KR20230070917A - Electric motor failure online diagnosis system by Machine learning based magneto register current sensor - Google Patents
Electric motor failure online diagnosis system by Machine learning based magneto register current sensor Download PDFInfo
- Publication number
- KR20230070917A KR20230070917A KR1020210156976A KR20210156976A KR20230070917A KR 20230070917 A KR20230070917 A KR 20230070917A KR 1020210156976 A KR1020210156976 A KR 1020210156976A KR 20210156976 A KR20210156976 A KR 20210156976A KR 20230070917 A KR20230070917 A KR 20230070917A
- Authority
- KR
- South Korea
- Prior art keywords
- current sensor
- motor
- magneto
- current
- learning
- Prior art date
Links
- 238000010801 machine learning Methods 0.000 title claims description 12
- 238000003745 diagnosis Methods 0.000 title claims description 10
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 21
- 238000005516 engineering process Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000003909 pattern recognition Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 239000011229 interlayer Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000007493 shaping process Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 4
- 230000002950 deficient Effects 0.000 abstract description 2
- 230000005291 magnetic effect Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000035945 sensitivity Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002250 progressing effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000003302 ferromagnetic material Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000009427 motor defect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
-
- 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
- G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
- G01R19/252—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques using analogue/digital converters of the type with conversion of voltage or current into frequency and measuring of this frequency
-
- 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
- G01R23/165—Spectrum analysis; Fourier analysis using filters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/02—Measuring characteristics of individual pulses, e.g. deviation from pulse flatness, rise time or duration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C19/00—Electric signal transmission systems
- G08C19/02—Electric signal transmission systems in which the signal transmitted is magnitude of current or voltage
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
Description
본 발명은 결함이 있는 전동기에 흐르는 전류의 패턴을 학습한 인공지능형 장치가 전동기의 고장을 실시간 Online으로 검출하는 방법에 관한 것으로 발전소나 산업현장에서 사용되고 있는 전동기 운전중에 전동기 내부에 각종 결함 제공 및 고 장 재현을 전동기 전원선에 설치된 전류센서 통하여 취득 및 저장함으로서 축적된 데이터를 경험과 학습을 통하여 전동기의 고장을 실시간 Online으로 진단하는 방법에 관한 것이다.The present invention relates to a method for detecting motor failures online in real time by an artificial intelligence device that has learned the pattern of current flowing in a defective motor. It relates to a method for diagnosing motor failures online in real time through experience and learning of data accumulated by acquiring and storing field reproduction through a current sensor installed in a motor power line.
전동기 고장은 다양하고 복잡하다. 보호계전기가 동작 할 만큼 고장 전류가 커서 고장현상이 뚜렷한 고장이 있는 반면 고장이 발생했는지도 모르는 아주 미세한 고장이 발생하기도 한다. 특히 이 미세한 고장은 전동기 운전에 별 다른 영향을 미치지 않아서 몇 달 혹은 몇 년을 돌려도 전동기 운전에 특별한 영향을 주지 않는 경우도 있다. 그러나 이렇게 미세하고 서서히 진행되는 고장은 전동기의 절연을 서서히 약화시켜 결국 전동기를 파괴, 사고로 진전되어 많은 경제적, 사회적 손실을 초래한다. 전동기에 부분방전, 층간단락과 같은 미세 고장이 발생했을 고장을 감지할 수 있다면 대형 사고로 진전 되기전 고장을 예방할 수 있고 복구비용 역시 현저히 줄일 수 있어 미세고장을 검출하여 대형 고장을 예방하는 것이 중요하다.Motor failures are varied and complex. The fault current is large enough for the protection relay to operate, so while there are obvious faults, there are also very minute faults that may have occurred. In particular, this minute failure does not have a significant effect on motor operation, so there are cases where it does not have a special effect on motor operation even after several months or years. However, such a minute and gradually progressing failure gradually weakens the insulation of the motor, eventually destroying the motor and progressing to an accident, causing a lot of economic and social losses. If it is possible to detect a failure that would have occurred in a motor such as partial discharge or interlayer short circuit, it is possible to prevent a failure before it develops into a major accident and significantly reduce restoration costs. do.
상기의 미세고장을 검출하기 위하여 본 발명에서는 마그네토 레지스터 기반의 전류센서를 사용하는데 마그네토 레지스터는 모선에 흐르는 전류의 자기장 내에 설치하여 자기장이 변함에 따라 전기저항이 변화하는 특성을 기반으로 주로 자기디스크와 같은 데이터 저장기술에 마그네토 레지스턴스 현상을 이용하여 판독하는데 사용되어 왔으며 자장 분해능이 홀소자보다 우수하기 때문에 각종 자기센서에 응용되어 왔다.In order to detect the above micro-faults, the present invention uses a magneto-resistor-based current sensor. The magneto-resistor is installed in the magnetic field of the current flowing in the busbar and based on the characteristic that the electrical resistance changes as the magnetic field changes, the magnetic disk and It has been used for reading using the magneto resistance phenomenon in the same data storage technology, and has been applied to various magnetic sensors because its magnetic field resolution is superior to Hall devices.
