 모터(20)에 제공되는 인버터(10)의 출력전류(ia, ib)는 전류센서(Sa, Sb)가 정상 상태일 때의 두 배로 측정될 수 있다. 또한, 전류센서(Sa, Sb)의 게인이 0.5로 변경된 경우, 모터(20)에 제공되는 인버터(10)의 출력전류(ia, ib)는 전류센서(Sa, Sb)가 정상 상태일 때의 절반으로 측정될 수 있다.
머신러닝 서버(1)는 전류센서(Sa, Sb)를 통해 두 배로 증가되거나 절반으로 감소된 출력값을 제공받을 수 있다.
다른 예에서, 머신러닝 서버(1)는 a상 또는 b상에 구비된 전류센서(Sa, Sb)의 오프셋을 변경시키면서 모터(20)를 구동할 수도 있다.
증가된 오프셋에 대한 동작상태를 설정하기 위해, 오프셋은 +100[A] 내지 +200[A]의 범위로 설정될 수 있다. 또한, 감소된 오프셋에 대한 동작상태를 설정하기 위해, 오프셋은 -200[A] 내지 -100[A]의 범위로 설정될 수 있다.
일 예에서, 머신러닝 서버(1)는 a상 또는 b상에 구비된 전류센서(Sa, Sb)의 오포셋을 +150[A] 또는 -150[A]로 변경시키면서 모터(20)를 구동할 수 있다.
전류센서(Sa, Sb)의 오프셋이 +150[A]으로 변경된 경우, 모터(20)에 제공되는 인버터(10)의 출력전류(ia, ib)는 전류센서(Sa, Sb)가 정상 상태일 때보다 150[A] 높게 측정될 수 있다. 또한, 전류센서(Sa, Sb)의 오프셋이 -150[A]로 변경된 경우, 모터(20)에 제공되는 인버터(10)의 출력전류(ia, ib)는 전류센서(Sa, Sb)가 정상 상태일 때보다 150[A] 낮게 측정될 수 있다.
머신러닝 서버(1)는 전류센서(Sa, Sb)를 통해 오프셋이 적용된 출력값을 제공받을 수 있다.
한편, 전술한 동작상태를 변경하면서 모터(20)를 구동하는 과정은, 속도 지령치(ωr) 및 토크 지령치(Te)에 의해 정의되는 복수의 동작점에 따라 수행될 수 있다.
보다 구체적으로, 머신러닝 서버(1)는 모터(20)를 구동하기 위한 인버터(10)의 동작점을 미리 설정할 수 있다. 동작점은 모터(20)의 속도 지령치(ωr)과 모터(20)의 토크 지령치(Te)에 의해 결정될 수 있고, 동작점을 결정하는 속도 지령치(ωr) 및 토크 지령치(Te)는 임의로 설정될 수 있다.
도 4a를 참조하면, 일 예에서 머신러닝 서버(1)는 베이스 속도(ωbase)를 기준으로 우측의 모터링(motoring) 영역 내의 8개의 동작점과, 좌측의 제너레이팅(generating) 영역 내의 8개의 동작점을 설정할 수 있다.
이에 따라, 도 4b에 도시된 바와 같이, 시간에 따른 모터(20)의 속도 지령치(ωr)는 모터링 영역 및 제너레이팅 영역에서 증가하다가 감소할 수 있다. 또한, 시간에 따른 모터(20)의 토크 지령치(Te)는 그 크기가 0인 지점을 변곡점으로 하여 모터링 영역에서는 증가하다가 감소할 수 있고, 제너레이팅 영역에서는 감소하다가 증가할 수 있다.
머신러닝 서버(1)는 도 4a에 도시된 화살표 순서에 따라 총 16개의 동작점에 기초하여 모터(20)를 구동할 수 있다.
일 예에서, 머신러닝 서버(1)가 복수의 스위칭 소자(Sha, Sla, Shb, Slb, Shc, Slc)를 하나씩 순차적으로 개방시키면서 모터(20)를 구동하는 경우, 머신러닝 서버(1)는 a상의 상암 스위칭 소자(Sha)를 개방시킨 상태에서 16개의 동작점에 따라 모터(20)를 구동할 수 있다.
다른 예에서, 머신러닝 서버(1)가 전류센서(Sa, Sb)의 게인을 변경시키면서 모터(20)를 구동하는 경우, 머신러닝 서버(1)는 a상에 구비된 전류센서(Sa)의 게인을 2.0으로 변경한 상태에서 16개의 동작점에 따라 모터(20)를 구동할 수 있다.
이에 따라, 머신러닝 서버(1)는 단일의 동작상태에서 16개의 동작점 각각에 대한 출력값을 제공받을 수 있다.
동작점에 개수 및 위치는 도 4a에 나타낸 것에 한정되지 않으며, 사용자의 설정에 따라 모터링 영역 및 제너레이팅 영역에서 자유롭게 설정될 수 있다.
한편, 인버터(10)가 전자제품에 적용되는 경우 인버터(10)는 다양한 환경에서 구동될 수 있고, 다양한 환경에서의 고장을 진단하기 위해 동작점을 결정하기 위한 모터(20)의 속도 지령치(ωr) 및 토크 지령치(Te)는 세분화될수록 바람직할 수 있다.
머신러닝 서버(1)는 전류센서(Sa, Sb)로부터 제공된 출력값과 지령값의 차인 오차값을 산출하고, 산출된 오차값에 기초하여 각 동작상태에 대한 학습데이터를 생성할 수 있다. 이에 따라, 학습데이터는 변경 가능한 동작상태의 개수만큼 복수로 생성될 수 있다.
인버터(10)가 정상상태인 경우 지령값과 인버터(10)의 출력값은 동일할 수 있다. 다만, 앞서 서술한 바와 같이 동작상태를 변경하는 경우 출력값은 지령값을 추종하지 못하므로 지령값과 출력값에는 차이가 발생할 수 있다. 머신러닝 서버(1)는 지령값과 출력값의 차인 오차값을 산출하고, 이에 기초하여 학습데이터를 생성할 수 있다.
다시 말해, 머신러닝 서버(1)는 머신러닝의 다양한 방법 중에서 지도 학습(supervised learning)을 이용하여 학습데이터를 생성할 수 있다.
학습데이터가 생성되면, 머신러닝 서버(1)는 생성된 학습데이터를 각 동작상태에 대응되도록 서버 내 데이터베이스에 저장할 수 있다.
예를 들어, 동작상태별 학습데이터는 아래 [표 1]과 같이 나타낼 수 있다.
[동작상태] [학습데이터]
a상 상암 스위칭 소자 개방 LD1
a상 하암 스위칭 소자 개방 LD2
b상 상암 스위칭 소자 개방 LD3
b상 하암 스위칭 소자 개방 LD4
c상 상암 스위칭 소자 개방 LD5
c상 하암 스위칭 소자 개방 LD6
a상 전류센서 게인 2.0 LD7
a상 전류센서 게인 0.5 LD8
b상 전류센서 게인 2.0 LD9
b상 전류센서 게인 0.5 LD10
a상 전류센서 오프셋 +150[A] LD11
a상 전류센서 오프셋 -150[A] LD12
b상 전류센서 오프셋 +150[A] LD13
b상 전류센서 오프셋 -150[A] LD14
[표 1]에서는 각 동작상태와 이에 대응하는 학습데이터를 독립적으로 나타내었다. 다만, 인버터(10)에는 [표 1]에 나타낸 개별 동작상태가 둘 이상 동시에 적용될 수 있고, 이에 대응하는 학습데이터 또한 생성될 수 있다.
전술한 동작상태별 학습데이터 생성을 위해 오차값을 산출함에 있어서, 머신러닝 서버(1)는 미리 설정된 샘플링 주기 또는 모터(20)의 위상에 따라 오차값을 산출할 수 있다.
보다 구체적으로, 머신러닝 서버(1)는 미리 설정된 샘플링 주기에 따라 전류센서(Sa, Sb)로부터 출력값을 제공받을 수 있다. 이어서, 머신러닝 서버(1)는 제공된 출력값과 지령값의 차인 오차값을 산출하고, 산출된 오차값에 기초하여 학습데이터를 생성할 수 있다.
또한, 머신러닝 서버(1)는 모터(20)의 위상에 따라 전류센서(Sa, Sb)로부터 출력값을 제공받을 수 있다. 모터(20)의 위상은 측정 또는 추정될 수 있다. 모터(20)의 위상이 측정되는 경우 머신러닝 서버(1)는 임의의 홀센서(미도시)를 통해 모터(20)의 위상값을 제공받을 수 있다. 이와 달리, 모터(20)의 위상이 추정되는 경우 머신러닝 서버(1)는 전류센서(Sa, Sb)로부터 제공된 출력전류(ia, ib)에 기초하여 모터(20)의 위상을 추정할 수 있다.
출력전류(ia, ib)에 기초하여 모터(20)의 위상을 추정하는 방법은 당해 기술분야에서 이용되는 일반적인 방법에 따라 수행되므로, 여기서는 자세한 설명을 생략하도록 한다.
예를 들어, 머신러닝 서버(1)는 모터(20)의 위상이 π/3만큼 변경될 때마다 전류센서(Sa, Sb)로부터 출력값을 제공받을 수 있다. 이어서, 머신러닝 서버(1)는 제공된 출력값과 지령값의 차인 오차값을 산출하고, 산출된 오차값에 기초하여 학습데이터를 생성할 수 있다.
이에 따라, 학습데이터는 모터(20)의 위상이 π/3, (2π)/3, π, (4π)/3, (5π)/3 및 2 π일 때의 오차값에 기초하여 생성될 수 있다.
한편, 학습데이터는 오차값을 이용한 임의의 파라미터로 정의될 수 있다. 다만, 이하에서는 학습데이터를 시간에 따른 오차값으로 정의하며, 오차값은 회전좌표계의 q축 출력전압과 지령전압의 차(Verr)로 정의하도록 한다.
또한, 이하에서는 오차값(Verr)이 모터(20)의 위상에 따라 산출되는 제1 내지 제6 오차값(Verr1 내지 Verr6)으로 구성되며, 제1 내지 제6 오차값(Verr1 내지 Verr6)은 모터(20)의 위상이 각각 π/3, (2π)/3, π, (4π)/3, (5π)/3 및 2π일 때의 오차값인 것으로 가정하여 설명하도록 한다.
도 5a에서는 a상의 상암 스위칭 소자(Sha)가 개방된 상태에서 도 4a에 도시된 동작점에 따라 모터(20)가 구동되는 경우, 머신러닝 서버(1)에 의해 산출된 제1 내지 제6 오차값(Verr1 내지 Verr6)을 나타내었다.
또한, 도 5b에서는 a상의 하암 스위칭 소자(Sla)가 개방된 상태에서 도 4a에 도시된 동작점에 따라 모터(20)가 구동되는 경우, 머신러닝 서버(1)에 의해 산출된 제1 내지 제6 오차값(Verr1 내지 Verr6)을 나타내었다.
한편, 도 6에서는 a상에 구비된 전류센서(Sa)의 게인이 0.5로 설정된 상태에서 도 4a에 도시된 동작점에 따라 모터(20)가 구동되는 경우, 머신러닝 서버(1)에 의해 산출된 제1 내지 제6 오차값(Verr1 내지 Verr6)을 나타내었다.
또한, 도 7에서는 a상에 구비된 전류센서(Sa)의 오프셋이 +150[A]으로 설정된 상태에서 도 4a에 도시된 동작점에 따라 모터(20)가 구동되는 경우, 머신러닝 서버(1)에 의해 산출된 제1 내지 제6 오차값(Verr1 내지 Verr6)을 나타내었다.
도 5a 내지 도 7에 도시된 바와 같이 각 동작상태에 따른 오차값(Verr1 내지 Verr6)은 서로 다른 값을 가지고, 이에 따라 각 동작상태에 따른 학습데이터 또한 다를 수 있다.
머신러닝 서버(1)는 도 5a 내지 도 7에서 설명한 동작상태 외에도 전술한 [표 1]에 도시된 각 동작상태 및 이들의 조합에 대응하는 학습데이터를 데이터베이스에 저장할 수 있다.
상술한 본 발명의 머신러닝 방법은 인버터(10)의 동작상태에 따른 지도 학습을 통해 머신러닝을 수행함으로써, 인버터(10)의 구동은 가능하나 사용자의 조치가 필요한 비치명적 결함에 대한 학습데이터를 확보할 수 있고, 확보된 학습데이터를 인버터(10)에 적용하는 경우 인버터(10)가 스스로 자가 고장 진단을 수행하도록 할 수 있는 효과가 있다.
다음으로, 도 8 내지 도 11을 참조하여 본 발명의 일 실시예에 따른 인버터(10)를 구체적으로 설명하도록 한다.
도 8은 본 발명의 일 실시예에 따른 인버터를 도시한 도면이고, 도 9는 도 8에 도시된 스위칭 제어부의 내부 구성도이다.
도 10은 도 5a에서 모터의 속도가 제로 크로싱(zero crossing)되는 부근(R)을 확대 도시한 그래프이다.
도 11은 도 8에 도시된 고장 진단부가 고장상태를 진단하는 과정의 일 예를 도시한 순서도이다.
도 8을 참조하면, 본 발명의 일 실시예에 따른 인버터(10)는 전력 변환부(11), 스위칭 제어부(12), 고장 진단부(13) 및 전류센서(S)를 포함할 수 있다. 도 8에 도시된 인버터(10)는 일 실시예에 따른 것이고, 발명을 이루는 구성요소가 도 8에 도시된 실시예에 한정되는 것은 아니며, 필요에 따라 일부 구성요소가 부가, 변경 또는 삭제될 수 있다.
전력 변환부(11)는 직류 전압(VDC)을 교류 전류로 변환하여 모터에 출력할 수 있다.
전력 변환부(11)는 입력 전압을 공급하는 임의의 전압원에 연결될 수 있고, 입력 전압은 DC 링크 커패시터(CDC)에 직류 전압(VDC)으로 저장될 수 있다. 전력 변환부(11)는 DC 링크 커패시터(CDC)에 저장된 직류 전압(VDC)을 교류 전류로 변환할 수 있고, 이를 위해 복수의 스위칭 소자(Sha, Sla, Shb, Slb, Shc, Slc)를 포함할 수 있다. 예를 들어, 전력 변환부(11)는 3상 스위칭 소자로서, 각 상에 대응되는 상암 및 하암 스위칭 소자(Sha, Sla, Shb, Slb, Shc, Slc)를 포함할 수 있다.
스위칭 제어부(12)는 지령값에 따라 전력 변환부(11) 내 복수의 스위칭 소자(Sha, Sla, Shb, Slb, Shc, Slc)를 제어할 수 있다.
이하에서는, 도 9를 참조하여 스위칭 제어부(12)의 스위칭 소자 제어 방법을 구체적으로 설명하도록 한다.
도 9를 참조하면, 스위칭 제어부(12)는 3상/2상 축변환부(121), 속도 연산부(122), 전류 지령 생성부(120a), 전압 지령 생성부(120b), 2상/3상 축변환부(126) 및 스위칭 제어신호 출력부(127)를 포함할 수 있다.
3상/2상 축변환부(121)는 전류센서(S)에서 검출된 a상 및 b상 출력전류(ia, ib)와 이를 통해 산출된 c상 출력전류(ic)를 정지좌표계의 2상 전류(iα,iβ)로 변환하고, 정지좌표계의 2상 전류(iα,iβ)를 회전좌표계의 2상 전류(id, iq)로 변환할 수 있다.
속도 연산부(122)는 전력 변환부(11)의 출력전류(ia, ib, ic)에 기초하여 모터(회전자)의 위치( r)를 추정하고, 추정된 위치를 미분하여 모터의 속도( r)를 연산할 수 있다.
한편, 전류 지령 생성부(120a)는 연산된 모터의 속도( r)와 속도 지령치()에 기초하여 전류 지령치(iq *)를 생성할 수 있다.
예를 들어, 전류 지령 생성부(120a)는 모터의 속도( r)와 속도 지령치()의 차이에 대해 PI 제어기(123)를 통해 PI 제어를 수행할 수 있고, 이에 따라 전류 지령치(iq *)가 생성될 수 있다.
도 9에서는 q축 전류 지령치(iq *)만이 생성되는 것으로 도시되어 있으나, 이와 달리 d축 전류 지령치(id *)도 함께 생성될 수도 있으며, 이 때, d축 전류 지령치(id *)의 값은 0으로 설정될 수 있다.
한편, 전류 지령 생성부(120a)는 전류 지령치(iq *)가 일정 범위를 초과하지 않도록 제한하는 리미터(미도시)를 더 포함할 수 있다.
전압 지령 생성부(120b)는 3상/2상 축변환부(121)에서 회전 좌표계로 축변환된 d축, q축 전류(id, iq)와, 전류 지령 생성부(120a)에서 생성된 전류 지령치(id *, iq *)에 기초하여 d축, q축 전압 지령치(Vd *, Vq *)를 생성할 수 있다.
예를 들어, 전압 지령 생성부(120b)는 q축 전류(iq)와 q축 전류 지령치(iq *)의 차이에 대해 PI 제어기(124)를 통해 PI 제어를 수행할 수 있고, 이에 따라 q축 전압 지령치(Vq *)가 생성될 수 있다. 또한, 전압 지령 생성부(120b)는 d축 전류(id)와 d축 전류 지령치(id *)의 차이에 대해 PI 제어기(125)를 통해 PI 제어를 수행할 수 있고, 이에 따라 d축 전압 지령치(Vd *)가 생성될 수 있다.
한편, 전압 지령 생성부(120b)는 d축 q축의 전압 지령치(Vd *, Vq *)가 일정 범위를 초과하지 않도록 제한하는 리미터(미도시)를 더 포함할 수 있다.
전압 지령 생성부(120b)에서 생성된 d축 q축의 전압 지령치(Vd *, Vq *)는 2상/3상 축변환부(126)에 입력될 수 있고, 2상/3상 축변환부(126)는 속도 연산부(122)에서 연산된 모터의 위치( r)와 d축 q축의 전압 지령치(Vd *, Vq *)를 이용하여 축변환을 수행할 수 있다.
먼저, 2상/3상 축변환부(126)는 2상 회전 좌표계에서 2상 정지 좌표계로 축변환을 수행할 수 있고, 이 때, 모터의 위치( r)가 사용될 수 있다. 다음으로, 2상/3상 축변환부(126)는 2상 정지 좌표계에서 3상 정지 좌표계로 축변환을 수행하여 3상 전압 지령(Va *, Vb *, Vc *)을 출력할 수 있다.
스위칭 제어신호 출력부(127)는 3상 전압 지령(Va *, Vb *, Vc *)에 따라 펄스 폭 변조(PWM) 방식에 따른 스위칭 제어신호(SC)를 생성할 수 있고, 생성된 스위칭 제어신호(SC)를 전력 변환부(11)로 출력할 수 있다.
스위칭 제어신호(SC)는 게이트 구동부(미도시)에서 게이트 구동 신호로 변환될 수 있고, 게이트 구동 신호는 인버터(10) 내의 각 스위칭 소자의 게이트 단에 입력될 수 있다. 이에 따라, 스위칭 소자는 게이트 구동 신호에 따라 스위칭 동작을 수행할 수 있다.
고장 진단부(13)는 고장상태에 대한 학습데이터가 저장된 메모리를 포함하고, 고장 진단부(13)는 스위칭 제어부(12)의 전술한 동작 중에 전력 변환부(11)의 출력값과 지령값의 차인 오차값을 메모리에 저장된 학습데이터와 비교하여 고장상태를 식별할 수 있다.
여기서, 출력값은 전력 변환부(11)의 출력전압 또는 출력전류일 수 있고, 지령값은 전술한 속도 지령치(), 전류 지령치(iq *, id *) 및 전압 지령치(Vd *, Vq *, Va *, Vb *, Vc *)중 적어도 하나일 수 있다. 한편, 고장상태는 도 1 내지 도 7을 참조하여 설명한 동작상태와 대응되는 것으로서, 인버터(10)가 비정상적으로 동작되는 비치명적인 임의의 결함이 발생한 상태로 정의될 수 있다.
이에 따라, 고장상태는 전력 변환부(11)에 구비된 복수의 스위칭 소자 중 적어도 하나의 스위칭 소자가 개방된 상태 및 전력 변환부(11)의 출력전류를 측정하는 전류 센서의 게인 또는 오프셋이 변경된 상태를 포함할 수 있다.
도 5a 내지 도 7에서 예로 든 바와 같이, 이하에서도 학습데이터를 시간에 따른 오차값으로 정의하며, 오차값은 회전좌표계의 q축 출력전압(Vq)과 지령전압(전압 지령치, Vq *) 의 차(Verr)로 정의하도록 한다.
고장 진단부(13)는 인버터(10)의 출력전압을 산출하고, 산출된 출력전압과 지령전압의 차인 오차값(Verr)을 산출할 수 있다. 이어서, 고장 진단부(13)는 산출된 오차값(Verr)을 메모리에 저장된 학습데이터와 비교할 수 있다.
고장상태는 도 1 내지 도 7을 참조하여 설명한 동작상태에 대응되므로, 고장상태 또한 전술한 [표 1]과 같이 나타낼 수 있다. 메모리에는 각 고장상태에 대한 학습데이터가 저장될 수 있고, 각 학습데이터는 도 5a 내지 도 7을 참조하여 설명한 시간에 따른 오차값(Verr) 데이터일 수 있다.
고장 진단부(13)는 앞서 산출된 오차값(Verr)을 메모리에 저장된 복수의 학습데이터와 각각 비교하고, 오차값(Verr)에 대응되는 어느 한 학습데이터를 결정할 수 있다.
예를 들어, 본 발명의 인버터(10)가 임의의 전자제품에 적용되어 구동될 때, 시간에 따른 오차값(Verr)이 도 5a에 도시된 바와 같이 나타나는 경우, 고장 진단부(13)는 해당 오차값(Verr)을 메모리에 저장된 복수의 학습데이터와 비교할 수 있다.
메모리에는 'a상 상암 스위칭 소자 개방'의 동작상태에 대한 학습데이터로서 도 5a에 도시된 시간에 따른 오차값(Verr)이 저장되어 있고, 고장 진단부(13)는 도 5a에 도시된 학습데이터를 현재 산출되는 오차값(Verr)에 대응되는 것으로 결정할 수 있다.
이어서, 고장 진단부(13)는 해당 학습데이터에 대응하는 동작상태를 참조하여 고장상태를 식별할 수 있다. 다시 말해, 고장 진단부(13)는 도 5a에 도시된 학습데이터에 대응하는 동작상태를 참조하여, 현재 인버터(10)의 고장상태를 a상의 상암 스위칭 소자가 개방된 상태로 식별할 수 있다.
한편, 인버터(10)는 다양한 환경에서 구동되므로 인버터(10) 내 파라미터(예를 들어, 고정자 저항, 고정자 인덕턴스 등)이 일부 변동될 수 있다.
이에 따라, 고장 진단부(13)는 메모리에 저장된 복수의 학습데이터 중에서 오차값(Verr)과 가장 유사한 어느 한 학습데이터를 결정하고, 결정된 학습데이터에 대응하는 고장상태를 식별할 수 있다.
이를 위해, 고장 진단부(13)는 유사도를 측정할 수 있고, 이를 위해 R2(r square)방법 등의 다양한 회귀분석을 수행할 수 있다. 고장 진단부(13)는 회귀분석을 통해 오차값(Verr)과 가장 유사한 어느 한 학습데이터를 결정할 수 있고, 결정된 학습데이터에 대응하는 고장상태를 식별할 수 있다.
이와 달리, 고장 진단부(13)는 학습데이터에 마진(margin)을 적용할 수 있고, 마진이 적용된 학습데이터 범위 내에 오차값(Verr)이 포함되면, 해당 학습데이터에 대응하는 고장상태를 식별할 수 있다.
예를 들어, 메모리에 도 5a에 도시된 학습데이터가 저장된 경우, 고장 진단부(13)는 해당 학습데이터에 -5% 내지 +5%의 마진을 적용할 수 있다. 학습데이터는 범위로 정의될 수 있고, 고장 진단부(13)는 학습데이터의 범위 내에 오차값(Verr)이 포함되는지 여부를 판단하여, 오차값(Verr)에 대응하는 학습데이터를 결정할 수 있다.
한편, 메모리에는 복수의 동작점에 대해 각 고장상태별 학습데이터가 저장될 수 있다. 예컨대, 도 4에 도시된 각 동작점에 대한 동작상태별 학습데이터가 메모리에 저장될 수 있다.
고장 진단부(13)는 복수의 동작점 중 현재 동작상태와 일치하는 어느 한 동작점을 식별하고, 식별된 동작점에 대응하는 학습데이터와 오차값(Verr)을 비교하여 고장상태를 식별할 수 있다.
보다 구체적으로, 고장 진단부(13)는 모터의 속도 및 토크를 식별하여, 메모리에 저장된 복수의 동작점과 비교할 수 있다. 예를 들어, 고장 진단부(13)는 현재 모터의 속도 및 토크를 각각 2ωbase 및 Tfw로 식별할 있다.
해당 속도 및 토크는 도 4에 도시된 복수의 동작점 중 하나에 대응하므로, 고장 진단부(13)는 해당 동작점에 대응하는 학습데이터와 오차값(Verr)을 비교하여 고장상태를 식별할 수 있다.
전술한 고장상태 식별의 정확도를 높이기 위해, 고장 진단부(13)는 오차값(Verr)에 대응하는 어느 한 학습데이터가 기준횟수 이상 연속으로 결정되면, 결정된 학습데이터에 대응하는 고장상태를 식별할 수 있다.
보다 구체적으로, 고장 진단부(13)는 미리 설정된 샘플링 주기 또는 모터의 위상에 따라 오차값(Verr)을 산출할 수 있다. 예컨대, 고장 진단부(13)가 미리 설정된 샘플링 주기에 따라 오차값(Verr)을 산출하는 경우, 첫번째 주기에서 고장 진단부(13)는 오차값(Verr)에 대응하는 학습데이터를 LD1으로 식별할 수 있다.
전술한 기준횟수를 2회로 가정하면, 고장 진단부(13)는 첫번째 주기에서 학습데이터가 LD1으로 식별된 경우에도 곧바로 LD1에 대응하는 고장상태를 식별하지 않고, 두번째 주기에서 오차값(Verr)에 대응하는 학습데이터를 다시 식별할 수 있다.
다시 식별된 학습데이터가 LD1이 아닌 경우, 고장 진단부(13)는 LD1에 대응하는 고장상태를 식별하지 않을 수 있다. 반면에, 다시 식별된 학습데이터가 LD1이면 해당 학습데이터가 2회 이상 연속으로 결정된 경우에 해당하므로, 고장 진단부(13)는 LD1에 대응하는 고장상태를 식별할 수 있다.
또한, 고장상태 식별의 정확도를 높이기 위해, 고장 진단부(13)는 모터의 속도가 기준속도 이상일 때 오차값(Verr)을 학습데이터와 비교할 수 있다.
도 10을 참조하면, 도 4에 도시된 복수의 동작점에 따른 학습데이터는 제1 내지 제6 오차값(Verr1 내지 Verr6)을 포함할 수 있다. 이 때, 토크 지령치(Te)의 변화에 따라 모터의 속도가 제로 크로싱되는 부근(R)에서는 제1 내지 제6 오차값(Verr1 내지 Verr6)이 0으로 산출될 수 있다.
이 시점에서는 전력 변환부(11)의 출력값이 지령값을 추종하는 것으로 보이므로, 고장상태인 인버터(10)가 정상상태로 식별될 수 있다. 고장 진단부(13)는 모터의 속도가 제로 크로싱되는 부근에서 고장상태를 식별하지 않기 위해, 모터의 속도가 기준속도 이상일 때의 오차값(Verr)을 학습데이터와 비교할 수 있다.
이하, 도 11을 참조하여, 본 발명의 일 예에 따른 고장 진단부(13)의 동작 과정을 설명하도록 한다.
고장 진단부(13)는 전류센서(S)로부터 출력값을 제공받아 출력값과 지령값의 차인 오차값(Verr)을 산출할 수 있다(S11). 오차값(Verr)과 학습데이터를 비교하기 이전에 고장 진단부(13)는 현재 모터의 속도가 기준속도 이상인지 여부를 판단할 수 있다(S12).
모터의 속도가 기준속도 미만이면 고장 진단부(13)는 다시 오차값(Verr)을 산출할 수 있고(S11), 모터의 속도가 기준속도 이상이면 고장 진단부(13)는 산출된 오차값(Verr)과 학습데이터를 비교할 수 있다(S13).
이어서, 고장 진단부(13)는 오차값(Verr)에 대응하는 어느 한 학습데이터를 결정하고, 해당 학습데이터에 대한 결정횟수를 카운트할 수 있다(S14). 결정횟수가 기준횟수 이상이 될 때까지 고장 진단부(13)는 오차값(Verr)과 학습데이터를 지속적으로 비교할 수 있고(S13), 결정횟수가 기준횟수 이상이 되면 해당 학습데이터에 대응하는 고장상태를 식별할 수 있다(S16).
상술한 본 발명의 인버터(10)는 머신러닝에 의해 획득된 고장상태별 학습데이터를 이용하여 자체적으로 고장을 진단함으로써, 사용자로 하여금 결함 여부를 인지하기 어려운 비치명적 결함을 빠르고 정확하게 식별하도록 할 수 있는 효과가 있다.
전술한 본 발명은, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 있어 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능하므로 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다.

Claims (11)

  1. 인버터의 동작상태를 변경하면서 모터를 구동하는 단계; 및
    상기 인버터의 출력값과 지령값의 차인 오차값에 기초하여 각 동작상태에 대한 학습데이터를 생성하여 데이터베이스에 저장하는 단계를 포함하고,
    상기 인버터의 출력값과 지령값의 차인 오차값에 기초하여 각 동작상태에 대한 학습데이터를 생성하여 데이터베이스에 저장하는 단계는
    상기 모터의 위상이 변경될 때마다 상기 오차값을 산출하는 단계; 및
    상기 모터의 위상에 따른 각각의 오차값 및 상기 인버터의 동작상태의 조합에 대응하는 학습데이터를 생성하여 상기 데이터베이스에 저장하는 단계를 포함하고,
    상기 동작상태는
    상기 인버터에 구비된 복수의 스위칭 소자 중 적어도 하나의 스위칭 소자가 개방된 상태 및 상기 인버터의 출력전류를 측정하는 전류센서의 게인(gain) 또는 오프셋(offset)이 변경된 상태를 포함하고,
    상기 인버터의 동작상태를 변경하면서 모터를 구동하는 단계는
    상기 복수의 스위칭 소자를 하나씩 순차적으로 개방시키거나 상기 복수의 스위칭 소자 중 둘 이상의 스위칭 소자를 순차적으로 개방시키면서 상기 모터를 구동하는 단계를 포함하고,
    상기 인버터의 동작상태를 변경하면서 모터를 구동하는 단계는
    속도 지령치 및 토크 지령치에 의해 정의되는 복수의 동작점에 따라 상기 모터를 구동하는 단계를 포함하는
    인버터 고장 진단을 위한 머신러닝 방법.
  2. 제1항에 있어서,
    상기 인버터의 동작상태를 변경하면서 모터를 구동하는 단계는
    상기 복수의 스위칭 소자를 하나씩 순차적으로 개방시키면서 상기 모터를 구동하는 단계를 포함하는 인버터 고장 진단을 위한 머신러닝 방법.
  3. 제1항에 있어서,
    상기 인버터의 동작상태를 변경하면서 모터를 구동하는 단계는
    상기 복수의 스위칭 소자 중 둘 이상의 스위칭 소자를 순차적으로 개방시키면서 상기 모터를 구동하는 단계를 포함하는 인버터 고장 진단을 위한 머신러닝 방법.
  4. 제1항에 있어서,
    상기 인버터의 동작상태를 변경하면서 모터를 구동하는 단계는
    속도 지령치 및 토크 지령치에 의해 정의되는 복수의 동작점에 따라 상기 모터를 구동하는 단계를 포함하는 인버터 고장 진단을 위한 머신러닝 방법.
  5. 제1항에 있어서,
    상기 인버터의 출력값과 지령값의 차인 오차값에 기초하여 각 동작상태에 대한 학습데이터를 생성하여 데이터베이스에 저장하는 단계는
    미리 설정된 샘플링 주기 또는 상기 모터의 위상에 따라 상기 오차값을 산출하는 단계를 포함하는 인버터 고장 진단을 위한 머신러닝 방법.
  6. 직류 전압을 교류 전류로 변환하여 모터에 출력하는 전력 변환부;
    지령값에 따라 상기 전력 변환부 내 복수의 스위칭 소자를 제어하는 스위칭 제어부; 및
    고장상태에 대한 학습데이터가 저장된 메모리를 포함하고, 상기 전력 변환부의 출력값과 상기 지령값의 차인 오차값을 상기 학습데이터와 비교하여 고장상태를 식별하는 고장 진단부를 포함하고,
    상기 고장상태는
    상기 전력 변환부에 구비된 복수의 스위칭 소자 중 적어도 하나의 스위칭 소자가 개방된 상태 및 상기 전력 변환부의 출력전류를 측정하는 전류센서의 게인 또는 오프셋이 변경된 상태를 포함하고,
    상기 메모리에는
    상기 모터의 위상에 따른 각각의 오차값 및 인버터의 동작상태의 조합에 대응하는 다수의 학습데이터가 저장되고,
    상기 인버터의 동작상태는
    상기 복수의 스위칭 소자가 하나씩 순차적으로 개방된 상태, 상기 복수의 스위칭 소자 중 둘 이상의 스위칭 소자가 순차적으로 개방된 상태, 서로 다른 속도 지령치 및 토크 지령치에 의해 상기 인버터의 동작점이 달라진 상태를 포함하는
    인버터.
  7. 제6항에 있어서,
    상기 고장 진단부는 상기 인버터의 출력전압을 산출하고, 상기 산출된 출력전압과 지령전압의 차인 상기 오차값을 상기 학습데이터와 비교하는 인버터.
  8. 제6항에 있어서,
    상기 메모리에는 각 고장상태에 대한 학습데이터가 저장되고,
    상기 고장 진단부는 상기 오차값과 가장 유사한 어느 한 학습데이터를 결정하고, 상기 결정된 학습데이터에 대응하는 고장상태를 식별하는 인버터.
  9. 제6항에 있어서,
    상기 고장 진단부는 상기 오차값에 대응하는 어느 한 학습데이터가 기준횟수 이상 연속으로 결정되면, 상기 결정된 학습데이터에 대응하는 고장상태를 식별하는 인버터.
  10. 제6항에 있어서,
    상기 메모리에는 상기 인버터의 복수의 동작점에 대해 각 고장상태별 학습데이터가 저장되고,
    상기 고장 진단부는 상기 복수의 동작점 중 현재 동작상태와 일치하는 어느 한 동작점을 식별하고, 상기 식별된 동작점에 대응하는 학습데이터와 상기 오차값을 비교하여 상기 고장상태를 식별하는 인버터.
  11. 제6항에 있어서,
    상기 고장 진단부는 상기 모터의 속도가 기준속도 이상일 때 상기 오차값을 상기 학습데이터와 비교하는 인버터.
KR1020180146147A 2018-11-23 2018-11-23 인버터의 고장 진단을 위한 머신러닝 방법 및 학습데이터를 통해 고장을 진단하는 인버터 KR102661750B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180146147A KR102661750B1 (ko) 2018-11-23 2018-11-23 인버터의 고장 진단을 위한 머신러닝 방법 및 학습데이터를 통해 고장을 진단하는 인버터

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180146147A KR102661750B1 (ko) 2018-11-23 2018-11-23 인버터의 고장 진단을 위한 머신러닝 방법 및 학습데이터를 통해 고장을 진단하는 인버터

Publications (2)

Publication Number Publication Date
KR20200064197A KR20200064197A (ko) 2020-06-08
KR102661750B1 true KR102661750B1 (ko) 2024-04-29

Family

ID=71090114

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180146147A KR102661750B1 (ko) 2018-11-23 2018-11-23 인버터의 고장 진단을 위한 머신러닝 방법 및 학습데이터를 통해 고장을 진단하는 인버터

Country Status (1)

Country Link
KR (1) KR102661750B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102395570B1 (ko) * 2020-11-25 2022-05-06 서울대학교 산학협력단 가변 운행 환경에서 모터의 고장 발생 여부를 판단하는 장치 및 방법
WO2024136094A1 (ko) * 2022-12-22 2024-06-27 삼성전자 주식회사 가전 기기의 고장 진단 방법, 및 가전 기기

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013176240A (ja) * 2012-02-27 2013-09-05 Toshiba Mitsubishi-Electric Industrial System Corp 電力変換装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101365276B1 (ko) * 2013-09-05 2014-02-20 엘에스산전 주식회사 인버터 시스템에서 전력 케이블의 분리 검출 방법
KR101893174B1 (ko) * 2016-11-11 2018-08-29 서울과학기술대학교 산학협력단 인버터의 다중 스위치 개방 고장부 판별 시스템 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013176240A (ja) * 2012-02-27 2013-09-05 Toshiba Mitsubishi-Electric Industrial System Corp 電力変換装置

Also Published As

Publication number Publication date
KR20200064197A (ko) 2020-06-08

Similar Documents

Publication Publication Date Title
Scelba et al. Hall-effect sensor fault detection, identification, and compensation in brushless DC drives
EP3224679B1 (en) Detecting faults in field oriented controlled permanent magnet synchronous machines
US8791715B2 (en) Method for monitoring a controller of a three-phase electric motor and/or the electric motor
JPWO2006112033A1 (ja) 交流モータ制御装置
JP2012233826A5 (ko)
CN108604876B (zh) 电动机控制装置
KR102661750B1 (ko) 인버터의 고장 진단을 위한 머신러닝 방법 및 학습데이터를 통해 고장을 진단하는 인버터
JP5504748B2 (ja) インバータ装置
JP2010011540A (ja) モータ制御装置
JP5300349B2 (ja) モータ制御装置およびモータ地絡検出方法
Freire et al. A voltage-based approach for open-circuit fault diagnosis in voltage-fed SVM motor drives without extra hardware
Tran et al. A robust diagnosis method for speed sensor fault based on stator currents in the RFOC induction motor drive
JP2013078213A (ja) 永久磁石同期電動機駆動装置
US11290036B2 (en) Control device
JP6833638B2 (ja) 電動機用インバータ回路の評価装置および評価方法
Hadef et al. Diagnosis of stator winding short circuit faults in a direct torque controlled interior permanent magnet synchronous motor
JP2018191506A (ja) 電気モータの回転子の電気抵抗を識別するための方法
CN112394312B (zh) 三相电机驱动***电流传感器故障诊断方法
KR102225094B1 (ko) 제어용 인버터를 가지는 유도 전동기의 고정자 권선 오프라인 고장 진단 방법 및 장치
CN105322863A (zh) 电动机驱动装置
JP6074652B2 (ja) モータ制御装置
CN113281677A (zh) 接线检测方法、装置、设备、变频控制电路和***
Skóra et al. Detection and compensation of transistor and position sensors faults in PM BLDCM drives
Goswami et al. Analysis and Mitigation of Hall Sensor Glitch Effects in Brushless DC Motor Based E-Vehicle Controller
Kommuri et al. Higher-order sliding mode based high-resistance fault-control in PMSM drives

Legal Events

Date Code Title Description
AMND Amendment
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant