KR20220079876A - 동기식 기계의 결함 검출 - Google Patents

동기식 기계의 결함 검출 Download PDF

Info

Publication number
KR20220079876A
KR20220079876A KR1020227013313A KR20227013313A KR20220079876A KR 20220079876 A KR20220079876 A KR 20220079876A KR 1020227013313 A KR1020227013313 A KR 1020227013313A KR 20227013313 A KR20227013313 A KR 20227013313A KR 20220079876 A KR20220079876 A KR 20220079876A
Authority
KR
South Korea
Prior art keywords
sensor
synchronous machine
magnetic field
machine
fault
Prior art date
Application number
KR1020227013313A
Other languages
English (en)
Inventor
호세인 에햐
아르네 니스빈
Original Assignee
노르웨이전 유니버시티 오브 사이언스 앤드 테크놀러지(엔티엔유)
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 노르웨이전 유니버시티 오브 사이언스 앤드 테크놀러지(엔티엔유) filed Critical 노르웨이전 유니버시티 오브 사이언스 앤드 테크놀러지(엔티엔유)
Publication of KR20220079876A publication Critical patent/KR20220079876A/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
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R15/00—Details of measuring arrangements of the types provided for in groups G01R17/00 - G01R29/00, G01R33/00 - G01R33/26 or G01R35/00
    • G01R15/12—Circuits for multi-testers, i.e. multimeters, e.g. for measuring voltage, current, or impedance at will
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/0038—Circuits for comparing several input signals and for indicating the result of this comparison, e.g. equal, different, greater, smaller (comparing pulses or pulse trains according to amplitude)
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • 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
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/346—Testing of armature or field windings
    • 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
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/52—Testing for short-circuits, leakage current or ground faults
    • 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
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/56—Testing of electric apparatus
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/02—Measuring direction or magnitude of magnetic fields or magnetic flux
    • 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)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Power Engineering (AREA)
  • Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

동기식 기계의 결함 검출 방법은 자기장 강도, 회전자 전류 또는 전압, 고정자 전류 또는 전압 및 진동 중 하나 이상에 기초한 파라미터를 포함하는, 동기식 기계 내에서 생성된 자기장에 연결된 파라미터를 결정하기 위해 적어도 하나의 센서를 사용하는 단계를 포함한다. 센서 측정치는 자기장에 연결된 데이터 아티팩트를 식별하기 위해 프로세싱되며, 프로세싱은 시간, 주파수, 및 시간과 주파수 모두에 기초한 하나 이상의 신호 프로세싱 기술을 포함한다. 후속하여, 동기식 기계의 결함을 나타내는 자기장의 불규칙성을 식별하고 분류하기 위해 신호 프로세싱의 출력이 분석된다. 분석하는 단계는 기계 학습 알고리즘을 통하는 것과 같이 컴퓨터 지원 패턴 인식 기술의 사용을 통해 프로세싱된 센서 측정치에서 패턴을 인식하는 단계를 포함한다.

Description

동기식 기계의 결함 검출
본 발명은 동기식 기계의 결함 검출(fault detection) 방법 뿐만 아니라 동기식 기계와 결합될 수 있는 관련 결함 검출 시스템 및 대응하는 컴퓨터 프로그램 제품에 관한 것이다.
동기식 기계, 특히 수력 발전기와 같은 대형 동기식 기계는 전력 생산에서 중추적인 역할을 한다. 전원의 높은 신뢰성은 이러한 동기식 발전기에 의존한다. 에너지 생산 센터(발전소) 및 생산 라인의 계획되지 않은 정전은 전력 산업에서 가장 중요한 문제 중 하나이다. 대규모 에너지 생산 시스템은 전적으로 대형 전기 기계, 특히 동기식 기계에 의존한다. 대형 동기식 기계는 발전소에서 가장 비싼 장비 중 하나이다. 또한, 유지 보수 및 수리 비용이 많이 들고, 결함으로 인한 네트워크로부터의 동기식 기계의 임의의 종료는 경제적 손실로 이어진다. 오늘날 정기적인 유지 보수 시스템이 전기 기계와 관련된 대부분의 산업에서 사용된다.
동기식 기계에서는 상이한 유형의 전기적 및 기계적 결함이 발생할 수 있다. 기계적 결함은 진동, 발전기의 특정 부품 또는 전체적인 부품으로의 불균형의 자기적인 당김(pull)을 유발할 수 있다. 기계적 결함은 부적절한 동작 상태, 기계적 성능 저하 또는 기계 조립 중 결함으로 인해 야기될 수 있다. 회전자와 고정자 코어 사이의 최소 에어 갭이 변하면, 동기식 발전기는 편심 결함이라고 칭하는 상태를 갖는다. 정적 및 동적인 2개 유형의 편심이 있다. 정적 편심은 에어 갭의 불균일 분포에서 가장 짧은 길이가 일정한 길이를 가지며 공간에 고정된 상태이다. 정적 편심은 동기식 발전기에서 널리 퍼져 있는 결함 중 하나이다. 낮은 레벨의 편심은 기계에 어떠한 손상도 유발하지 않지만, 회전자 코어가 고정자 코어와 권선에 마찰하기 전에 초기 단계에서 검출되어야 한다.
일반적으로, 전력 그리드의 심각한 단락과 같은 외부 요인이나 점진적인 결함으로 인해 내부적으로 결함이 발생할 수 있다. 결함에 대한 신속한 대응은 동기식 기계의 보호 시스템의 책임이다. 통상적인 보호 시스템은 고정자의 단자에서 전압, 전류 프로파일 또는 이와 연관된 추출된 데이터를 사용한다. 수력 발전기의 경우, 수력 발전소는 비정상적인 동작 상태에 대한 신속한 대응으로 자동으로 작동하는 여러 서브시스템 및 장비에 추가하여 과전압, 과전류, 차동 계전기로 구성된 정교한 보호 시스템을 갖는 경우가 많다. 보호 시스템의 목적은 보호 시스템에 연결된 기계 또는 전력 네트워크에 심각한 오류가 결함이 발생한 경우 생산 유닛의 즉각적이고 정확한 연결 해제를 보장하는 것이다. 빠르고 파괴적인 결함으로부터 전기 기계를 보호하기 위해 측정된 데이터에 기초하여 전력 시스템으로부터 전기 기계를 연결 해제할 수 있다. 그러나, 기존의 보호 시스템은 향후 심각한 결함으로 이어질 수 있는 기계 내부의 점진적인 결함을 검출하지 못할 수 있다. 따라서, 추가 결함 검출 작업을 수행하기 위해 상태 모니터링 시스템을 갖는 것이 유리하다. 본 발명은 이러한 맥락에서 사용되는 방법 및 시스템에 관한 것이다.
제1 양태에서 볼 때, 본 발명은 동기식 기계에서의 결함 검출 방법을 제공하며, 본 방법은:
자기장 강도, 회전자 전류 또는 전압, 고정자 전류 또는 전압, 및 진동 중 하나 이상에 기초한 파라미터를 포함하는, 동기식 기계 내에서 생성된 자기장에 연결된 파라미터를 결정하도록 적어도 하나의 센서를 사용하는 단계;
자기장에 연결된 데이터 아티팩트(artefact)를 식별하도록 센서 측정치를 프로세싱하는 단계 - 프로세싱은 시간, 주파수, 및 시간과 주파수 모두에 기초한 하나 이상의 신호 프로세싱 기술을 포함함 - ; 및
동기식 기계의 결함을 나타내는 자기장의 불규칙성을 식별하고 분류하기 위해 신호 프로세싱의 출력을 분석하는 단계 - 분석은 기계 학습 알고리즘들을 통하는 것과 같이 컴퓨터 지원 패턴 인식 기술의 사용을 통해 프로세싱된 센서 측정치에서 패턴을 인식하는 것을 포함함 - 를 포함한다.
이 방법을 사용하여, 동기식 기계의 결함을 보다 효과적으로 결정할 수 있다. 제1 양태의 방법은 예를 들어, 통상적으로 기계 내부에서 발견되는 동기식 기계의 기계적 및/또는 전기적 구성 요소와 관련하여 동기식 기계 자체 내의 결함의 검출에 관한 것이다. 기계 내부의 결함은 예를 들어, 기계 또는 외부 전기 네트워크의 자화를 위한 여기 시스템과 관련하여, 기계 외부의 결함과 구별되어야 한다. 이러한 구성 요소의 결함은 통상적으로 침습적 측정 및/또는 기계에 대한 수정 없이 식별 및 진단하기 어렵다. 효과적인 비침습적 기술을 제공하는 것이 유리할 것이다. 본 방법은 수력 발전기로서 사용되는 동기식 전기 기계와 같은 대형 동기식 기계의 경우에 특히 이점이 있다. 다른 결함 발견 방법이 존재하지만, 이는 자기장이 자기장의 불규칙성을 식별하고 분류함으로써 동기식 기계의 수많은 문제를 진단하는 데 사용될 수 있다는 인식에 초점을 맞추지 않았다. 본 방법은 편심, 댐퍼 권선 결함 및 단락 중 하나 이상과 연결된 결함을 검출하기 위한 것일 수 있다.
동기식 기계는 정상 상태에서 샤프트의 회전이 생성된 전압의 주파수와 동기화되거나 기계가 모터로서 작동하는 경우 공급 전압과 동기화되는 AC 전기 기계이다. 따라서, 동기식 기계의 회전 주기는 AC 사이클의 정수 또는 극-쌍의 수에 의해 주어진 AC 사이클의 분수와 같다. 본원에 설명되는 동기식 기계는 라인 전류의 진동과 함께 시간에 따라 회전하는 자기장을 생성하는 기계의 고정자에 다상(multiphase) AC 전자석을 포함할 수 있다.
동기식 기계와 유도 기계 사이의 차이점을 이해하는 것은 현재 맥락에서 중요하다. 동기식 기계는 회전자의 자기장을 생성하기 위해 전류 유도에 의존하지 않기 때문에 라인 주파수에 고정된 속도로 회전한다. 대조적으로, 유도 기계는 슬립(slip)을 필요로 하며, 회전자는 회전자 권선에 전류를 유도하기 위해 AC 교류보다 약간 느리게 회전해야 한다. 현재 설명된 방법은 유도 기계와 관련이 없다.
본 방법은 라인 주파수보다 높은 주파수와 관련하여 신호 프로세싱 기술을 사용하는 단계를 포함할 수 있다. 즉, 본 방법은 전력 주파수 범위(통상적으로 50 Hz 또는 60 Hz)의 신호에만 작동하지는 않으며, 실제로 해당 주파수 범위에서 식별할 수 있는 패턴을 사용하는 신호 프로세싱 기술과 구체적으로 관련이 없을 수 있다. 따라서, 본 방법은 전력 주파수 범위보다 높은(그리고 선택적으로 이를 포함하지 않는) 주파수, 즉, 60 Hz보다 높은 주파수로 작동하는 단계를 포함할 수 있다. 본 방법은 유리하게는 라인 주파수의 초고조파인 주파수, 통상적으로 라인 주파수보다 훨씬 높은 주파수, 예를 들어, 75 Hz 내지 400 Hz인 75 Hz 초과의 주파수일 수 있고/있거나 kHz 범위 이상의 주파수를 포함할 수 있는 주파수에 기반한 신호 프로세싱 기술을 포함한다. 따라서, 제1 양태의 방법에서 사용되는 주파수(들)는 1 kHz 초과의 주파수일 수 있고, 특히 동기식 기계의 라인 주파수의 초고조파일 수 있다. 따라서, 출력을 분석하는 단계는 이러한 주파수를 포함하는 프로세싱된 센서 측정치에서 패턴을 인식하는 단계를 포함할 수 있으며, 패턴은 이러한 더 큰 주파수 범위에서 식별될 수 있다. 신호 프로세싱 기술은 5 kHz 또는 10 kHz 또는 그 이상의 샘플링 주파수와 같은 kHz 범위의 샘플링 주파수를 사용하는 것을 포함할 수 있다.
위에서 언급한 바와 같이, 본 방법은 수력 발전기와 같은 대형 동기식 기계의 결함 검출에 사용될 수 있다. 이러한 맥락에서 대형 동기식 기계는 발전기로서 작동할 때 100 kW 내지 500 MW 또는 그 이상의 전기를 생산할 수 있는 기계이다. 수력 발전기는 물의 흐름으로부터 전기를 생산하는 데 사용되는 전기 기계이며, 통상적으로 돌극형(salient pole) 동기식 발전기일 수 있다. 결함 검출 방법은 돌극형 동기식 발전기에 특히 유용할 수 있다.
결함 검출 방법은 동기식 기계의 자기장에서의 불규칙성을 사용한다. 이것은 예를 들어, 기계의 시동 또는 정지 동안 발생하는 천이(transient) 자기장일 수 있다. 이러한 천이 자기장은 전기를 생산하기 위해 수력 발전기가 일정한 속도로 작동하거나 다른 방식으로 연속적으로 사용될 때와 같이, 동기식 기계의 지속적인 사용 중에 발생하는 정상 상태 자기장 또는 변동 자기장과 구별될 수 있다. 이러한 천이 자기장에서 불규칙성을 식별하고 분류함으로써 결함 검출이 향상될 수 있다는 것이 밝혀졌다. 따라서, 본 방법은 결함을 나타내는 불규칙성을 찾기 위해 천이 자기장이 있는 기간 동안 사용될 수 있으며, 따라서 동기식 기계의 시동 동안의 결함 검출을 포함할 수 있다. 본 발명자들은 일부 결함 유형이 천이 자기장이 있는 동안 가장 잘 검출될 수 있거나, 기계가 천이 상태에 있는 경우에만 검출될 수 있다는 것을 알았다.
본 방법은 적어도 하나의 기존 센서 또는 적어도 하나의 비침습 센서를 사용하는 단계를 포함할 수 있다. 이는 결함 검출이 추가 침습 센서를 필요로 하지 않고 동기식 기계에 대해 수정할 필요 없이 위에서 논의한 다양한 이점을 획득할 수 있게 한다. 이는 기존 기계의 결함 검출에 유용하다. 대안적으로, 통합된 결함 찾기 기능을 갖는 새 기계를 설계할 때를 포함하여 편리한 경우, 통상의 대형 동기식 기계에 비해 추가 센서가 제공될 수 있다. 특히, 회전자와 고정자 사이의 에어 갭 내와 같이 침습적으로 설치된 요소를 갖는 센서를 통해 자기장 신호를 보다 직접적으로 측정하는 것이 유용할 수 있다. 일부 예에서, 본 방법은 에어 갭에 설치된 홀 효과(hall effect) 센서 또는 검색 코일을 사용한다.
기존 센서가 사용되는 경우, 기존 센서는 기계 제어를 위해 동기식 기계의 동작 중에 사용되는 하나 이상의 센서와 같이 동기식 기계와 함께 이미 제공된 센서일 수 있다. 예를 들어, 이것은 기계의 성능을 모니터링하는 데 사용되는 전압 또는 전류 센서일 수 있다. 기존의 센서는 비침습 센서, 즉, 기계 외부에 장착되고/장착되거나 비접촉 방식으로 측정하는 센서일 수 있거나, 동기식 기계 내에 통합된 센서일 수 있다.
대안적으로 또는 추가적으로, 적어도 하나의 비침습 센서는 결함 검출 시스템의 일부로 제공된 센서와 같이 결함 검출을 위해 특별히 기계와 함께 사용될 수 있으며, 여기서 이러한 센서는 결함 검출 방법을 수행하기 위해 기계와 함께 일시적으로 배치된다. 사용될 수 있는 비침습 센서는 전압, 전류, 저항 또는 관련 파라미터와 같은 전기적 특성을 측정하는 센서를 포함한다. 이는 추가된 센서를 통해 또는 동기식 기계의 계기용 변압기(potential transformer)로 제공되는 전압 감지와 같은 기존의 센서를 통해 수행될 수 있다. 추가적인 가능성은 진동 신호 획득을 위해 가속도계를 사용하는 것이며, 이러한 가속도계는 기계 외부에, 즉, 비침습적으로 배치된다.
본 방법은 복수의 센서를 사용할 수 있으며, 기존 및/또는 비침습 센서(들)를 포함하는 하나 초과의 센서에 의해 복수의 상이한 측정이 수행된다.
일부 예에서, 본 방법은 기존 센서 및/또는 비침습 센서만을 사용한다. 따라서, 새로운 침습 센서를 사용하지 않는다. 예를 들어, 본 방법은 새로운 센서를 배치하거나 부착하기 위해 동기식 기계에 대한 임의의 물리적인 수정을 필요로 하지 않을 수 있다.
유리하게는, 본 방법은 회전자의 이동 부품으로부터의 어떠한 데이터 전달도 포함하지 않을 수 있으므로, 회전자의 이동 부품에 센서가 배치되지 않을 수 있고/있거나 데이터 전달을 위해 추가된 슬립 링(slip ring) 또는 다른 수정이 없을 수 있다. 이는 기계의 이동 부품이 추가 센서에 의해 방해받지 않기 때문에 기계 성능에 대한 결함 검출 방법의 영향을 최소화한다.
본 방법은 계기용 변압기(PT)에서 동기식 기계에 제공된 센서와 같은 전압 및/또는 전류용 센서를 사용할 수 있다. 통상적으로 계기용 변압기에는 전압 및/또는 전류에 대한 하나 이상의 센서가 있다. 이는 기존 센서가 제안된 방법에 사용될 수 있게 하며, 기계가 시동하는 동안 천이 자기장 동안과 같이 계기용 변압기로부터의 센서 측정치가 자기장 불규칙성을 식별하는 데 사용된다. 이러한 측정치는 예를 들어, 댐퍼 권선 결함 또는 편심 결함과 같은 결함을 식별하고 분류하는 데 사용될 수 있다.
본 방법은 동기식 기계의 회전자에 대한 회전 반경을 결정하는 단계 및 자기장의 불규칙성을 식별하고 분류하기 위해 회전 반경을 사용하는 단계를 포함할 수 있다. 아래에서 추가로 논의되는 바와 같이 다양한 결함을 결정하기 위해 회전 반경이 평가될 수 있다. 일부 경우에, 예는 회전 반경을 결정하기 위해 계기용 변압기에서 센서의 측정치를 사용할 수 있다.
센서 측정치를 프로세싱하는 단계는 하나 이상의 신호 프로세싱 기술을 포함한다. 예는 시계열 데이터 마이닝(TSDM: time series data mining), 푸리에 변환(FT: Fourier transform), 고속 푸리에 변환(FFT: fast Fourier transform), 힐베르트 변환(HT: Hilbert transform), 힐베르트-황 변환(HHT: Hilbert-Huang transform), 연속 웨이블릿 변환(CWT: continuous wavelet transform) 및 이산 웨이블릿 변환(DWT: discrete wavelet transform)을 포함한다. 이러한 기술은 5 kHz 또는 10 kHz 또는 그 이상의 샘플링 주파수와 같은 kHz 범위의 샘플링 주파수를 사용하는 것을 포함할 수 있다.
일부 예시적인 구현에서, 본 방법은 댐퍼 권선 결함을 검출하기 위해, 특히 파손된 댐퍼 바(damper bar)를 검출하기 위해, 시계열 데이터 마이닝을 통해 선택적으로 획득된 회전 반경 데이터의 사용을 포함할 수 있다. 이는 동기식 기계의 계자 권선(field winding)에서 유도 전압에 대한 위상 공간을 매핑하여 수행될 수 있다. 유리하게는 이 전압은 계기용 변압기에서 센서를 통해 결정되거나 측정될 수 있다. 파손된 댐퍼 바의 경우 동기식 기계의 계자 권선에서 유도 전압에 대한 위상 공간에 기초하여 매핑된 회전 반경이 파손된 댐퍼 바가 없는 기계와 다르다는 것이 발견되었다. 이러한 차이는 패턴 인식 기술이 위상 공간 다이어그램의 특성 패턴 인식에 기초하여 파손된 댐퍼 바를 나타내는 자기장 불규칙성을 자동으로 식별할 수 있게 한다. 기본적으로, 회전 반경의 진폭은 파손된 댐퍼 바가 있을 때 증가할 것이다. 본 방법은 양호한 것으로 알려진 동기식 기계의 측정 결과와 댐퍼 바가 파손된 것으로 알려진 동기식 기계의 측정 결과 사이의 구별(또는 매칭)에 기초하는 패턴 인식을 포함할 수 있다. 유사한 방법이 다른 결함을 갖는 것으로 알려진 동기식 기계의 측정에 대한 패턴 인식에 기초하여 다른 유형의 결함을 검출하는 방식을 제공할 수 있음을 이해할 것이다.
대안적으로 또는 추가적으로, 일부 예시적인 구현에서, 본 방법은 유리하게는 정적 편심 결함을 포함하는 편심 결함을 검출하기 위해 시계열 데이터 마이닝을 통해 선택적으로 획득된 회전 반경 데이터의 사용을 포함할 수 있다. 이는 동기식 기계의 계자 권선에서 유도 전압에 대한 위상 공간을 매핑하여 수행될 수 있다. 위에서 논의된 댐퍼 권선 결함 검출과 같이, 이 전압은 계기용 변압기의 센서를 통해 결정되거나 측정될 수 있다. 편심 결함을 검출하는 경우, (예를 들어, 시계열 데이터 마이닝으로부터의) 신호 프로세싱의 출력을 분석하는 단계는 양호한 것으로 알려진 기계에 대한 회전 반경을 참조하여 정규화된 회전 반경을 결정하는 단계를 포함할 수 있다. 정규화된 회전 반경은 양호한 회전 반경과 측정된(즉, 결함이 의심되는) 회전 반경 사이의 차이를 양호한 회전 반경으로 나누어 규정될 수 있다. 이는 정규화된 회전 반경(양호한 기계의 경우 0이 됨)의 값을 평가하여 편심 결함의 자동화된 식별 및 분류를 허용하는 인덱스를 제공한다.
분석 단계는 컴퓨터 지원 패턴 인식 기술의 사용을 통한 프로세싱된 센서 측정치에서 패턴을 인식하는 단계를 포함한다. 따라서, 본 방법은 프로세싱된 센서 측정치에서 발견된 패턴을 동기식 기계의 결함을 나타내는 것으로 간주되는 패턴과 비교하는 것을 포함할 수 있다. 이는 패턴 인식이 결함의 명확한 진단을 제공할 수 있도록 특정 결함일 수 있다. 대안적으로 이는 결함 유형이 진단될 수 있기 전에 다른 프로세싱된 센서 측정치(및 선택적으로 그 안의 패턴)를 포함하여 다른 측정치와 관련하여 추가 조사 또는 고려가 필요한 비특정 결함의 지표일 수 있다. 컴퓨터 지원 패턴 인식 기술은 기계 학습 알고리즘에 기반한 기술일 수 있다. 예를 들어, 패턴 인식은 결함이 없는 기계와 관련되는 것으로 알려진 복수의 프로세싱된 센서 측정치뿐만 아니라 결함이 있는 기계와 관련된 것으로 알려진 복수의 프로세싱된 센서 측정치로 훈련된 기계 학습 알고리즘에 기초할 수 있다. 기계 학습 프로세스는 특정 범주의 결함(예를 들어, 편심 결함 또는 댐퍼 권선 결함 및 단락) 및/또는 특정 유형의 결함(예를 들어, 파손된 댐퍼 바 형태의 댐퍼 권선 결함)의 특정 범주와 관련된 것으로 알려진 복수의 프로세싱된 센서 측정치로 훈련하는 것을 포함할 수 있다.
제2 양태에서 볼 때, 본 발명은 동기식 기계의 결함 검출을 위한 결함 검출 시스템을 제공하며, 결함 검출 시스템은, 자기장 강도, 회전자 전류 또는 전압, 고정자 전류 또는 전압, 및 진동 중 하나 이상에 기초한 파라미터를 포함하는, 동기식 기계 내에서 생성된 자기장에 연결된 파라미터를 수신하기 위해 적어도 하나의 센서에의 연결을 위한 데이터 프로세싱 장치를 포함하고,
데이터 프로세싱 장치는:
자기장에 연결된 데이터 아티팩트를 식별하도록 센서 측정치를 프로세싱하고 - 프로세싱은 시간, 주파수, 및 시간과 주파수 모두에 기초한 하나 이상의 신호 프로세싱 기술을 포함함 - ;
동기식 기계의 결함을 나타내는 자기장의 불규칙성을 식별하고 분류하기 위해 신호 프로세싱의 출력을 분석하도록 - 분석은 기계 학습 알고리즘들을 통하는 것과 같이 컴퓨터 지원 패턴 인식 기술의 사용을 통해 프로세싱된 센서 측정치에서 패턴을 인식하는 것을 포함함 - 구성된다.
데이터 프로세싱 장치는 제1 양태 및 그 선택적인 피처와 관련하여 위에서 논의된 바와 같은 단계를 수행하도록 구성될 수 있다. 본 발명은 또한 결함 검출 시스템을 포함하는 수력 발전기로서 작용하는 대형 동기식 기계와 같은 동기식 기계로 확장된다. 결함 검출 시스템은 제1 양태 및 그 선택적인 피처와 관련하여 위에서 논의된 바와 같은 구조적 및/또는 기능적 피처를 포함할 수 있다. 결함 검출 시스템은 동기식 기계 내부의 결함 검출을 위해 구성되고 사용되며, 이는 위에서 설명한 바와 같이 여기 시스템 또는 외부 전기 네트워크와 관련된 문제와 같은 기계 외부의 결함과 구별된다. 결함 검출 시스템은 유리하게는 위에서 논의된 바와 같이, 라인 주파수/전력 주파수보다 높은 주파수와 관련이 있다.
예를 들어, 결함 검출 시스템은 적어도 하나의 기존 센서 또는 적어도 하나의 비침습 센서, 또는 위에서 논의된 바와 같은 다른 센서를 포함할 수 있다. 이는 자기장 강도, 회전자 전류 또는 전압, 고정자 전류 또는 전압, 및 진동 중 하나 이상에 기초한 파라미터의 검출을 위해 동기식 기계에 배치된 기존 및/또는 비침습 센서일 수 있다. 기존 센서는 기계의 제어를 위한 동기식 기계의 동작 동안 사용하기 위해 제공된 하나 이상의 센서와 같이 동기식 기계와 함께 이미 제공된 센서일 수 있다. 예를 들어, 이는 기계의 성능을 모니터링하는 데 사용되는 전압 또는 전류 센서일 수 있다. 기존 센서는 비침습 센서, 즉, 기계 외부에 장착되고/장착되거나 비접촉 방식으로 측정치를 취하도록 배열된 센서일 수 있거나, 동기식 기계 내에 통합된 센서일 수 있다. 대안적으로 또는 추가적으로 적어도 하나의 비침습 센서는 결함 검출 시스템의 일부로 제공되는 센서와 같이 결함 검출을 위해 특별히 기계와 함께 사용될 수 있으며, 여기서 이러한 센서는 결함 검출을 수행하기 위해 기계와 함께 임시로 배치되도록 구성된다. 결함 검출 시스템은 복수의 센서를 포함할 수 있으며, 복수의 상이한 측정치는 기존 및/또는 비침습 센서(들)를 포함하는 하나 초과의 센서에 의해 데이터 프로세싱 장치에 제공된다.
일부 예에서, 결함 검출 시스템은 동기식 기계의 기존 센서 및/또는 비침습 센서로만 구성된다. 따라서, 기계와 함께 새로운 센서를 설치될 필요가 없을 수 있으며, 특히 동기식 기계에 대한 물리적 수정을 필요로 하는 것과 같은 새로운 침습 센서를 설치할 필요가 없을 수 있다.
결함 검출 시스템은 회전자의 이동 부품으로부터의 임의의 데이터 전달 없이 센서를 사용하도록 배열될 수 있으므로, 회전자의 이동 부품에 센서가 배치되지 않을 수 있다. 이는 기계의 이동 부품이 추가 센서에 의해 방해받지 않기 때문에 기계 성능에 대한 결함 검출 방법의 영향을 최소화한다.
데이터 프로세싱 장치는 필요한 방법 단계를 수행하도록 적절하게 구성된 임의의 장치일 수 있다. 이는 적절한 데이터 입력 및 출력 연결을 갖는 컴퓨터 프로세서와 같은 적절한 프로세서를 포함할 수 있는 결함 검출 시스템의 전용 프로세서일 수 있다. 대안적으로, 결함 검출 시스템은 데스크톱 컴퓨터, 랩톱 컴퓨터, 태블릿 또는 스마트폰과 같은 범용 컴퓨터 장치를 포함할 수 있으며, 이러한 컴퓨터 디바이스는 범용 컴퓨터 디바이스에 설치되도록 제공된 소프트웨어 어플리케이션의 사용을 통해서와 같이, 주요 역할 또는 보조 역할로 필요한 방법 단계를 수행하도록 구성된다.
결함 검출 시스템은 센서로부터 데이터 프로세싱 장치로의 출력 신호 전송을 위한 유선 또는 무선 시스템과 같은 데이터 프로세싱 장치로의 센서 신호의 전달을 위한 적절한 인터페이스를 포함할 수 있다.
제3 양태에서 볼 때, 본 발명은 명령어들을 포함하는 컴퓨터 프로그램 제품을 제공하며, 명령어들은 제2 양태에서의 결함 검출 시스템 내에서 실행될 때, 데이터 프로세싱 장치를: 자기장에 연결된 데이터 아티팩트를 식별하도록 센서 측정치를 프로세싱하고 - 프로세싱은 시간, 주파수, 및 시간과 주파수 모두에 기초한 하나 이상의 신호 프로세싱 기술을 포함함 - ; 동기식 기계의 결함을 나타내는 자기장의 불규칙성을 식별하고 분류하기 위해 신호 프로세싱의 출력을 분석하도록 - 분석은 기계 학습 알고리즘을 통하는 것과 같이 컴퓨터 지원 패턴 인식 기술의 사용을 통해 프로세싱된 센서 측정치에서 패턴을 인식하는 것을 포함함 - 구성할 것이다.
컴퓨터 프로그램 제품은 제1 양태의 방법 및 그 선택적 피처와 관련하여 위에서 설명된 바와 같은 다른 단계를 수행하도록 데이터 처리 장치를 구성하도록 배열된 명령어들을 포함할 수 있다. 컴퓨터 프로그램 제품은 예를 들어, 전용 프로세서용 펌웨어 또는 범용 컴퓨터 디바이스용 소프트웨어와 같은 데이터 프로세싱 장치용으로 구성된 펌웨어 또는 소프트웨어일 수 있다.
본 발명의 특정의 예시적인 실시예는 이제 단지 예로서 그리고 첨부 도면을 참조하여 설명될 것이다.
도 1은 결함 검출 시스템의 흐름도이다.
도 2는 시뮬레이팅된 돌극형 동기식 발전기의 2차원 스킴을 도시한다.
도 3은 SPSG에서 댐퍼 바의 분포 위치를 도시한다.
도 4는 양호한 경우와 상이한 수의 BDB에 대한 결함이 있는 경우의 SPSG의 회전자 계자 권선 유도 전압을 비교하는 2개의 플롯을 포함한다.
도 5는 SPSG 회전자 극의 에지에서 양호 및 파손된 댐퍼 바의 위상 공간을 도시하는 다이어그램이다.
도 6은 (a) 각각의 대향 극의 6개의 BDB, (b) 2개의 인접 극의 에지의 2개의 BDB, (c) 2개의 대향 극의 에지의 2개의 BDB, (d) 2-극 피치 거리에서의 2개의 BDB가 에어 갭 자기장의 비대칭에 어떠한 영향을 미치는지와 관련하여 SPSG의 파손된 댐퍼 바의 위치에 대한 예를 도시한다.
도 7은 좌측 도면에서 시뮬레이팅된 돌극형 동기식 발전기와 에어갭에 설치된 홀 효과 센서의 위치를 도시하고; 우측 도면에서 양호한(20% 미만) 정적 편심 결함에서 우측 센서의 자속 밀도를 도시한다.
도 8은 a) 우측 센서; 및 b) 좌측 센서에 대한 극성 다이어그램에서 각각의 극의 시뮬레이팅된 평균 자속 밀도를 도시한다.
도 9는 웨이블릿 변환의 상세한 신호 추출의 절차를 도시하는 다이어그램이다.
도 10은 양호한 기계와 정적 편심 결함을 갖는 기계에서 D7의 절대값의 웨이블릿 계수를 도시한다.
도 11은 7회 미만의 단락 턴에서 무부하에서의 SPSG의 에어 갭 자속 밀도를 도시하는 플롯이다.
도 12는 무부하에서의 SPSG 극의 평균 자속 밀도의 극성 다이어그램이다.
도 13은 무부하에서의 방사형 자속 밀도의 주파수 스펙트럼을 도시한다.
도 14는 무부하에서 두 센서의 합에 대한 자속 밀도의 주파수 스펙트럼을 도시한다.
도 15는 무부하 상태에서 방사형 자속 밀도 측정의 실험 결과를 도시한다.
위에 제시된 바와 같이, 동기식 기계에 대한 결함 검출 방법은 자기장 강도, 회전자 전류 또는 전압, 고정자 전류 또는 전압 및 진동 중 하나 이상에 기초한 파라미터를 포함하여 동기식 기계 내에서 생성된 자기장에 연결된 다양한 파라미터를 사용할 수 있다. 이러한 센서 측정치는 결함을 진단하기 위해 자기장의 불규칙성을 나타내는 패턴을 찾는 의도로 자기장과 연결된 데이터 아티팩트를 식별하도록 프로세싱된다. 센서 측정치의 프로세싱은 시간, 주파수, 및 시간과 주파수 모두에 기초하는 하나 이상의 신호 프로세싱 기술을 포함한다. 관심 주파수는 동기식 기계에 대한 라인 주파수보다 높으며 해당 주파수의 초고조파이다. 이는 75 Hz 초과의 주파수, 예를 들어, 75 Hz 내지 400 Hz의 주파수일 수 있고/있거나 kHz 범위 이상의 주파수를 포함할 수 있다. 통상적으로 이 방법에 사용되는 샘플링 주파수는 kHz 범위 이상이다. 도 1은 예시적인 결함 검출 프로세스의 주요 단계에 대한 흐름도를 도시한다.
아래 예에 예시된 바와 같이, 제안은 동기식 기계의 결함을 나타내는 자기장의 불규칙성을 식별하고 분류하기 위해 신호 프로세싱의 출력을 분석하는 것을 포함한다. 이러한 분석은 프로세싱된 센서 측정치에서 패턴을 인식하기 위한 컴퓨터 지원 패턴 인식 기술을 사용할 수 있다는 것을 이해할 것이다. 몇몇 가능한 예가 아래에 논의되며, 이러한 방법을 다른 결함 유형으로 구현하는 가능한 방식을 제공한다.
예 1 - 파손된 댐퍼 바(BDB; Broken Damper Bar)
과거에, 대형 돌극형 동기식 발전기(SPSG; salient pole synchronous generator)의 BDB 및 엔드 링 결함과 관련된 연구는 다른 유형의 결함과 비교하여 이 결함의 통계적 모집단이 낮기 때문에 제한적이었다. 댐퍼 바는 SPSG 및 빠른 응답 천이의 동기화에 사용된다. 또한, 댐퍼 바는 고정자 바의 단락 결함 시 회전자 권선을 보호한다. 동기식 기계의 BDB 결함은 댐퍼 바와 엔드 링 사이의 부적절한 단단한 연결로 인해 발생할 수 있다. BDB의 인접 바의 전류 밀도는 작은 파단의 경우에도 증가한다. BDB의 전류는 인접한 댐퍼 바를 통해 흐르며 이는 과도한 저항 손실과 결과적으로 온도 상승으로 이어진다. 따라서 BDB 결함은 인접 바 주변에 핫 스팟(hot spot)을 유발하며, 이는 결국 인접 바의 파단 속도를 증가시킨다.
BDB 결함을 갖는 펌핑된(pumped) 저장 기계에 대한 연구는 몇 가지 유용한 결과를 제공했다. 기계 시동 동안 필요한 전자기 토크는 부분적으로 댐퍼 바를 통과하는 전류에 의해 제공된다. 기계의 자속 밀도는 결함이 있는 상태에서 연구되었다. BDB 결함은 비대칭 자기장을 유발하는 것으로 나타났다. 또한, 결함 상태에서 기계의 시동 시간도 조사되었으며 결함으로 인해 증가된 것으로 입증되었다. 그럼에도 불구하고, 시동 시간은 오정렬, 편심 결함 또는 부하 상태와 같은 많은 요인이 기계 시동 시간에 영향을 미칠 수 있기 때문에 BDB 결함을 진단하는 데 적절한 지표가 아니다.
동기식 모터의 댐퍼 바는 회전자가 동기 속도에 도달할 때까지 동기화 및 댐핑 목적으로 사용된다. 따라서, 동기식 기계의 특성은 동기화 전의 유도 모터와 유사하다. 정상 상태에서는, 바를 통과하는 전류의 진폭이 낮으며, 이는 BDB 결함 검출을 어렵게 한다.
이 예는 시동 시간 동안 SPSG에서 BDB 결함을 검출하는 새로운 접근법을 제안한다. 이 방법의 시동 절차는 먼저 기계를 공칭 속도로 회전시킨 다음 후속하여 수 초 안에 램프(ramp) 함수로서 회전자 계자 권선의 여기 전류를 증가시킨다.
FEM을 사용한 BDB로 SPSG 모델링
유한 요소 방법(FEM: finite element method)을 사용하여 시뮬레이팅된 SPSG의 2차원(2-D) 스킴이 도 2에 표시된다. 고정자 슬롯, 회전자 극 돌출, 댐퍼 막대와 같은 시뮬레이팅된 SPSG의 완전한 기하학적 및 물리적 상세 사항이 고려된다. BDB 결함 상태에서 양호한 SPSG를 시뮬레이팅하기 위해 적층 자기 코어의 비선형 특성, 와류 효과가 고려된다. 이 시뮬레이션에서, SPSG는 동기 속도에서 분석되며, 회전자 계자 전류가 0에서 공칭 값까지 증가한다. 이 SPSG를 시뮬레이팅하기 위해 기계의 전압 구축 동안 천이 분석이 수행되었다. 이러한 FEM 모델에서, 모션 식은 자기력과 커플링된 기계적 힘과 회전자 계자 공급을 설명하는 전기 식을 포함하도록 고려된다.
또한, 포화, 고정자 및 회전자 슬롯 설계는 FEM 모델링에서 고려해야 하는 결함 시그니처에 상당한 영향을 미친다. 기계 권선 구성과 전원으로 인한 시간 및 공간 고조파는 결함 검출 절차에서 중요한 역할을 한다. 전력 전자 기기에 의해 회전자 계자 권선에 공급되는 직류는 에어 갭 자기장에서 특별한 시간-고조파를 유발할 수 있다. 또한, 고정자 부분 슬롯 권선은 자속 밀도와 그에 따른 고정자 단자 전압 및 부하 전류에 현저한 부작용을 가질 수 있다.
이 모델에서, M-400 재료로 구성된 고정자와 회전자 적층을 갖는 정격 전력 100kV A의 SPSG가 시뮬레이팅된다. 예시적인 SPSG의 사양이 표 I에 나와 있다. 시뮬레이팅된 SPSG 모델은 부분 슬롯 고정자 권선의 2개의 층과 이상적인 직류 전원에 의해 공급되는 회전자 계자 권선을 갖는다. SPSG의 시동 중 BDB는 FEM을 사용하여 모델링된다. 도 3은 SPSG에서 댐퍼 바의 분포된 위치를 도시한다. 결함이 있는 경우, 댐퍼 바가 완전히 파손되어 대응 전류가 0이라고 가정한다.
100 KVA/90 KW, 14 극, 400 V, 428 RPM, 돌극형 동기식 발전기
양 값 양 값
고정자 외부 직경 780 mm 고정자 내부 직경 650 mm
슬롯의 개수 114 댐퍼 바/극의 개수 7
턴의 개수 8 턴/극의 개수 35
스택의 길이 208 댐퍼 바 직경 7.3 mm
극편의 폭 108 mm 극 몸체의 폭 50 mm
고정자 톱니의 폭 8.5 mm 고정자 톱니의 높이 29.5 mm
BDB 결함의 이론적 분석
결함이 있는 댐퍼 바로 인한 맥동 자기장
SPSG의 에어 갭의 자기장은 댐퍼 권선의 맥동 자속 밀도에 추가하여 고정자와 회전자 모두로부터의 자기장으로 구성된다. 시동 중 에어 갭의 자속 밀도는 회전자 및 댐퍼 바 자속 밀도만을 포함한다. 결함 진단의 공지되고 실용적인 방법 중 하나는 에어 갭 자속 밀도 모니터링에 초점을 둔다[8]. 이 신호를 취득하기 위해, 고정자 톱니 또는 슬롯에 장착된 홀 효과 센서 또는 검색 코일이 이용되어야 한다. 동기식 기계의 천이 동작에서, 공간 고조파에 추가하여 시간 고조파가 회전자 댐퍼 바에 전압을 유도한다. 댐퍼 바는 엔드 링에 의해 회전자 극의 양쪽 단부에서 단락된다. 따라서, 전류가 댐퍼 바를 통과할 수 있으며, 이는 결국 에어 갭에 자기장을 생성한다. 이러한 자기장의 진폭은 천이로부터 정상 상태 동작까지 상당히 변한다.
기계 시동 중 맥동 자기장을 분석적으로 모니터링하기 위해, 댐퍼 바의 기자력(MMF: magneto-motive force)이 후술하는 바와 같이 계산될 수 있다.
Figure pct00001
여기서, p는 극 쌍의 개수이고, α는 2차원 평면에서 기준점에 대한 댐퍼 바의 라디안의 각도이고(도 4), Ij는 댐퍼 바 전류이고, ω는 각속도이고, 권선 함수의 고조파는 ζ = 1 ± 6n으로 표현되기 때문에 ζ는 공간 고조파 수이고, 여기서 n은 정수이다.
기계 극(l)의 활성 길이에서 댐퍼 루프의 생성된 기자력에 대한 댐퍼 바(Bp)의 맥동 자속 밀도는 아래의 식으로 제공된다.
Figure pct00002
SPSG의 일반 동작에서, 회전자 계자로부터 에어 갭 계자와 댐퍼 바는 대칭이다. 위의 식에 따르면, 결함이 있는 바의 전류는 인접한 막대를 통과하며, 이는 루프의 전류 밀도를 증가시키고 국부적인 포화를 유발한다. SPSG 회전자 바의 비대칭 전류 분포는 에어 갭에 불균형 자기장을 초래한다.
BDB 결함으로 인한 계자 권선의 유도 전압
BDB 결함으로 인한 에어 갭의 불균형 자기장은 회전자 계자 권선에 전압을 유도한다. 극과 댐퍼 바를 연결하는 이렇게 분포된 에어 갭 자속 밀도로 인한 총 자속은 다음과 같이 주어진다.
Figure pct00003
αi 및 αj는 쇄교 자속이 통과하는 회전자 극의 위치이므로, rr은 회전자의 외부 반경이다. 패러데이(Faraday)의 법칙에 기초하여, 회전자 계자 권선의 유도 전압은 다음과 같다.
Figure pct00004
여기서 N은 회전자 권선의 턴의 수이다. 도 4는 양호한 경우 및 결함이 있는 경우의 SPSG의 계자 권선의 유도 전압을 도시한다. 양호한 상태의 유도 전압은 회전자 및 고정자 슬롯 고조파와 기계 고유의 비대칭으로 인한 것이다. BDB 결함은 에어 갭 자기장을 왜곡시키는 맥동 자기장을 증가시키고, 따라서 회전자 계자 권선의 유도 전압의 진폭을 증가시킨다.
SPSG의 회전자 계자 권선에서 유도 전압의 진폭은 회전자 극의 BDB 위치 및 수와 직접 관련이 있다. 중간 바의 전류 진폭은 인접한 바보다 작다. 쇄교 자속이 고정자 코어에 도달하기 위해 중간 바를 따라 통과하는 경로의 자기 저항(reluctance)이 회전자 극의 에지에 있는 다른 바보다 작기 때문이다. 따라서, BDB의 경우 회전자 극 중앙에서 여자 권선의 유도 전압 진폭은 회전자 극 에지보다 작아야 한다. 극 중앙에 3개의 BDB가 있는 경우 유도 전압의 진폭은 도 4에 보이는 바와 같이 회전자 극의 에지에서 하나의 BDB보다 작다.
피처 추출
피처 추출은 전기 기계의 결함 검출 절차의 필수적인 부분이다. BDB 결함에서 SPSG의 가장 영향을 받는 신호를 검사하려면 적절한 인덱스가 사용되어야 한다. BDB 결함에 대한 FE 시뮬레이션에 의해 획득된 신호의 감도가 조사되고, 회전자 계자 권선의 유도 전압이 선택된다. 다른 신호에 비해 결함 감도가 높기 때문이다. 다른 한편으로, 기계의 에어 갭 자기장은 아마도 다양한 결함 검출 목적에 사용될 수 있는 가장 신뢰할 수 있는 신호이다. 그러나, 에어 갭 자속 밀도에 기초하는 결함 검출은 침습적인 방법이며, 기계 내부의 센서의 설치를 필요로 하며, 이는 거의 가능하지 않다. 신호 프로세싱 도구는 전기 기계의 결함 검출에도 유용하다. 천이 기간 동안 취득된 신호는 고정적이지 않으므로, FFT와 같은 대부분의 신호 프로세싱 도구는 적용할 수 없다.
회전 반경(RG: Radius of Gyration)은 SPSG에서 BDB 결함의 경향을 조사하기 위한 적절한 지표로 사용될 수 있다. RG는 파손된 댐퍼 바의 임의의 개수에 대해 특정 값을 갖는다. RG는 시계열 데이터 마이닝(TSDM) 접근법에 기초한다. TSDM은 과도 상태 동안 SPSG의 BDB 결함으로 인한 숨겨진 패턴을 검출하기 위해 회전자 계자 권선의 유도 전압에 적용된다.
시계열 데이터 마이닝 방법
TSDM은 동적 시스템 이론에 기초하여 재구성된 위상 공간의 이산 확률론적 모델에서 발견되는 비선형 신호 프로세싱 접근법이다. 미터법으로 동등한 상태 공간이 단일 샘플링된 상태 변수에 의해 재생성될 수 있음이 입증되었다. 즉, 동적 불변성은 또한 재구성된 상태 공간에서도 보존된다. SPSG의 상태 공간을 복구하기 위해 양호와 결함이 있는 경우의 2개의 상태에서 회전자 계자 권선의 유도 전압이 상태 변수로 간주된다. 즉, 획득된 신호는 양호 또는 결함이 있는 경우 SPSG의 원래 시스템과 유사한 위상적으로 동등한 상태 공간을 재현할 수 있다.
2개의 방법을 사용하여 상태 공간을 재구성할 수 있으며, 이는 각각 시간 지연 임베딩과 미분 임베딩이다. 미분 임베딩은 실험 결과에 대한 실용적인 방법이 아니며, 이러한 결과는 노이즈에 민감한 고차 미분을 갖기 때문이다. 따라서, 동적 시스템의 불변성을 찾기 위해 스칼라 포인트를 벡터 형식으로 변환하는 시간 지연 임베딩이 선택된다. 계자 권선에서 유도 전압의 시계열이 다음과 같이 주어진다고 가정한다.
Figure pct00005
j는 시간 인덱스이고 K는 샘플링된 신호의 개수이기 때문이다. 10과 동일한 j에 대한 위상 공간이라고도 칭하는 재구성된 상태 공간이 도 5에서 양호하고 결함이 있는 SPSG에 대해 도시된다. RG는 TSDM에 의해 생성된 질량 영역의 임의의 변화를 정량화하여 양호한 상태와 결함이 있는 상태 사이에서 구분하는 데 사용되며, 아래와 같이 제시된다.
Figure pct00006
여기서 l은 위상 공간의 시간 지연이고 μ0 및 μl은 각각의 차원에 대한 회전 중심이다.
RG의 진폭은 BDB 결함 발생 시 증가한다. 기계가 어느 정도 고유한 비대칭성을 갖고 있기 때문에 양호한 경우에도 RG의 진폭이 존재하였다. 도 5는 BDB가 하나인 양호하고 결함이 있는 SPSG의 위상 공간을 도시한다. 도 5에 따르면, BDB 결함은 양호한 경우 반경이 0.1119이고 하나의 파손된 댐퍼 바의 경우 2.4307로 증가하기 때문에 질량의 반경을 증가시킨다. RG의 진폭은 가장 낮은 전류 밀도가 해당 바를 통과하기 때문에 회전자 극(DB-4)의 중간에 있는 댐퍼 바가 파손될 때 상당한 감도를 나타내지 않는다.
또한, 극 중앙에 3개의 BDB가 있는 경우 RG의 크기는 에지에서 하나의 BDB보다 작다. 이는 전류가 낮기 때문이다. 그러나, 결함으로 인한 RG 증분은 BDB의 위치와 개수에 의존한다. 예를 들어, 회전자 극의 에지에서 바를 통과하는 전류의 가장 중요한 양은 결과적으로 다른 바에 대한 변동에서 더 현저할 것이다. BDB의 위치는 RG의 진폭을 수정할 수 있는 중요한 요소이다. BDB 결함이 동일한 극의 2개의 에지 바에서 발생하는 경우, RG 값은 에지에서 하나의 BDB를 갖는 것보다 작다. 극의 에지에 있는 2개의 BDB로 인한 맥동 자기장은 하나의 BDB의 2배이다. 그러나, 결함의 대칭성은 맥동 자기장을 대부분 상쇄시켰다. 그러나, 그 효과를 완전히 없애지는 못하므로, RG 인덱스를 발생시키는 에어 갭 자기장의 비대칭이 여전히 존재한다. RG의 진폭을 상당히 증가시키는 최악의 경우는 동일한 극에 있는 2개의 인접한 BDB이다. 이 경우, 2개의 BDB의 전류는 국부 포화를 야기하는 세번째 BDB를 통과한다. 결과적으로, 맥동 자기장, 국부 포화, BDB로 인한 자기장 결여는 강한 불균형 자기장으로 이어지며, 이는 회전자 계자 권선에 큰 전압을 유도한다.
제안된 인덱스에 대한 파손된 댐퍼 바 위치의 효과
RG의 크기는 BDB 결함 위치로 인한 에어 갭 자기장의 비대칭 레벨에 의존한다. 도 6은 다른 회전자 극에서 BDB 결함의 위치를 도시한다. 표 II의 세 번째와 네 번째 열은 다른 극에서 BDB 결함의 위치에 대한 RG 인덱스의 변화를 나타낸다.
BDBS의 상이한 수와 위치에 대한, 양호하고 결함이 있는 SPSG의 회전 반경
경우 RG 경우 RG
양호 0.1119 양호 0.1119
1BDB-No. 4 0.1121 3BDB (1개 극의 중간 바) 0.3424
1BDB-No. 6 0.4091 2개의 극에서 6BDB (경우 a) 0.6685
1BDB-No. 7 2.4307 2BDB-No. 7, 1 (경우 b) 2.3577
2BDB-No. 6, 7 4.0743 2BDB-No. 1, 7 (경우 c) 4.8344
2BDB-No. 1, 7 1.0442 2BDB-No. 1, 1 (경우 d) 1.3047
(a)의 경우, 하나의 극에서 3개의 BDB에 비해 RG의 진폭이 2배 증가한다. 그러나, 중간 바의 낮은 전류 밀도로 인해, BDB 수에 따라 값이 증가하지 않을 것으로 예상된다. 인접한 회전자 극의 2개의 에지에 2개의 BDB를 갖는 (b)의 경우 더 높은 정도의 RG를 가질 것으로 예상되지만, 1개의 극의 에지에서의 1개의 BDB에 비해 진폭이 증가하지 않는다. 자속 밀도 레벨은 극 중 하나(북쪽 또는 남쪽)의 둘레에 걸쳐 변하기 때문이다. (c)의 경우, 양쪽 회전자 극은 동일한 자속 밀도 극성을 가지며, 이는 결국 극 에지에서 BDB의 2배만큼 RG의 진폭을 증가시킨다. (d)의 경우, 진폭이 증가하지 않고 부분적으로 감소하는데, 이는 (b)의 경우에 기초하여 설명될 수 있다.
결론
이 예는 BDB 결함에서 SPSG의 상세한 모델링, 분석 연구 및 상태 모니터링을 다룬다. 분석적 접근은 댐퍼 바가 에어 갭 자속 밀도를 왜곡할 수 있는 BDB 결함의 결과로 댐퍼 바 전류의 변화로 인해 맥동 자기장을 유도함을 입증했다. 이러한 자속 왜곡은 비침습적 방법에 비해 BDB 결함에 극도로 민감한 회전자 계자 권선에 기전력을 유도한다. BDB 결함을 진단하기 위한 정확한 피처를 추출하기 위해 시계열 데이터 마이닝 방법이 회전자 계자 단자의 유도 전압에 적용되었다. 이 인덱스는 BDB 결함에 대한 높은 정도의 감도를 갖는 것으로 나타났다. 또한, 바의 수와 위치가 RG에 미치는 효과가 연구되었다. BDB의 수를 증가시킴으로써 RG의 진폭이 증가하는 것으로 나타났다. 또한, BDB가 동일한 극성의 극에 위치되면 RG의 크기가 증가할 수 있다.
예 2 - 정적 편심(Static Eccentricity)
회전자와 고정자 코어 사이의 최소 에어 갭이 변하면, 동기식 발전기는 편심 결함이라고 칭하는 상태를 갖는다. 정적 및 동적의 2개 유형의 편심이 있다. 정적 편심은 에어 갭의 불균일 분포에서 가장 짧은 길이가 일정한 길이를 가지며 공간에 고정된 상태이다. 정적 편심은 동기식 발전기에서 널리 퍼진 결함 중 하나이다. 낮은 레벨의 편심은 기계에 어떠한 손상도 유발하지 않지만, 회전자 코어가 고정자 코어와 권선에 마찰하기 전에 초기 단계에서 검출되어야 한다.
수년에 걸쳐, 동기식 발전기에서 정적 편심 결함을 진단하기 위해 수많은 방법이 조사되었다. 고정자 단자 전압 또는 전류 또는 기계 파라미터와 같은 비침습적 접근법에 기초하는 결함 검출이 동기식 발전기에서 편심 결함을 검출하는 데 사용되었다. 그러나, 이러한 방법은 회전자의 토폴로지가 언급된 신호의 결함 지표를 마스킹(masking)할 수 있기 때문에 초기 단계에서 결함을 검출할 수 없었다.
이 예에서, 에어 갭의 자속 밀도가 돌극형 동기식 발전기의 정적 편심 결함을 검출하는 데 사용된다. 유한 요소 접근법은 동기식 기계를 시뮬레이팅하는 데 사용된다. 기계의 에어 갭에 설치된 홀 효과 센서의 위치와 수에 대해 논의한다. 웨이블릿 변환이 자기장 신호를 처리하는 프로세싱 도구로 사용된다. 정적 편심 결함을 검출하기 위해 새로운 인덱스가 도입된다. 제안된 표준 인덱스가 기계의 양호하거나 결함이 있는 상태와 또한 결함의 심각성을 정확하게 검출할 수 있음이 입증될 것이다.
유한 요소 모델링:
100-kVA 돌극형 동기식 발전기가 2차원 유한 요소 접근법을 사용하여 모델링되었다. 동기식 기계는 상이한 레벨의 심각도를 갖는 양호하고 정적인 편심의 2개의 경우에 모델링되었다. 동기식 발전기는 무부하, 일정한 동기 속도 및 회전자 계자 권선의 정격 전류에서 검사된다. 양호한 경우의 동기식 기계의 유한 요소 모델링이 도 7에 제시되어 있다. 동기식 발전기 사양이 아래 표 III에 설명되어 있다.
100 kVA 돌극형 동기식 발전기의 특성
고정자 슬롯의 수 114 극 당 댐퍼 바의 수 7
고정자 턴 수 8 회전자 턴/극의 수 35
고정자 외부 직경 780 mm 고정자 내부 직경 650 mm
극편의 폭 108 mm 극 몸체의 폭 50 mm
고정자 톱니의 폭 8.5 mm 고정자 톱니의 높이 29.5 mm
스택의 길이 208 mm 댐퍼 바 직경 7.3 mm
정적 편심의 측정 지점:
자속 밀도 분포는 정적 편심 결함에서 전체 회전자 회전 내에서 변하지 않지만, 회전자 계자 권선 간 턴 결함 또는 동적 편심 결함의 경우에는 그렇지 않다. 정적 편심은 위치에 따른 자속 밀도 변화를 일으키므로, 자속 밀도 측정 지점의 위치는 필수적이다. 도 7은 두 쌍을 형성하는 동기식 발전기의 에어 갭에서 측정 지점의 위치를 도시한다. 2개의 측정 지점은 우측 및 좌측 측정 지점을 지칭하며, 다른 2개의 지점은 위쪽 및 아래쪽 측정 지점을 지칭한다(센서의 위치는 적색 원으로 도시됨). 상하 측정 지점의 위치는 좌우 측정 지점에 대해 90 도 각도로 할당된다.
양호하거나 정적 편심 상태에서 자속 밀도의 동일한 변화를 경험하려면 각각의 측정 지점 쌍이 동기식 기계의 직경 방향으로 대향 측에 위치되어야 한다. 그러나, 각각의 측정 지점의 자속 밀도 변화는 지연 자속 현상으로 인해 정확히 동일할 수 없다.
자속 밀도 측정 지점은 편심 결함 배향에 관계없이 정적 편심 결함을 검출해야 한다. 측정 지점이 정적 편심의 배향에 직각으로 위치되면 에어 갭의 자속 밀도에 어떠한 현저한 변화도 없을 것이다. 결과적으로, 직교 축에서 측정된 자기장이 커플링 해제되고, 정적 편심 결함의 방향을 검출하는 데 사용될 수 있다. 그러나, 위에서 설명한 구성으로 에어 갭을 따라 분포된 4개의 측정 지점에서, 편심 결함은 결함의 배향을 무시하고 한 쌍의 측정 지점으로 검출되어야 한다. 측정 지점과 정적 편심 배향 사이의 최대 각도는 90 도를 초과하지 않아야 한다. 도 7은 양호하고 20% 미만의 정적 편심 결함에서 올바른 측정 지점에서의 자속 밀도 변화를 제시한다.
이 예에서, 정적 편심은 모든 시뮬레이션에서 양의 x-축, y-축 및 양의 x-축에 대해 45 도를 따라 부과되었다. 에어 갭 길이는 우측 측정 지점에서 증가하고 좌측 측정 지점에서 동일하게 감소한다. 즉, 정적 편심의 주어진 레벨에서 좌측 측정 지점의 자속 밀도의 진폭은 양호한 경우와 비교하여 증가할 것이다. 도 8은 양호한 상태와 편심 결함 상태에서 우측 및 좌측 측정 지점에 대한 각각의 극의 평균 자속 밀도의 극성 다이어그램을 도시한다.
신호 프로세싱:
웨이블릿 변환(WT: wavelet transform)은 전력 시스템 및 전기 기계 분석과 같은 상이한 분야에서 사용되는 유용한 신호 프로세싱 도구이다. 신호의 다른 주파수 성분의 시간 위치 지정이 웨이블릿 변환에 사용된다. 웨이블릿 변환은 통상의 주파수 영역 신호 프로세싱 도구와 달리 고정된 폭의 윈도우를 사용하지 않는다. 웨이블릿 분석 기능은 주어진 신호의 주파수 성분에 따라 시간 폭을 조정하며, 더 낮은 주파수가 더 넓은 윈도우에 있고 더 높은 주파수가 더 좁은 윈도우에 있다. 즉, 즉, 진동 및 국부화된 임펄스를 갖는 신호는 고주파 및 저주파 성분이 각각 단시간 및 장시간 간격으로 분해되는 방식으로 웨이블릿 변환을 사용하여 처리될 수 있다.
이 예에서, 다우베치즈(Daubechies)-8이 마더(mother) 웨이블릿으로 사용된다. D-8과 유사한 고차 웨이블릿은 전기 기계의 결함 검출의 품질을 개선할 수 있는 더 높은 해상도를 갖는다. 도 9는 S가 입력 신호이고, LPF 및 HPF가 저역 통과 및 고역 통과 필터인 이산 웨이블릿 변환을 사용한 신호 분해 절차를 도시한다. 예비적으로, 웨이블릿 변환에 대한 주어진 신호는 LPF와 HPF의 입력인 2개의 절반으로 나누어진다. 그러면 제1 레벨 LPF의 출력이 주파수 대역폭의 절반으로 분리된다. 이 절차는 주어진 신호가 해당 레벨의 사전 규정된 값으로 분해될 때까지 계속된다. 이 문서에서 샘플링 주파수는 10 kHz이고 나이퀴스트(Nyquist)의 정리에 따라 신호가 포함할 수 있는 최고 주파수는 5 kHz일 것이다. 결과적으로, 웨이블릿 변환의 제1 레벨의 주파수 대역폭은 5 내지 2.5 kHz이어야 한다.
결함 검출:
웨이블릿 변환(다우베치즈-8)은 에어 갭에서 홀 효과 센서를 사용하여 획득된 자기장 신호에 적용된다. 웨이블릿 변환의 레벨 7은 돌극형 동기식 발전기의 다른 웨이블릿 레벨과 비교하여 정적 편심의 상승에 대해 더 나은 감도를 보여준다. 도 10은 건강 상태에서 그리고 2.5%, 10% 및 20% 정적 편심 미만에서 레벨 7(D7) 계수에서 상세 신호의 절대값을 제시한다. 다른 심각도 레벨에서 정적 편심의 경우 웨이블릿 계수의 크기를 비교하면 결함이 D7의 진동 레벨을 증가시키는 것으로 나타났으며, 이는 자기장에서 하위 고조파의 진폭을 증가시키는 것으로 이어지는 에어갭 불규칙으로 인한 것이다. 다른 편심 결함 레벨에서 D7의 값을 정량화하기 위해 새로운 표준 인덱스가 제안된다.
Figure pct00007
여기서 웨이블릿 계수(D7)의 절대값의 진동은 에어갭 자기장의 평균값에 대해 단위 당 정의된다. 표 Ⅵ에 따라 우측 센서에 대해 제안된 인덱스의 값은 감소하며, 좌측 센서에 대한 인덱스의 진폭은 증가한다. 양의 x-축 방향의 정적 편심의 경우, 우측의 에어 갭 길이가 증가하며 이는 에어 갭에서 자기장이 감소로 이어지므로, 제안된 피처가 감소되어야 한다. 기준 인덱스는 양호한 경우에 0.6007에서 2.5%, 10%, 20%의 정적 편심의 경우에 0.5969, 0.5975, 0.5597로 감소한 것으로 나타났다. 양호한 상태와 2.5% 정적 편심의 기준 인덱스 사이의 차이는 지정된 피처가 초기 단계에서 정적 편심 결함을 검출할 수 있음을 증명한다.
양호한 상태 및 결함 상태에서 우측 및 좌측 측정 지점으로부터의 자속의 기준 인덱스
연구 사례 양호 2.5% SE 10% SE 20% SE
기준 인덱스(우측 센서) 0.6007 0.5967 0.5795 0.5597
기준 인덱스(좌측 센서) 0.6003 0.6073 0.6228 0.6480
결론:
이 예에서, 돌극형 동기식 발전기에서 초기 단계에서 정적 편심 결함을 검출하기 위한 기준 인덱스로서 새로운 피처가 도입된다. 동기식 기계의 에어 갭에 설치된 홀 효과 센서를 사용하여 획득된 자기장은 에어 갭의 결함으로 인한 불규칙성에 대한 적절한 정보를 가지고 있기 때문에 사용된다. 유한 요소 접근법은 모든 상세한 기하 형태 및 재료 특성을 고려하여 양호한 경우와 결함이 있는 경우의 동기식 기계를 모델링하는 데 사용된다. 다우베치즈-8은 양호한 상태 및 결함이 있는 상태에서 자기장을 분석하기 위한 마더 웨이블릿으로서 사용된다. 그 정밀도는 이러한 인덱스가 초기 단계에서 결함을 검출할 수 있음을 보여준다. 문서의 최종 버전에서, 다른 두 축(y-축, 양의 x-축에 대해 45 도)에서의 편심에 대한 결과가 추가될 것이다. 또한, 결함의 위치를 검출하는 방식과 관련된 섹션이 추가될 것이다. 또한, 시뮬레이션은 실험 결과로 검증될 것이다.
예 3 - 단락(short circuit)
이 예는 FE 방법을 사용한 양호한 상태 및 초기 턴 간(inter-turn) 단락 결함에서 SPSG의 상세한 전자기 분석을 포함한다. 여기 권선의 단락 결함에 대한 절차는 평균 방사 자속, 극성 다이어그램, 두 센서의 자속 밀도의 합 및 주파수 스펙트럼 모니터링에 기초하여 제안된다. 센서 위치, 샘플링 주파수 및 데이터 재샘플링의 효과가 연구된다. 제안된 방법에 대한 부하 효과가 연구된다. 시뮬레이션 결과는 맞춤형 100 kV A SPSG에 의해 검증된다.
전자기 분석
신뢰할 수 있는 결함 진단은 충분히 정밀한 모델링 방법을 필요로 한다. 이 예에서는, SPSG를 시뮬레이팅하기 위해 시간 스테핑 유한 요소 방법이 채용된다. 이 모델링에서, 고정자 슬롯 및 회전자 댐퍼 바와 같은 기계의 상세한 기하 형태적 복잡성이 고려된다. 또한, 회전자 극의 돌출성, 전기자 권선의 공간 분포, 코어 재료의 비선형성이 포함된다. 제안된 SPSG의 사양이 아래 표 V에 요약되어 있다.
100 KVA/90 KW, 14 극, 400 V, 428 RPM, 돌극형 동기식 발전기
양 값 양 값
고정자 외부 직경 780 mm 고정자 내부 직경 650 mm
슬롯의 수 114 댐퍼 바/극의 수 7
턴의 수 8 턴/극의 수 35
스택의 길이 208 댐퍼 바 직경 7.3mm
극편의 폭 108 mm 극 몸체의 폭 50mm
고정자 톱니의 폭 8.5 mm 고정자 톱니의 높이 29.5mm
턴 간 단락 결함에서 결함이 있는 극의 총 기자력이 감소한다. 결과적으로, 영향을 받는 극의 자속 밀도가 감소하고, 에어 갭 자기장이 왜곡된다. 2개의 홀 효과 센서가 에어 갭 방사형 자기장을 측정하기 위해 반대 방향으로 고정자 톱니에 위치된다(이러한 두 센서는 우측 및 좌측 지점으로 명명됨). 모델링된 SPSG는 14개의 극을 가지며 각각의 극은 35개의 턴을 갖는다. 1에서 10 턴까지의 심각도를 갖는 턴 간 단락 결함의 상이한 정도가 시뮬레이팅된다. 도 11은 35 턴 중 7 턴이 하나의 극에서 단락되는 하나의 전체 회전자 회전에 대한 에어 갭 자기장 변화를 도시한다. 감소된 암페어-턴을 갖는 결함이 있는 극이 감소된 기자력을 생성하므로, 에어 갭의 자속 밀도는 양호한 극에 비해 결함이 있는 극이 센서에 의해 스위핑(sweeping)될 때 더 낮은 진폭을 갖는다. 각각의 극의 평균 자속 밀도를 서로 비교하여 턴 간 단락 결함 진단이 가능하다. 그러나, 극 턴의 전체 수에 대해 단락된 턴의 수 또는 단락된 턴의 퍼센티지가 낮은 경우, 결함 검출이 어렵다.
도 12는 양호하고 결함이 있는 동기식 발전기에 대한 극성 다이어그램으로서 공간의 각 극의 평균 자속 밀도를 도시한다. 양호하고 이상적인 기계에서, 극성 다이어그램의 원점에서 각각의 극의 평균값까지의 반경 거리는 동일하다. 회전자 극 자기장의 평균값은 단락된 턴의 수를 증가시킴으로써 감소한다. 1, 2, 3, 7 및 10개의 단락 턴을 갖는 모든 극의 평균 자속 밀도에 대한 결함이 있는 극의 평균 자속 밀도는 각각 99%, 97.9%, 96.8%, 93.7%, 88.8%이다.
도 13의 에어 갭 자기장의 주파수 스펙트럼은 여자 권선의 턴 간 단락 결함의 결과로 측대역 고조파의 급격한 변화를 도시한다. 결함 관련 고조파의 진폭은 단락된 턴의 수의 증가로 증가했다. 인덱스 주파수 식별자는 다음과 같다.
Figure pct00008
여기서 fs는 전기 주파수이고, fr은 회전자의 기계적 주파수이고, p는 극 쌍의 수이고, k는 정수이다. 도 13의 플롯은 양호한 기계에 대해 가장 큰 진폭 스파이크(spike)를 가지며, 작은 진폭 스파이크는 위에서 아래로 10, 7, 3, 2, 1 그리고 일부 경우에는 양호하게 중첩되어 표시된다. 주파수 스펙트럼에서 가장 중요한 결함 관련 고조파 성분은 기본 고조파 아래의 주파수에서 나타난다. 하나의 단락된 턴을 갖는 7.14 Hz 성분의 진폭은 약 60.22 dB 또는 약 1 mT이다. 2개의 단락된 턴을 가지면, 진폭은 약 2 mT로 증가하고 10개의 턴을 가지면 진폭은 약 10.3 mT이다. 모든 결함 관련 고조파의 크기는 단락된 턴의 수가 증가함에 따라 진폭의 다소의 선형 증가를 나타낸다.
에어 갭에 설치된 2개의 홀 효과 센서의 자기장의 합의 주파수 스펙트럼이 또한 기계 상태를 나타낼 수 있다. 양호하고 균형 잡힌 동작 조건에서, 이론에 기반한 2개의 센서는 자속 밀도의 동일한 변화를 경험하여, 이들의 합계가 0이 되도록 한다. 계자 권선에서 단락된 턴의 경우, 결함이 있는 극의 감소된 자속 밀도는 결함이 있는 극이 측정 지점 중 하나를 지날 때마다 자속 밀도의 합에서 스파이크를 유발한다. 양호한 동기식 발전기의 시뮬레이션 결과는 도 14에 도시된 바와 같이 주파수 스펙트럼에서 기본 구성 요소와 그 홀수 배수가 효과적으로 상쇄됨을 보여준다. 따라서, 도 14의 플롯은 양호한 기계에 대해 상쇄된 구성 요소를 갖고, 나머지 스파이크는 위에서 아래로 10, 7, 3, 2 및 1 턴(들)에 중첩되어 나타난다. 주파수 스펙트럼에 나타나는 주파수 성분은 계자 권선의 단락된 턴의 직접적인 결과이며, 이는 양호한 기계의 고유한 자기 대칭을 왜곡한다. 또한, 주파수 스펙트럼에서 결함 관련 고조파가 더 적다. 이 스펙트럼은 홀수 배수의 주파수 스펙트럼만을 포함한다. 자기장 스펙트럼 합계의 진폭은 방사형 자속 스펙트럼보다 높으며, 이는 결함 검출을 더 쉽게 한다.
실험 테스트 장비
제안된 이론을 검증하기 위해 100 kVA 돌극형 동기식 발전기가 사용되었다. 크기 외에도, 발전기의 토폴로지는 노르웨이에서 사용되는 것과 같은 통상적인 수력 발전소의 실제 수력 발전기와 유사하다. 실험실 SPSG는 14개의 극을 가지며, 적절한 동기 리액턴스를 획득하기 위해 에어 갭의 길이는 1.75 mm이다.
결함이 있는 극의 자속 밀도의 절대값과 우측 센서를 통과하는 2개의 후방 극이 도 15에 도시되어 있다. 결함이 있는 극은 예상대로 응답하며, 자속 밀도는 단락된 턴의 수가 증가함에 따라 감소한다. 따라서, 도 15의 가장 좌측 섹션에 대해, 가장 높은 라인이 양호한 것에 대한 것이고, 라인은 순차적으로 아래쪽으로 1, 2, 3, 7, 10 턴(들)을 나타내며, 10 턴이 가장 낮은 라인이다. 반대 극성을 가진 이웃 극의 자속 밀도도 단락된 턴의 수가 증가함에 따라 약간 감소한다. 이는 결함이 있는 극 전체와 반대 극성의 인접한 극에 대한 경로를 따라 감소된 자속의 결과이다.
결론
이 예에서는, 에어 갭 자기장을 기반으로 한 돌극형 동기식 발전기의 여기 권선에서 턴 간 단락 결함이 FE 접근법을 사용하여 연구된다. 100 kV A 맞춤형 SPSG의 실험 결과는 FE 결과를 검증하는 데 사용된다. 턴 간 단락 결함 검출을 위해 제안된 절차는 반대 방향으로 2개의 홀 효과 센서를 사용하는 것에 기초한다. 극성 다이어그램의 평균 자기장, 두 센서의 자기장의 합, 그리고 이들의 주파수 스펙트럼을 비교하면 결함 심각도와 위치를 드러낼 수 있다. 실험적 테스트에 의해 검증된 결과는 다음과 같다. 평균 자기장 분포 또는 극성 다이어그램을 분석하여 많은 수의 단락된 턴이 즉시 검출될 수 있다. 자속 밀도 스펙트럼에서 하위 차수의 고조파 성분의 진폭의 균일한 증가가 관찰될 수 있다. 자속 밀도 스펙트럼의 합의 크기가 단락된 턴의 수를 증가시켜 더 나은 응답을 보여주기 때문에, 단락 결함만을 갖는 기계에서 두 센서의 자속의 합을 모니터링하는 것은 진단 목적을 위한 귀중한 도구가 될 수 있다. 측정은 결함이 있는 극의 위치를 식별하기 위해 인코더와 조정되어야 한다.
기계 학습
기계 학습 알고리즘의 사용은 프로세싱된 신호의 패턴 인식을 위한 자동화 및 재현성을 제공함으로써 위의 예의 효과성을 향상시킨다. 예 1을 참조하면, 기계 학습 패턴 인식 시스템은 파손된 댐퍼 바를 나타내는 알려진 회전 패턴 반경과 측정/계산된 회전 반경의 매치를 결정하기 위해 이용될 수 있다. 예 2와 관련하여, 기계 학습 패턴 인식 시스템은 가능한 정적 편심 결함의 표시를 식별하기 위해 기준 인덱스를 포함하는 데이터를 평가하는 데 사용될 수 있다. 예 3을 참조하면, 기계 학습 시스템은 평균 자기장 분포 또는 극성 다이어그램을 분석하는 것과 관련하여 일부 또는 모든 인간의 입력을 대체하는 데 사용될 수 있다.
본원에서 논의된 바와 같이, 위의 예에서 사용된 센서 유형뿐만 아니라 다른 센서 유형도 조합하여 사용될 수 있으며, 다양한 신호 프로세싱 단계 및 인덱스 생성이 또한 조합하여 수행될 수 있다. 결합된 신호 프로세싱 시스템은 다양한 종류의 결함을 확인하기 위해 기계 학습 시스템을 통해서와 같이, 자동으로 평가되는 결과적인 프로세싱된 데이터로 모든 신호 프로세싱을 수행할 수 있다.

Claims (25)

  1. 동기식 기계의 결함 검출(fault detection) 방법에 있어서,
    자기장 강도, 회전자 전류 또는 전압, 고정자 전류 또는 전압, 및 진동 중 하나 이상에 기초한 파라미터를 포함하는, 동기식 기계 내에서 생성된 자기장에 연결된 파라미터를 결정하기 위해 적어도 하나의 센서를 사용하는 단계;
    상기 자기장에 연결된 데이터 아티팩트(artefact)를 식별하도록 센서 측정치(measurements)를 프로세싱하는 단계 - 상기 프로세싱은 시간, 주파수, 및 시간과 주파수 모두에 기초한 하나 이상의 신호 프로세싱 기술을 포함함 - ; 및
    상기 동기식 기계의 결함을 나타내는 상기 자기장의 불규칙성을 식별하고 분류하기 위해 상기 신호 프로세싱의 출력을 분석하는 단계 - 상기 분석은 기계 학습 알고리즘을 통하는 것과 같은 컴퓨터 지원 패턴 인식 기술의 사용을 통해 상기 프로세싱된 센서 측정치에서 패턴을 인식하는 것을 포함함 -
    를 포함하는, 동기식 기계의 결함 검출 방법.
  2. 제1항에 있어서,
    상기 방법은 편심 결함, 댐퍼 권선 결함, 및 단락 결함 중 하나 이상과 연결된 결함을 검출하기 위한 것인, 동기식 기계의 결함 검출 방법.
  3. 제1항 또는 제2항에 있어서,
    상기 방법은 수력 발전기와 같은 대형 동기식 기계의 결함 검출을 위한 것인, 동기식 기계의 결함 검출 방법.
  4. 제1항, 제2항 또는 제3항에 있어서,
    상기 방법은 상기 기계의 시동 또는 정지 동안 발생하는 유형의 천이(transient) 자기장이 있는 기간 동안 수행되는 것인, 동기식 기계의 결함 검출 방법.
  5. 제1항 내지 제4항 중 어느 한 항에 있어서,
    상기 센서(들)는 적어도 하나의 기존 센서 또는 적어도 하나의 비침습 센서를 포함하는 것인, 동기식 기계의 결함 검출 방법.
  6. 제1항 내지 제5항 중 어느 한 항에 있어서,
    상기 기계의 모니터링 및/또는 제어를 위해 상기 동기식 기계의 동작 동안 사용하도록 구성된 하나 이상의 전압 또는 전류 센서(들)를 포함하는 하나 이상의 기존 센서(들)를 사용하는 단계를 포함하는, 동기식 기계의 결함 검출 방법.
  7. 제1항 내지 제6항 중 어느 한 항에 있어서,
    결함 검출 시스템의 일부로서 적어도 하나의 비침습 센서가 제공되고, 이 센서는 상기 결함 검출 방법을 수행하기 위해 상기 기계에 일시적으로 배치되는 것인, 동기식 기계의 결함 검출 방법.
  8. 제1항 내지 제7항 중 어느 한 항에 있어서,
    상기 방법은 새로운 센서를 배치하거나 부착하기 위해 상기 동기식 기계에 대한 임의의 물리적 수정을 필요로 하지 않는 것인, 방법.
  9. 제1항 내지 제8항 중 어느 한 항에 있어서,
    상기 센서 측정치는 상기 회전자의 이동 부품으로부터 전달된 어떠한 데이터도 포함하지 않는 것인, 동기식 기계의 결함 검출 방법.
  10. 제1항 내지 제9항 중 어느 한 항에 있어서,
    상기 동기식 기계의 계기용 변압기(potential transformer)에서 상기 동기식 기계에 제공된 센서를 사용하는 단계를 포함하는, 동기식 기계의 결함 검출 방법.
  11. 제1항 내지 제10항 중 어느 한 항에 있어서,
    상기 동기식 기계의 상기 회전자에 대한 회전 반경(radius of gyration)을 결정하고, 상기 자기장의 불규칙성을 식별하고 분류하도록 상기 회전 반경을 사용하는 단계를 포함하는, 동기식 기계의 결함 검출 방법.
  12. 제11항에 있어서,
    시계열 데이터 마이닝을 통해 획득된 회전 반경 데이터를 획득하고, 댐퍼 권선 결함 또는 편심 결함을 검출하기 위해 상기 회전 반경 데이터를 사용하는 단계를 포함하는, 동기식 기계의 결함 검출 방법.
  13. 제11항 또는 제12항에 있어서,
    상기 동기식 기계의 계자 권선(field winding)에서 유도 전압에 대한 위상 공간을 매핑하는 단계를 포함하는, 동기식 기계의 결함 검출 방법.
  14. 제13항에 있어서,
    상기 유도 전압은 상기 계기용 변압기에서 센서를 통해 결정되거나 측정되는 것인, 동기식 기계의 결함 검출 방법.
  15. 제11항 내지 제14항 중 어느 한 항에 있어서,
    파손된 댐퍼 바(damper bar) 형태의 댐퍼 권선 결함을 식별하는 것을 시도하는 단계를 포함하며, 상기 분석하는 단계는 양호한 동기식 기계에 대한 회전 반경의 등가의 측정치에 대한 상기 측정된 회전 반경의 비교를 포함하는 것인, 동기식 기계의 결함 검출 방법.
  16. 제11항 내지 제15항 중 어느 한 항에 있어서,
    편심 결함을 식별하는 것을 시도하는 단계를 포함하며, 상기 신호 프로세싱의 출력을 분석하는 단계는 양호한 것으로 알려진 기계에 대한 회전 반경을 참조하여 정규화된 회전 반경을 결정하는 단계를 포함하고, 상기 정규화된 회전 반경은 양호한 동기식 기계에 대한 회전 반경과 상기 측정된 회전 반경 사이의 차이로서 규정되며, 이 차이가 상기 양호한 회전 반경으로 나누어지는 것인, 동기식 기계의 결함 검출 방법.
  17. 제16항에 있어서,
    임계값과 비교하여 상기 정규화된 회전 반경의 값을 평가함으로써 가능한 편심 결함의 자동화된 식별 및 분류를 포함하는, 동기식 기계의 결함 검출 방법.
  18. 제1항 내지 제17항 중 어느 한 항에 있어서,
    상기 컴퓨터 지원 패턴 인식 기술은, 무결함 기계들과 관련된 것으로 알려진 복수의 프로세싱된 센서 측정치들뿐만 아니라 결함을 갖는 기계들과 관련된 것으로 알려진 복수의 프로세싱된 센서 측정치들로 훈련된 기계 학습 알고리즘에 기초하는 것인, 동기식 기계의 결함 검출 방법.
  19. 동기식 기계의 결함 검출을 위한 결함 검출 시스템에 있어서,
    상기 결함 검출 시스템은, 자기장 강도, 회전자 전류 또는 전압, 고정자 전류 또는 전압, 및 진동 중 하나 이상에 기초한 파라미터를 포함하는, 상기 동기식 기계 내에서 생성된 자기장에 연결된 파라미터를 수신하기 위해 적어도 하나의 센서에의 연결을 위한 데이터 프로세싱 장치를 포함하고,
    상기 데이터 프로세싱 장치는:
    상기 자기장에 연결된 데이터 아티팩트를 식별하도록 센서 측정치를 프로세싱하고 - 상기 프로세싱은 시간, 주파수, 및 시간과 주파수 모두에 기초한 하나 이상의 신호 프로세싱 기술을 포함함 - ;
    상기 동기식 기계의 결함을 나타내는 상기 자기장의 불규칙성을 식별하고 분류하기 위해 상기 신호 프로세싱의 출력을 분석하도록 - 상기 분석은 기계 학습 알고리즘을 통하는 것과 같은 컴퓨터 지원 패턴 인식 기술의 사용을 통해 상기 프로세싱된 센서 측정치에서 패턴을 인식하는 것을 포함함 -
    구성되는 것인, 결함 검출 시스템.
  20. 제19항에 있어서,
    상기 데이터 프로세싱 장치는 제1항 내지 제18항 중 어느 한 항의 방법을 수행하도록 구성되는 것인, 결함 검출 시스템.
  21. 제19항 또는 제20항에 있어서,
    적어도 하나의 기존 센서 및/또는 적어도 하나의 비침습 센서를 포함하는, 결함 검출 시스템.
  22. 제19항, 제20항 또는 제21항에 있어서,
    상기 결함 검출 시스템은 상기 회전자의 이동 부품으로부터의 임의의 데이터 전달 없이 센서를 사용하는 것인, 결함 검출 시스템.
  23. 수력 발전기로서 작동하는 대형 동기식 기계에 있어서,
    상기 동기식 기계는 제19항 내지 제22항 중 어느 한 항의 결함 검출 시스템을 포함하는 것인, 대형 동기식 기계.
  24. 명령어들을 포함하는 컴퓨터 프로그램 제품에 있어서,
    상기 명령어들은 제19항 내지 제23항 중 어느 한 항에 따른 결함 검출 시스템 내에서 실행될 때:
    자기장에 연결된 데이터 아티팩트를 식별하도록 센서 측정치를 프로세싱하고 - 상기 프로세싱은 시간, 주파수, 및 시간과 주파수 모두에 기초한 하나 이상의 신호 프로세싱 기술을 포함함 - ;
    동기식 기계의 결함을 나타내는 상기 자기장의 불규칙성을 식별하고 분류하기 위해 상기 신호 프로세싱의 출력을 분석하도록 - 상기 분석은 기계 학습 알고리즘을 통하는 것과 같은 컴퓨터 지원 패턴 인식 기술의 사용을 통해 상기 프로세싱된 센서 측정치에서 패턴을 인식하는 것을 포함함 -
    상기 결함 검출 시스템의 데이터 프로세싱 장치를 구성하는 것인, 컴퓨터 프로그램 제품.
  25. 제24항에 있어서,
    제1항 내지 제18항 중 어느 한 항에 따른 다른 단계들을 수행하도록 상기 데이터 프로세싱 장치를 구성하도록 배열된 명령어들을 포함하는, 컴퓨터 프로그램 제품.
KR1020227013313A 2019-10-14 2020-10-14 동기식 기계의 결함 검출 KR20220079876A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
GB1914844.4 2019-10-14
GB201914844A GB201914844D0 (en) 2019-10-14 2019-10-14 Fault detection in synchronous machines
PCT/EP2020/078951 WO2021074248A1 (en) 2019-10-14 2020-10-14 Fault detection in synchronous machines

Publications (1)

Publication Number Publication Date
KR20220079876A true KR20220079876A (ko) 2022-06-14

Family

ID=68619616

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227013313A KR20220079876A (ko) 2019-10-14 2020-10-14 동기식 기계의 결함 검출

Country Status (8)

Country Link
EP (1) EP4045924A1 (ko)
JP (1) JP2022552683A (ko)
KR (1) KR20220079876A (ko)
CN (1) CN114616476A (ko)
AU (1) AU2020365367A1 (ko)
CA (1) CA3157882A1 (ko)
GB (1) GB201914844D0 (ko)
WO (1) WO2021074248A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102572908B1 (ko) * 2023-06-01 2023-08-31 주식회사 에이테크 전기차 구동 모터의 동적 편심 진단 방법 및 장치

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210341901A1 (en) * 2020-05-01 2021-11-04 Rockwell Automation Technologies, Inc. Induction motor condition monitoring using machine learning
CA3216590A1 (en) * 2021-04-27 2022-11-03 Florian Wagner Method for contactlessly ascertaining an operating state
CN115166581B (zh) * 2022-07-21 2024-06-04 华中科技大学 一种变速抽蓄机组转子绕组接地故障判别方法
WO2024047843A1 (ja) * 2022-09-01 2024-03-07 東芝インフラシステムズ株式会社 インバータ装置
GB202212828D0 (en) * 2022-09-02 2022-10-19 Norwegian Univ Sci & Tech Ntnu Fault detection in synchronous machines using pattern recognition
US20240133954A1 (en) * 2022-10-07 2024-04-25 Mitsubishi Electric Research Laboratories, Inc. System and Method for Eccentricity Severity Estimation of Induction Machines using a Sparsity-Driven Regression Model

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104535267A (zh) * 2014-12-31 2015-04-22 中国矿业大学 采煤机割煤电机故障监测装置及方法
CN106597276B (zh) * 2016-06-29 2019-02-12 河南工程学院 一种pmsm永磁体退磁故障诊断与故障模式识别方法
WO2018198111A1 (en) * 2017-04-26 2018-11-01 Augury Systems Ltd. Systems and methods for monitoring of mechanical and electrical machines

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102572908B1 (ko) * 2023-06-01 2023-08-31 주식회사 에이테크 전기차 구동 모터의 동적 편심 진단 방법 및 장치

Also Published As

Publication number Publication date
JP2022552683A (ja) 2022-12-19
GB201914844D0 (en) 2019-11-27
AU2020365367A1 (en) 2022-05-19
WO2021074248A1 (en) 2021-04-22
CN114616476A (zh) 2022-06-10
CA3157882A1 (en) 2021-04-22
EP4045924A1 (en) 2022-08-24

Similar Documents

Publication Publication Date Title
KR20220079876A (ko) 동기식 기계의 결함 검출
Liang et al. Induction motors fault diagnosis using finite element method: A review
Zamudio-Ramirez et al. Magnetic flux analysis for the condition monitoring of electric machines: A review
Henao et al. Analytical approach of the stator current frequency harmonics computation for detection of induction machine rotor faults
Mirzaeva et al. Comprehensive diagnostics of induction motor faults based on measurement of space and time dependencies of air gap flux
Mehala Condition monitoring and fault diagnosis of induction motor using motor current signature analysis
Negrea Electromagnetic flux monitoring for detecting faults in electrical machines
US10088506B2 (en) Method for detecting a fault condition in an electrical machine
JP5792374B2 (ja) 減磁を監視するための方法
Antonino-Daviu et al. Advanced rotor fault diagnosis for medium-voltage induction motors via continuous transforms
CN113391235B (zh) 一种同步发电机转子动态匝间短路故障检测***及方法
Goktas et al. Broken rotor bar fault monitoring based on fluxgate sensor measurement of leakage flux
Ghanbari et al. A magnetic leakage flux-based approach for fault diagnosis in electrical machines
Ehya et al. Static and dynamic eccentricity fault diagnosis of large salient pole synchronous generators by means of external magnetic field
Goktas et al. Separation of induction motor rotor faults and low frequency load oscillations through the radial leakage flux
Liu et al. Non-invasive winding fault detection for induction machines based on stray flux magnetic sensors
Pilloni et al. Fault detection in induction motors
Dos Santos et al. Synchronous generator fault investigation by experimental and finite-element procedures
Gritli Diagnosis and fault detection in electrical machines and drives based on advanced signal processing techniques
Asad et al. The FEM Based Modeling and Corresponding Test Rig Preparation for Broken Rotor Bars Analysis
Sarma et al. Condition monitoring of rotating electrical machines
Ebrahimi et al. Pattern recognition for broken bars fault diagnosis in induction motors under various supply conditions
Ranzinger et al. Failure diagnosis in rotating machines using fra involving the rotation angle of the rotor
Singh Condition Monitoring and Fault Diagnosis Techniques of Electric Machines
Kumar et al. Static eccentricity failure diagnosis for induction machine using wavelet analysis