상기와 같이 종래의 마그네토 레지스터 기술은 대한민국 공개특허 제10-2011-0115774호의 자이언트 마그네토 임피던스 특성이 향상된 마그네토 레지스턴스 소자의 제조방법 및 이에 따라 제조되는 마그네토 레지스턴스 소자에 관한 것으로 강자성체에 이온을 조사하는 간단한 공정을 이용하여 제조하여, 자기 감응성과 마그네토 임피던스 특성이 향상되므로, 고감도 정보기록매체의 자기헤드 및 미세자장 탐지용 자기센서 등에 유용하게 이용할 수 있도록 응용하고 있으며, 일본 아이치 세이코우사에서는 마그네토 임피던스 소자 및 마그네토 임피던스 센서를 응용하여 외부로부터 작용하는 자계에 의해 전자기 특성이 변화하는 기술을 주로 응용하는 기술을 개발해왔었다.As described above, the conventional magneto resistor technology relates to a method for manufacturing a magneto resistance element with improved giant magneto impedance characteristics disclosed in Korean Patent Publication No. 10-2011-0115774 and a magneto resistance element manufactured according to the method, and a simple process of irradiating ferromagnetic material with ions. Since it is manufactured using, magnetic sensitivity and magneto impedance characteristics are improved, it is applied so that it can be usefully used for magnetic heads of high-sensitivity information recording media and magnetic sensors for detecting minute magnetic fields. A technology that mainly applies a technology in which electromagnetic characteristics are changed by a magnetic field acting from the outside by applying an impedance sensor has been developed.
그러나, 마그네토 레지스터 기반의 전류센서가 전류를 측정하여 유효한 값으로 추정하기 위해서는 다양한 신호 처리 과정을 가져야 하며 특히 전동기와 같은 회전체의 온라인 실시간 진단을 위해서는 노이즈에 대한 처리가 중요하며 노이즈는 최대 측정 가능 전류 값이 증가할수록 증가하지만 종래의 Hall sensor 기반 전류센서의 경우 노이즈 값이 최대 측정가능 전류 값의 약 1 ~ 3% 정도로 크기때문에 전류를 많이 소비하는 기기와 조금만 사용하는 기기를 동시에 추적 및 측정하여 분석하거나 전류를 많이 사용하는 기기의 아주 미세한 전류 변화를 측정하기가 매우 어려워지고, 결과적으로 머신 러닝(인공지능 학습)을 사용한 기기의 모니터링 및 예측이 불가능해지는 문제점이 있었다. However, in order for a magneto resistor-based current sensor to measure current and estimate it as a valid value, it must have various signal processing processes. In particular, noise processing is important for online real-time diagnosis of rotating bodies such as motors, and noise can be measured at maximum. It increases as the current value increases, but in the case of the conventional Hall sensor-based current sensor, the noise value is about 1 to 3% of the maximum measurable current value, so it is possible to track and measure devices that consume a lot of current and devices that use little current at the same time. It becomes very difficult to analyze or measure very minute current changes in devices that use a lot of current, and as a result, monitoring and prediction of devices using machine learning (artificial intelligence learning) have become impossible.
본 발명은 상기의 문제점을 해결하기 위해 안출한 것으로 전동기의 고장은 고장마다 전동기에 흐르는 전류의 고유한 패턴, 특정 주파수의 상승, 위상특성, 고조파 특성, 파형의 왜곡 등을 종합하여 각각의 결함에 대한 학습을 기반으로 구분하여 인식하며, 한번 인식한 고장을 전동기 운전 중 다시 경험하게 되면 이미 학습한 대로 고장이라고 판단할 수 있도록 하여 전동기 운전 중 전동기 정상 상태를 지속적으로 학습함으로서 정상이 아닌 평상시와 다른 상태가 감지되면 결함이 있는 것으로 인식하여 알려 주며, 학습한 고장상황이 발생하면 학습과정에서 Naming한 대로 고장이라고 알려줌으로서 전동기에 부분방전, 층간단락과 같은 미세 고장이 발생하더라도 실시간으로 온라인 검출을 할 뿐만 아니라 이를 이용하여 전동기의 파괴 및 사고를 미연에 예방할 목적으로 발명되었다. The present invention has been made to solve the above problems, and the failure of the motor is determined by integrating the unique pattern of the current flowing through the motor for each failure, the rise of a specific frequency, phase characteristics, harmonic characteristics, waveform distortion, etc. Based on the learning of the motor, it is classified and recognized based on learning, and if a once-recognized failure is experienced again during motor operation, it can be judged as a failure as already learned. By continuously learning the normal state of the motor while operating the motor, If a state is detected, it is recognized as a defect and notified. If a learned failure situation occurs, it is notified as a failure as naming during the learning process. In addition, it was invented for the purpose of preventing destruction and accidents of electric motors by using this.
한편, 본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론 할 수 있는 범위 내에서 추가적으로 고려될 것이다.Meanwhile, other unspecified objects of the present invention will be additionally considered within the scope that can be easily inferred from the following detailed description and effects thereof.
이와 같은 목적을 달성하기 위하여, 본 발명의 일 실시예에 따르면 인공지능 학습에 기반한 전동기 이상 진단은 전동기에 전원을 공급하는 전력선에 마그네토 레지스터 기반의 전류센서를 설치하고, 상기 전류센서로 부터 측정된 다양한 전류 정보(신호)를 획득하고 저장하여 학습시킴으로서 전동기의 결함 발생시 흐르는 부하전류의 정보패턴을 인식시킨 인공지능 장치가 학습된 정보를 바탕으로 전동기 이상유무를 진단할 수 있도록 하였다. In order to achieve the above object, according to an embodiment of the present invention, the motor abnormality diagnosis based on artificial intelligence learning is performed by installing a magneto-resistor-based current sensor in a power line supplying power to the motor, and measuring the current sensor measured from the current sensor. By acquiring, storing, and learning various current information (signals), an artificial intelligence device that recognizes the information pattern of the load current flowing when a motor failure occurs can diagnose the presence or absence of a motor abnormality based on the learned information.
본 발명에서는 전동기에 부분방전, 층간단락과 같은 미세 고장이 발생했을 경우 온라인으로 실시간 고장을 감지함으로서 대형 사고로 진전되기전에 고장을 예방할 수 있을 뿐만 아니라 이러한 감지를 통하여 복구비용 역시 현저히 줄일 수 있는 효과가 있다.In the present invention, when a micro-failure such as partial discharge or interlayer short circuit occurs in the motor, the fault can be prevented before it develops into a major accident by detecting the fault online in real time, and the recovery cost can be significantly reduced through such detection. there is
도 1. 마그네토 레지스티브 기반 전류 변환기(전류센서)의 측정 모식도
도 2. 본 발명의 패턴인식에 적용할 센서의 민감도 파형
도 3. 본 발명의 집적화된 신호처리 블럭도
도 4. 본 발명에 사용되는 시스템 전체 구성도
도 5. 본 발명의 신호대 잡음(SNR)비
도 6. 본 발명에 사용되는 센서 모듈의 기능 블록 다이아그램
도 7. 본 발명에 적용할 전류 센서 모듈의 개념도
도 8. 본 발명의 Deep learning 데이터 처리(Stacking)개념도
도 9. 본 발명의 Training에 대한 수학적 표현도Figure 1. Measurement diagram of a magneto-resistive-based current transducer (current sensor)
Figure 2. Sensitivity waveform of sensor to be applied to pattern recognition of the present invention
Figure 3. Integrated signal processing block diagram of the present invention
Figure 4. Overall configuration of the system used in the present invention
Figure 5. Signal-to-noise (SNR) ratio of the present invention
Figure 6. Functional block diagram of the sensor module used in the present invention
7. Conceptual diagram of a current sensor module to be applied to the present invention
Figure 8. Conceptual diagram of deep learning data processing (Stacking) of the present invention
Figure 9. Mathematical representation of Training of the present invention
이하 본 발명에 관하여 상세히 설명한다.Hereinafter, the present invention will be described in detail.
인공지능을 탑재한 장치가 학습에 기반 하여 전동기 이상 진단을 하기 위해서는 마그네토 레지스터기반 전류센서를 사용하여 전류를 측정하는 것으로부터 시작된다. 전류센서는 전력공급선에 설치할 때 전류센서의 한면을 열어서 전선에 용이하게 설치할 수 있는 손가락 한마디크기인 100mm 이내의 높이를 갖는 원통형 반지 구조로 되어있다. In order for a device equipped with artificial intelligence to diagnose motor abnormalities based on learning, it starts with measuring current using a magneto-resistor-based current sensor. The current sensor has a cylindrical ring structure with a height of less than 100mm, the size of a finger, which can be easily installed on the wire by opening one side of the current sensor when installed on the power supply line.
전류측정 원리는, 전류가 흐르는 모선 주변에 형성된 자기장은 전류의 크기에 따라 자기장의 세기가 변화되는 특성이 있는데, 이러한 자기장의 일정 범위내에 마그네토 레지스티브 소자를 설치하여 자기장의 세기에 따라 소자의 저항이 변화되는 원리를 기반으로 전류를 측정한다. 전동기에 전원을 공급하는 모선에 상기의 전류센서를 설치하고 모선에 흐르는 전류가 형성한 자기장의 변화에 비례하여 전류센서 내부의 마그네토 레지스티브 소자의 저항 값이 변화됨으로 이 소자에 DC 5~10V의 일정 전압을 인가하여, 인가한 전압과 소자에 흐르는 전류 정보를 기반으로 저항 크기와 1차 전류의 상관관계를 도 9에 나타난 바와 같이 수식화하고 계산하여 1차 모선에 흐르는 전류를 수학적으로 역산하여 1차 모선의 전류 값을 측정한다. 전류센서의 모습 및 설치시 그림은 도 1과 같다.The principle of current measurement is that the magnetic field formed around the bus line through which the current flows has a characteristic that the strength of the magnetic field changes according to the magnitude of the current. Current is measured based on this changing principle. The above current sensor is installed on the bus that supplies power to the motor, and the resistance value of the magneto-resistive element inside the current sensor changes in proportion to the change in the magnetic field formed by the current flowing in the bus. A constant voltage is applied, and the correlation between the resistance size and the primary current is formulated and calculated as shown in FIG. 9 based on the applied voltage and current information flowing through the device, and mathematically inversely calculates the current flowing in the primary bus. Measure the current value of the secondary bus bar. The appearance and installation of the current sensor are shown in FIG.
또한, 인공지능 학습에 기반한 전동기 이상 진단을 위하여 전동기에 전원을 공급하는 전력선에 설치된 마그네토 레지스터 기반의 전류센서로부터 측정된 전류 정보를 취득하여 저장하고 저장된 데이터를 활용하여 전동기에 흐르는 결함 발생시 흐르는 부하전류의 패턴과 비교분석 후 인식시키며 인공지능 장치가 학습된 정보를 바탕으로 전동기 이상을 진단한다. In addition, in order to diagnose motor abnormalities based on artificial intelligence learning, current information measured from a magneto-resistor-based current sensor installed on the power line that supplies power to the motor is acquired and stored, and the load current that flows when a fault occurs in the motor by using the stored data. After comparing and analyzing the pattern of the machine, it is recognized, and the artificial intelligence device diagnoses motor abnormalities based on the learned information.
전동기의 미세고장은 고장마다 전동기에 흐르는 전류의 고유한 패턴, 특정 주파수의 상승, 위상특성, 고조파 특성, 파형의 왜곡 등 종합하여 각각의 결함에 대한 학습을 기반으로 구분하여 인식할 수 있다. 인공지능을 탑재한 장치는 한번 인식한 고장을 전동기 운전 중 다시 경험하게 되면 이미 학습한 대로 고장이라고 판단한다. 또한 전동기 운전 중 전동기 정상 상태를 지속적으로 학습하고 있으므로 정상이 아닌 평상시와 다른 상태가 감지되면 결함이 있는 것으로 인식하여 스마트기기를 통하여 알려 주며, 학습한 고장상황이 발생하면 학습과정에서 Naming한 대로 고장의 결과를 알려준다. Micro-failures of motors can be classified and recognized based on learning about each fault by integrating the unique pattern of the current flowing through the motor for each fault, the rise of a specific frequency, phase characteristics, harmonic characteristics, and waveform distortion. If a device equipped with artificial intelligence experiences a once-recognized failure again while operating the motor, it judges it to be a failure as it has already learned. In addition, since the normal state of the motor is continuously learned during motor operation, if an abnormal state other than normal is detected, it is recognized as a defect and notified through a smart device. informs the result of
Machine learning 학습에 의한 전동기 이상 진단장치는 수십 mm정도의 크기, 즉, 손바닥의 4분의 1정도의 크기의 반지모양으로 한쪽은 열릴 수 있는 구조로 되어있는 손가락 한마디 높이의 원통형 전류센서와 전류센서로부터 전류 신호를 받아 신호를 처리하는 신호처리부(마이크로 콘트롤러)로 크게 구성되어있다. The motor abnormality diagnosis device by machine learning learning is a ring shape with a size of about tens of mm, that is, a quarter of the size of the palm, and a cylindrical current sensor and a current sensor with a height of a finger that has a structure in which one side can be opened. It is largely composed of a signal processing unit (microcontroller) that receives a current signal from and processes the signal.
전류센서가 전류를 측정하여 유효한 값으로 추정하기 위해서는 다양한 신호 처리 과정을 가져야 하며 노이즈에 대한 처리가 중요하다. 노이즈는 최대 측정 가능 전류 값이 증가할수록 증가하지만 종래에 사용되는 Hall sensor 기반 전류센서는 노이즈 값이 최대 측정가능 전류 값의 약 1 ~ 3% 정도로 크기때문에 전류를 많이 소비하는 기기와 조금만 사용하는 기기를 동시에 추적하거나 전류를 많이 사용하는 기기의 아주 미세한 전류 변화를 측정하기가 매우 어려워지고, 결과적으로 머신 러닝을 사용한 기기의 모니터링 및 예측이 불가능해진다. In order for a current sensor to measure current and estimate it as a valid value, various signal processing processes are required, and processing for noise is important. Noise increases as the maximum measurable current value increases, but conventionally used Hall sensor-based current sensors have a noise value of about 1 to 3% of the maximum measurable current value, so devices that consume a lot of current and devices that use little current It becomes very difficult to simultaneously track or measure very small current changes in current-consuming devices, and as a result, it becomes impossible to monitor and predict devices using machine learning.
실시예로서 전동기 부하전류가 300A에 이르지만, 부분 방전시 발생하는 방전 전류 신호의 진폭은 수mA 정도의 아주 작은 전류 패턴도 존재하므로 기존의 전류 변환기로는 수십A 크기의 전류와 수mA크기의 전류변화를 감지하기가 어렵다. 이러한 사실이 전류센서의 민감도가 부하 학습에 아주 중요한 이유다. As an example, although the load current of the motor reaches 300A, there is also a very small current pattern of several mA in amplitude of the discharge current signal generated during partial discharge, so existing current converters have a current of several tens of A and a current of several mA. It is difficult to detect changes. This fact is why the sensitivity of a current sensor is so important for load learning.
도 2는 300A의 대전류 부하에서 mA의 전류 패턴을 인식하는 두 종류의 전류 센서를 나타낸 것으로 본 발명에서 적용할 마그네토 레지스터 기반의 전류센서의 감응도 특성을 도 2의 (2)에 나타내고 있다. 어떤 부하가 운전 중일 때 그 부하의 1000분의 1 크기의 미세 변화도 감지할 수 있는 전류센서의 민감도가 부하에 흐르는 전류정보를 세분화하여 인식시키는 성공적인 요소인데 본 발명의 시스템에서 사용하는 마그네토 레지스티브 기반 전류센서는 도 2의 (2)에 보이는 바와 같이 전류 변화의 미세 패턴 인식에 적합한 특성을 보인다. 2 shows two types of current sensors that recognize a current pattern of mA at a high current load of 300 A, and the sensitivity characteristics of the magneto resistor-based current sensor to be applied in the present invention are shown in (2) of FIG. When a load is in operation, the sensitivity of the current sensor, which can detect minute changes in the size of 1/1000 of the load, is a successful factor in subdividing and recognizing the current information flowing in the load. The magneto-resistive used in the system of the present invention As shown in (2) of FIG. 2, the based current sensor shows characteristics suitable for recognizing fine patterns of current changes.
본 발명의 패턴인식 기술은 각각의 전동기 결함별 전류파형의 패턴을 학습하여 저장하고 Naming하여 신경망회로에 기억시킴으로서 고장을 진단하는 기술을 적용한다. 딥 러닝의 집합 블록 중 하나는 인공 신경망(ANN)인데 ANN은 생물학적 뉴런의 정보 처리에서 기인한 것으로 딥 러닝의 "딥" 부분은 데이터를 처리하기 위해 ANN의 레이어를 스태킹하기 위한 것이다. 기본적인 개념도를 도 8에 나타냈다.The pattern recognition technology of the present invention applies a technology for diagnosing failures by learning and storing patterns of current waveforms for each motor defect, naming, and storing them in a neural network circuit. One of the aggregation blocks of deep learning is artificial neural networks (ANNs), which originate from information processing in biological neurons. The "deep" part of deep learning is for stacking layers of ANNs to process data. A basic conceptual diagram is shown in FIG. 8 .
또한 전동기의 상태를 예측 진단하기 위해서는 Training과정을 거쳐야 하는데 딥 러닝 모델은 데이터를 분류하는 방법을 배우는 수학적 함수를 도 9에 표시 하였다. Machine Learning 또는 Training의 목표는 이 함수에 대한 매개 변수 집합을 식별하는 것으로 Training 사용하는 매개 변수 검색 알고리즘(예, 아담, 아다그라드, 스토샤틱 그라데이션 감소), 매개 변수 그라데이션 식별 알고리즘인 후위전파(Back propagation), STPD(Spike Timing Dependent Plasticity 가소성 의존 스파이크 타이밍) 등, 상기의 알고리즘을 함께 작동하여 최상의 매개변수를 식별하고 전동기 고장에 따른 패턴을 Training한다.In addition, in order to predict and diagnose the state of the motor, it is necessary to go through a training process. The deep learning model shows a mathematical function to learn how to classify data in FIG. The goal of machine learning, or training, is to identify a set of parameters for this function. The parameter search algorithm that Training uses (e.g. Adam, Adagrad, Stochastic Gradient Reduction), the parameter gradient identification algorithm, Back propagation ), STPD (Spike Timing Dependent Plasticity), etc., the above algorithms work together to identify the best parameters and train patterns according to motor failures.
본 발명은 획득된 전류정보를 시공간과 주파수 공간에서 효과적으로 동시에 표현하는 Time frequency representation (TFR) 방식을 사용하여 패턴을 인식 한다. TFR은 연산 기법이 복잡하여 효과적으로 마이크로컨트롤러에 내장하기 위한 최적화 기법 개발이 필수적이며, 효과적으로 마이크로 컨트롤러에 내장하여야만 low-latency, low-power, fast response, resilience to network disturbance 등과 같은 edge computing 의 장점들을 제공할 수 있다. TFR의 경우 주어진 데이터양에 비해 제공하는 정보의 양이 가장 많은 형태여서 필요한 연산 양과 클라우드에서 사용해야하는 데이터 저장 공간을 최소화 시키면서, 동시에 머신 러닝의 정확도를 높일 수 있다. 전류 신호의 노이즈가 작을수록 훨씬 정밀한 TFR 패턴이 얻어 지는데, 두개의 TFR 패턴을 가장 널리 사용되는 neural network 기반 reverse image search 알고리듬을 사용하여 원래의 전류 패턴을 인식하는 작업 수행 시 노이즈가 적은 신호의 경우 99% 이상의 인식 확률을 보이고, 노이즈가 많은 TFR 패턴의 경우 인식 확률이 80% 대로 저하되는데 TFR 표현 기법은 본 발명에서 적용한 마그네토 레지스터 기반의 전류센서와 함께 사용 되었을 때 성능이 최적화될 수 있음을 확인하였다. The present invention recognizes a pattern using a time frequency representation (TFR) method that effectively simultaneously expresses the obtained current information in space-time and frequency space. TFR has a complicated calculation method, so it is essential to develop an optimization method to effectively embed it into a microcontroller, and it provides advantages of edge computing such as low-latency, low-power, fast response, resilience to network disturbance, etc. only when it is effectively embedded in a microcontroller. can do. In the case of TFR, the amount of information provided is the largest compared to the amount of given data, so it is possible to increase the accuracy of machine learning while minimizing the amount of computation required and the data storage space to be used in the cloud. The smaller the noise of the current signal, the more precise TFR pattern is obtained. In the case of a signal with less noise when performing the task of recognizing the original current pattern using the most widely used neural network-based reverse image search algorithm for the two TFR patterns It shows a recognition probability of more than 99%, and in the case of a noisy TFR pattern, the recognition probability drops to 80%. It is confirmed that the performance of the TFR expression technique can be optimized when used with the magneto-resistor-based current sensor applied in the present invention. did
또한, 기기의 동작 시작 시점에 발생하는 전류 패턴을 인식하는 알고리즘을 사용하여, 각 기기 별로 sequential convolution을 시작하는 시점을 정확하게 산출 해낼 수 있다. 이러한 고유 기술을 토대로 각 고장 별 sequential convolutional operation의 시작 지점을 정확하게 산출 하는 기법을 적용하여 동기화 불확실성으로 인해 여러 시점에서 sequential convolutional operation을 시작해야하는 문제를 해결하여 병렬 연산에 필요한 연산 량을 대폭 줄여 각각의 결함을 구분하여 인식 할 수 있다 In addition, by using an algorithm that recognizes a current pattern that occurs when a device starts operating, it is possible to accurately calculate the starting point of sequential convolution for each device. Based on this unique technology, a technique that accurately calculates the starting point of sequential convolutional operation for each failure is applied to solve the problem of starting sequential convolutional operation at various points in time due to synchronization uncertainty, thereby significantly reducing the amount of computation required for parallel operation. Defects can be identified and recognized
전류센서가 측정한 전류를 유무선 통신으로 받아서 센서로 부터 10m이내 설치되는 신호처리부는 전류센서의 아나로그 신호를 디지털 값으로 변환하는 아나로그/디지털 변환회로와 디지털로 변환된 전류정보를 주파수 분석하여 미세 패턴을 인식하는 패턴인식(신호처리)회로, Machine learning 기술을 탑재한 부하인식 신경망 회로 및 처리 정보를 외부의 스마트기기로 전송하는 통신회로로 구성되어 있다. The signal processing unit installed within 10m from the sensor by receiving the current measured by the current sensor through wired/wireless communication uses an analog/digital conversion circuit that converts the analog signal of the current sensor into a digital value and a frequency analysis of the digitally converted current information. It consists of a pattern recognition (signal processing) circuit that recognizes fine patterns, a load recognition neural network circuit equipped with machine learning technology, and a communication circuit that transmits processing information to external smart devices.
본 발명에서 사용할 센싱-신호처리 모듈의 블록도를 나타낸 시스템 전체 구성도는 도 3와 같으며, 디지털 프로세싱을 담당하는 마이크로 컨트롤러에서 노이즈 저감을 위한 matched filtering 작업과 피드백을 사용한 오프셋 저감 작업을 수행하며 각종 데이터 통신 프로토콜 지원 기능을 담당하고, NILM (non-intrusive load monitoring)을 담당하는 neural network 처리기능이 내장되어 있다. 내장된 각종 통신 지원 기능을 이용하여 데이터를 자동으로 클라우드 상의 데이터베이스로 전송하거나 각종 스마트기기로 시각화, 이미지화하여 결과를 알려 주는 기능을 내장하고 있다. The overall configuration of the system showing a block diagram of the sensing-signal processing module to be used in the present invention is shown in FIG. It is responsible for supporting various data communication protocols and has a built-in neural network processing function that is responsible for NILM (non-intrusive load monitoring). It has a built-in function to automatically transmit data to a database on the cloud using various built-in communication support functions, or to visualize and image with various smart devices and inform the results.
각 모듈은 마그네토 레지스터기반 전류센서 모듈과 센서로부터 받은 아날로그 입력 신호를 받는 아나로그 입력단, 전원 회로, 증폭 및 노이즈 제거 필터링 회로로 구성된 마이크로 콘트롤러를 포함한 신호처리 모듈, 그리고 블루투스, 와이파이, 이더넷으로 구성된 데이터 통신 회로, 원격 모니터링 시스템으로 구성이 되어 있으며 시스템 전체 구성도는 도 4과 같다.Each module consists of a magneto resistor-based current sensor module, an analog input receiving an analog input signal received from the sensor, a signal processing module including a microcontroller composed of a power circuit, amplification and noise removal filtering circuit, and data composed of Bluetooth, Wi-Fi, and Ethernet. It consists of a communication circuit and a remote monitoring system, and the overall configuration of the system is shown in FIG. 4.
마그네토 레지스터 기반 전류센서의 전류 측정값은 아나로그 형태로 신호처리부인 마이크로 컨트롤러에 전송되고 전류센서로 부터 받은 아날로그 신호를 디지털로 변화 시키는 A/D변환부를 포함하는 마이크로 컨트롤러는 matched filter를 사용하여 노이즈를 저감시켜 주는 작업을 수행하며 이러한 노이즈 저감 기술을 통해 초정밀급 해상도를 구현한다. 또한 마이크로 콘트롤러를 포함한 신호처리부에 내장된 아날로그 증폭기에서 발생하는 노이즈에 의한 해상도 저하를 최소화시키기 위해 신호 업 컨버전 (up-conversion) 기능을 아날로그 증폭기 단에서 사용하는데 도 5와 같이 센서에서 발생하는 신호를 아날로그 증폭기단에서 플리커(flicker) 노이즈가 존재하지 않는 높은 주파수 대역으로 올려줌으로써 신호대 노이즈 비율 (SNR)을 대폭 개선하여 노이즈의 효과를 거의 받지 않고 높은 해상도를 구현 한다. The current measurement value of the magneto-resistor-based current sensor is transmitted in analog form to the microcontroller, which is the signal processing unit, and the microcontroller including the A/D conversion unit that converts the analog signal received from the current sensor into digital uses a matched filter to reduce noise. and implements ultra-precision resolution through this noise reduction technology. In addition, in order to minimize resolution deterioration due to noise generated in the analog amplifier embedded in the signal processing unit including the microcontroller, the signal up-conversion function is used in the analog amplifier stage. As shown in FIG. 5, the signal generated by the sensor In the analog amplifier stage, the signal-to-noise ratio (SNR) is greatly improved by raising the frequency band to a high frequency band where flicker noise does not exist, realizing high resolution without being affected by noise.
신호처리부에서는 노이즈 문제를 해결하기 위해 아날로그 증폭기 단에서 신호를 증폭하며 동시에 노이즈 쉐이핑 (noise shaping) 기술을 적용하여 대부분의 노이즈를 특정 주파주 대역에 포함되도록 주파수 공간에서 쉐이핑을 해준다. 이후 디지털 신호처리 회로에서 쉐이핑된 노이즈를 제거해주는 최적화 작업 (optimal detection)을 통해 노이즈를 최소화 시켜준다. 또한 오프셋의 경우 실시간으로 오프셋 값을 측정 및 예측하는 기술을 사용하여 정확하게 예측 후, 실시간으로 피드백 회로를 사용해 오프셋을 보상해준다. 센서의 오프셋 값은 온도와 같은 외부 환경과 전동기 자체의 노화에 따라 계속 변화하기 때문에 본 발명에서 상기에 기술된 바와 같이 개발되어 적용하는 실시간 보상 기술을 적용한다. 본 발명에서 사용하는 센서 모듈의 기능 블록 다이아그램을 도 6에, 전류센서 모듈의 개념도를 도 7에 나타냈다.In order to solve the noise problem, the signal processing unit amplifies the signal at the analog amplifier stage and at the same time applies noise shaping technology to shape most of the noise in the frequency space so that it is included in a specific frequency band. Afterwards, the noise is minimized through an optimization operation (optimal detection) that removes the noise shaped in the digital signal processing circuit. In addition, in the case of offset, it uses a technology to measure and predict the offset value in real time, accurately predicts it, and then compensates for the offset using a feedback circuit in real time. Since the offset value of the sensor continuously changes according to the external environment such as temperature and the aging of the motor itself, the real-time compensation technology developed and applied as described above is applied in the present invention. A functional block diagram of the sensor module used in the present invention is shown in FIG. 6 and a conceptual diagram of the current sensor module is shown in FIG.
전류센서로 부터 일정거리, 실시예로 10m 거리내에 설치된 마이크로 콘트롤러가 포함된 신호처리부에는 전류data 신호 처리 기능뿐만 아니라 신경망에 의한 머신러닝 기능, 모니터링시스템에서 감시, 기록, 추세 분석이 가능하도록 유선, 무선의 형태로 신호 전송이 가능한 통신 칩이 내장되어 있어 외부의 스마트기기 또는 모니터링 장치에 신호를 전송하도록 되어있다. The signal processing unit, which includes a microcontroller installed within a certain distance from the current sensor, 10m in an embodiment, not only current data signal processing function, but also machine learning function by neural network, wired, It has a built-in communication chip capable of transmitting signals in the form of wireless, so that signals can be transmitted to external smart devices or monitoring devices.
머신 러닝을 이용한 AI 및 비침해 부하 감시(NILM, non-intrusive load monitoring)를 담당하는 neural network에 사용되어질 입력 전기 신호의 가공 방식은 시공간에서의 데이터 패턴을 사용하는 방식이지만 시공간 데이터만을 사용할 경우 데이터의 양에 비해 추출할 수 있는 유용한 정보의 양이 제약이 되어서 주파수 공간의 신호를 같이 사용하는 방식을 적용한다. 신호를 시공간과 주파수 공간에서 효과적으로 동시에 표현하는 time frequency representation (TFR) 방식을 적용하여 지연감소, 빠른 반응 속도 구현, 저전력, 통신 네트웍 다운과 같은 비상사태시 효과적 대응과 같은 에지 컴퓨팅 (edge computing)의 장점들을 제공할 수 있다.The processing method of the input electrical signal to be used in the neural network responsible for AI and non-intrusive load monitoring (NILM) using machine learning is a method using data patterns in space-time, but when only space-time data is used, data The amount of useful information that can be extracted compared to the amount of is limited, so a method of using signals in the frequency space together is applied. By applying the time frequency representation (TFR) method, which effectively and simultaneously expresses signals in time and frequency space, edge computing such as reduction in delay, realization of fast response speed, low power consumption, and effective response in emergencies such as communication network down advantages can be provided.
TFR의 경우 주어진 데이터 양에 비해 제공하는 정보의 양이 가장 많은 형태여서 필요한 연산 양과 클라우드에서 사용해야하는 데이터 저장 공간을 최소화하면서, 동시에 머신 러닝의 정확도를 높이는데 매우 중요한 기술 이다. 신호에 노이즈가 적은 경우 훨씬 정밀한 TFR 패턴이 얻어진다. 두개의 TFR 패턴을 가장 널리 사용되는 convolutional neural network (CNN) 기반 reverse image search 알고리즘을 사용하여 원래의 전류 패턴을 인식하는 작업을 수행 시 노이즈가 적은 신호의 경우 99% 이상의 인식 확률을 확보할 수 있고, 노이즈가 많은 TFR 패턴의 경우 인식 확률이 80% 대로 저하. 개발된 TFR 표현 기법을 전류센서와 함께 사용되었을 때 성능이 최적화 해준다. In the case of TFR, the amount of information provided is the largest compared to the amount of given data, so it is a very important technology to increase the accuracy of machine learning while minimizing the amount of computation required and the data storage space to be used in the cloud. A much more precise TFR pattern is obtained when the signal is less noisy. When performing the task of recognizing the original current pattern using the convolutional neural network (CNN)-based reverse image search algorithm, which is the most widely used convolutional neural network (CNN), two TFR patterns can secure a recognition probability of more than 99% in the case of a signal with low noise. , in the case of noisy TFR patterns, the recognition probability fell to 80%. Performance is optimized when the developed TFR expression method is used with a current sensor.
외부의 스마트기기에서는 현장의 신호처리부로부터 전송된 신호를 기반으로 전동기의 결함 발생 정보를 운전원에게 알려준다.An external smart device notifies the driver of motor failure information based on the signal transmitted from the signal processing unit on site.
Claims (7)
전원공급선에 설치된 마그네토 레지스터 기반의 전류센서;
상기 전류센서로 부터 측정된 아날로그신호를 디지털로 변환하는 A/D변환부,
상기 변환된 디지털신호의 주파수 분석을 통해 미세 패턴을 인식하는 패턴인식회로, 신호의 증폭과 노이즈를 제거하는 필터링회로, Machine learning 기술을 탑재한 신경망 회로, 상기 회로의 신호를 처리하는 마이크로 컨트롤러 및 통신회로를 포함하는 신호처리부;
상기 처리된 신호를 디스플레이 하는 스마트기기;로 구성되는 것을 특징으로 하는 마그네토 레지스터 전류 센서 기반 전동기 고장 학습에 의한 온라인 고장 진단 시스템.
In the motor abnormality diagnosis system based on artificial intelligence learning,
Magneto-resistor-based current sensor installed in the power supply line;
An A/D conversion unit for converting the analog signal measured by the current sensor into a digital one;
A pattern recognition circuit that recognizes fine patterns through frequency analysis of the converted digital signal, a filtering circuit that amplifies signals and removes noise, a neural network circuit equipped with machine learning technology, a microcontroller and communication that processes the signals of the circuit a signal processing unit including a circuit;
Online fault diagnosis system by magneto-resistor current sensor-based motor fault learning, characterized in that consisting of; smart device for displaying the processed signal.
상기 신호의 증폭과 노이즈를 제거하는 필터링회로는 노이즈쉐이핑과 피드백을 사용한 오프셋 보상이 가능한 것을 특징으로 하는 마그네토 레지스터 전류 센서 기반 전동기 고장 학습에 의한 온라인 고장 진단 시스템.
According to claim 1,
The filtering circuit for amplifying the signal and removing noise is characterized in that offset compensation using noise shaping and feedback is possible.
상기 통신회로는 블루투스, 와이파이, 이더넷으로 구성되는 것을 특징으로 하는 마그네토 레지스터 전류 센서 기반 전동기 고장 학습에 의한 온라인 고장 진단 시스템,
According to claim 1,
The communication circuit is an online fault diagnosis system by magneto-resistor current sensor-based motor fault learning, characterized in that consisting of Bluetooth, Wi-Fi, and Ethernet,
Machine learning 기술을 탑재한 신경망 회로는 time frequency representation (TFR) 방식을 적용하는 것을 특징으로 하는 마그네토 레지스터 전류 센서 기반 전동기 고장 학습에 의한 온라인 고장 진단 시스템.
According to claim 1,
A neural network circuit equipped with machine learning technology applies a time frequency representation (TFR) method. An online fault diagnosis system by magneto-resistor current sensor-based motor fault learning.
패턴인식회로는 특정 주파수의 상승, 위상특성, 고조파 특성, 파형의 왜곡을 포함하는 전동기의 부분방전, 층간단락을 진단하는 것을 특징으로 하는 마그네토 레지스터 전류 센서 기반 전동기 고장 학습에 의한 온라인 고장 진단 시스템.
According to claim 1,
The pattern recognition circuit is characterized by diagnosing partial discharge and interlayer short circuit of the motor including the rise of a specific frequency, phase characteristics, harmonic characteristics, and waveform distortion. Online fault diagnosis system by magneto-resistor current sensor-based motor fault learning.
패턴인식회로는 전동기의 동작 시작 시점에 발생하는 전류 패턴을 인식하여 고장별 시작시점을 산출하는 것을 특징으로 하는 마그네토 레지스터 전류 센서 기반 전동기 고장 학습에 의한 온라인 고장 진단 시스템.
According to claim 1 or 5,
The pattern recognition circuit recognizes the current pattern occurring at the start of the operation of the motor and calculates the start point for each failure.
전류센서는 DC 5~10V의 전압을 인가하여 내부의 마그네토 레지스티브 소자의 저항 값이 변화되도록 인가한 전압과 소자에 흐르는 전류 정보를 기반으로 전류의 패턴을 이미지화하는 것을 특징으로 하는 마그네토 레지스터 전류 센서 기반 전동기 고장 학습에 의한 온라인 고장 진단 시스템.
According to claim 1,
The current sensor is a magneto-resistor current sensor characterized by applying a voltage of DC 5 to 10V to image a pattern of current based on the voltage applied so that the resistance value of the internal magneto-resistive element is changed and current information flowing through the element. Online failure diagnosis system by based motor failure learning.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210156976A KR20230070917A (en) | 2021-11-15 | 2021-11-15 | Electric motor failure online diagnosis system by Machine learning based magneto register current sensor |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210156976A KR20230070917A (en) | 2021-11-15 | 2021-11-15 | Electric motor failure online diagnosis system by Machine learning based magneto register current sensor |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230070917A true KR20230070917A (en) | 2023-05-23 |
Family
ID=86544819
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210156976A KR20230070917A (en) | 2021-11-15 | 2021-11-15 | Electric motor failure online diagnosis system by Machine learning based magneto register current sensor |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230070917A (en) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110115774A (en) | 2010-04-16 | 2011-10-24 | 한국원자력연구원 | The method for preperation of magneto resistance material enhanced with giant magneto impedence and magneto resistance material thereby |
| KR101492825B1 (en) | 2007-10-02 | 2015-02-12 | 아이치 세이코우 가부시키가이샤 | Magneto-impedance element and magneto-impedance sensor |
-
2021
- 2021-11-15 KR KR1020210156976A patent/KR20230070917A/en not_active Application Discontinuation
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101492825B1 (en) | 2007-10-02 | 2015-02-12 | 아이치 세이코우 가부시키가이샤 | Magneto-impedance element and magneto-impedance sensor |
| KR20110115774A (en) | 2010-04-16 | 2011-10-24 | 한국원자력연구원 | The method for preperation of magneto resistance material enhanced with giant magneto impedence and magneto resistance material thereby |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shi et al. | Rolling bearing initial fault detection using long short-term memory recurrent network | |
| Safizadeh et al. | Using multi-sensor data fusion for vibration fault diagnosis of rolling element bearings by accelerometer and load cell | |
| CN107238507B (en) | Industrial equipment fault prediction method based on deep learning | |
| CN110647133A (en) | Rail transit equipment state detection maintenance method and system | |
| CN111737909B (en) | Structural health monitoring data anomaly identification method based on space-time graph convolutional network | |
| JP6374466B2 (en) | Sensor interface device, measurement information communication system, measurement information communication method, and measurement information communication program | |
| CN107526329A (en) | Robot management system based on artificial intelligence design | |
| US20090121869A1 (en) | Access monitoring and control system and method | |
| CN113657221A (en) | Power plant equipment state monitoring method based on intelligent sensing technology | |
| CN109255201B (en) | SOM-MQE-based ball screw pair health assessment method | |
| CN117235653B (en) | Power connector fault real-time monitoring method and system | |
| CN110553789A (en) | state detection method and device of piezoresistive pressure sensor and brake system | |
| Dennler et al. | Online detection of vibration anomalies using balanced spiking neural networks | |
| JP4412306B2 (en) | Abnormality determination method and abnormality determination device | |
| KR20210006832A (en) | Method and apparatus for machine fault diagnosis | |
| KR20210050274A (en) | Equipment failure prediction system and method | |
| CN108333443B (en) | Method for alarming intermittent defects of power equipment | |
| KR102392951B1 (en) | Equipment failure prediction system having multi-channel sensors for receiving acoustic signals in the ultrasonic band | |
| KR20230070917A (en) | Electric motor failure online diagnosis system by Machine learning based magneto register current sensor | |
| CN112528227A (en) | Sensor abnormal data identification method based on mathematical statistics | |
| CN117630797A (en) | Ammeter health state detection method, system and storage medium based on working current | |
| Li et al. | Meteorological radar fault diagnosis based on deep learning | |
| WO2015178820A1 (en) | A method and device for determining properties of a bearing | |
| KR20230070919A (en) | Microcurrent online monitoring system using magneto register-based current transducers | |
| CN103868747A (en) | Structural damage recognition system and recognition method based on time series symbolization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |