KR20230095386A - 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템 - Google Patents
초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템 Download PDFInfo
- Publication number
- KR20230095386A KR20230095386A KR1020210184806A KR20210184806A KR20230095386A KR 20230095386 A KR20230095386 A KR 20230095386A KR 1020210184806 A KR1020210184806 A KR 1020210184806A KR 20210184806 A KR20210184806 A KR 20210184806A KR 20230095386 A KR20230095386 A KR 20230095386A
- Authority
- KR
- South Korea
- Prior art keywords
- partial discharge
- noise
- deep learning
- neural network
- convolutional neural
- Prior art date
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005259 measurement Methods 0.000 title claims abstract description 25
- 238000003745 diagnosis Methods 0.000 title claims abstract description 20
- 208000028659 discharge Diseases 0.000 claims abstract description 160
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 48
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 18
- 238000007667 floating Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 5
- 238000002604 ultrasonography Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 239000012212 insulator Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 239000004020 conductor Substances 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 239000011800 void material Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010200 validation analysis 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1209—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using acoustic measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—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 of components, parts or materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/14—Circuits therefor, e.g. for generating test voltages, sensing circuits
-
- G—PHYSICS
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
본 발명은 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템에 관한 것으로, 초음파 카메라에서 측정된 부분방전 아크 소음을 입력 받는 데이터 입력부; 상기 아크 소음의 신호를 하나의 주기에 대해서 적층하여 출력한 그래프인 위상기반 그래프를 구성하는 데이터 전처리부; 및 아크소음 분류부가 소음 샘플을 이용해 딥러닝(Deep Learning) 학습한 합성곱 신경망을 이용해, 상기 위상기반 그래프의 부분방전 아크 소음의 종류를 분류하여 예측하는 딥러닝 예측부;를 포함하여 구성된다.
Description
본 발명은 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템에 관한 것으로, 보다 상세하게는 보다 간편하게 부분방전의 종류를 진단할 수 있는 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템에 관한 것이다.
발전소에서 산업체나 가정에 전기를 공급하기 위해서는 송전탑, 변전소 등 많은 과정을 거치게 되며 이러한 과정에서 고전압을 다루는 장비는 지속적인 전기충격으로 인하여 부품을 구성하는 재료의 내부나 외부에 손상이 생겨 부분 방전(PD, Partial Discharge)이 발생한다. 부분방전은 불완전한 전기방전으로 절연체사이 혹은 절연체와 도체사이에서 다양한 형태로 발생하며 장비의 노후화와 절연파단을 일으켜 화재나 단전의 주된 원인이 되기도 한다. 따라서 예측하지 못한 단전으로 인한 사회적 비용을 줄이기 위해서는 송 배전과 관련된 전기시설이나 장비는 주기적으로 점검하여 부품교체나 수리를 수행해야 한다.
부분방전을 검출하는 일반적인 방법은 전선에 직접 센서를 부착하는 방법이 가장 정확하나 측정대상이 넓은 지역에 분포하며 더욱이 도 1과 같이 높은 위치에 놓인 송전탑 등은 접근이 용이하지 않은 불편함이 있다. 따라서 최근에는 부분방전 시 공기의 압력변동으로 발생하는 아크소음(arc noise)을 근거리에서 마이크폰(microphone)으로 측정하는 방법이 편리하지만 측정거리에 따라 신호의 강도가 달라지며 교류신호와의 동기화를 사용할 수 없어 진단의 정밀도가 낮아지는 단점이 있다.
부분 방전은 불완전한 전기방전으로 절연체사이 혹은 절연체와 도체사이에서 발생한다. 절연은 고체, 액체, 기체 그리고 어느 조합으로도 가능하므로 부분방전의 종류는 매우 다양하다. 일반적으로 절연물 내부의 공극(void)이나 균열로 생겨나는 Void PD, Tree PD 그리고 비균질 기체 절연에서 발생하는 Corona PD, 도전성 물질과 전극사이에서 발생하는 Floating PD, 절연물의 경계에서 발생하는 Surface PD 등으로 분류할 수 있다.
부분방전 신호는 일반적으로 HFCT (High Frequency Current Transformer), 커플링 캐퍼시터(coupling capacitor) 등 전자기 방식의 센서를 이용하여 신호의 크기를 측정하고 이를 도 2와 같이 교류 원신호와 동기화를 시키면 위상기반 그래프를 얻을 수 있다. 즉 60 Hz의 교류신호가 주기적으로 가해지므로 반복된 방전형태가 1/60 초의 간격으로 나타난다. 그리고 부분방전 조건에 따라 즉 재료의 특성이나 경계조건 등에 따라 고유한 위상기반 신호형태를 얻을 수 있으므로 이를 이용해서 부분방전의 종류를 분류할 수 있다.
고전압이 흐르는 전선에 전자기방식 센서를 부착하는 방법은 설치의 불편함과 전자기 간섭(interference)이 존재하여 다른 대안으로 부분방전 시 발생하는 진동을 고전압장비 외부 표면에서 진동센서로 측정하는 방법과 공기를
통해서 전달된 진동 음파를 마이크폰을 이용해서 측정하는 방법이 제시되었다. 부분방전이 발생한 지점에서 장비 외부 표면까지 연결된 구성부품을 통해서 전달되는 미세진동 신호는 전원과의 동기화도 가능하고 측정 감도(sensitivity)도 높일 수 있다. 반면에 부분방전 시 발생하는 아크로 인한 공기진동을 원격에서 마이크폰을 이용하여 측정하는 방법은 어느 위치에서도 용이하게 신호를 측정할 수 있는 장점이 있으나 주변소음과 비교할 때 측정거리가 멀어지면 방전소음 신호의 크기가 작아지고 전원과의 동기화도 수행할 수 없는 단점이 존재한다.
신경망을 이용한 딥러닝기술이 데이터 통계적 분석에 다양하게 사용됨에 따라 해당기술이 부분방전 신호처리에도 적용되고 있다. 센서에서 측정된 시간에 대한 부분방전 신호를 순환신경망을 이용해서 학습하여 부분방전의 종류를 분류하거나, 부분방전으로 인한 진동신호를 SDFT (Short Duration Fourier Transform) 과정으로 계산된 주파수에 대한 신호형태를 학습하여 부분방전의 종류를 분류하였다. 그리고 전원과 동기화가 가능할 경우 분석성능이 높은 위상 기반 부분방전 신호형태를 학습하여 부분방전의 종류를 분류하였으나, 부분방전의 아크소음을 이용하는 측정방법의 경우에는 추가적인 신호처리과정 없이 다수의 마이크폰에서 측정한 원신호를 학습하여 부분방전의 위치만을 예측할 수 있는 단점이 있었다.
본 발명은 전술한 문제를 해결하기 위해 안출된 것으로서, 본 발명에 따르면 고전압 전기장비의 부분방전으로 인한 단전피해를 줄이기 위해서 사용이 간편한 진단방법을 제시하고자 한다. 보다 상세하게는, 센서를 고전압 전선에 직접 부착방식이 아니라 원거리에서 안전하게 마이크를 이용하여 부분방전으로 발생하는 아크소음을 측정하고, 측정된 신호를 위상기반 그래프 형태로 변환한 후 학습된 인공지능을 통해서 부분방전의 발생여부와 부분방전의 종류를 예측할 수 있도록 하고자 한다.
또한, 본 발명에 따른 부분방전 진단 시스템을 소음을 측정하는 휴대용 초음파카메라에 탑재하여, 가스검침원과 같이 비전문가도 초음파카메라를 휴대하고 부분방전 검사를 수행할 수 있도록 하여, 보다 넓은 지역에 분포한 고전압 시설들의 진단검사를 효과적으로 수행할 수 있도록 하고자 한다.
전술한 문제를 해결하기 위한 본 발명의 일실시예에 따른 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템은 초음파 카메라에서 측정된 부분방전 아크 소음을 입력 받는 데이터 입력부; 상기 아크 소음의 신호를 하나의 주기에 대해서 적층하여 출력한 그래프인 위상기반 그래프를 구성하는 데이터 전처리부; 및 아크소음 분류부가 소음 샘플을 이용해 딥러닝(Deep Learning) 학습한 합성곱 신경망을 이용해, 상기 위상기반 그래프의 부분방전 아크 소음의 종류를 분류하여 예측하는 딥러닝 예측부;를 포함하여 구성된다.
본 발명의 다른 일실시예에 따르면, 상기 합성곱 신경망은 1차원 합성곱 신경망을 3개로 적층하여 구성하고, 각 1차원 합성곱 신경망은 1600개 전체 위상 범위에서 지역적인 형태를 추출하기 위해서 각 합성곱 신경망층에 연속해서 최대 풀링(maximum pooling) 층을 적층하며, 각 상기 합성곱 신경망 층은 relu(rectified linear unit) 활성화 함수를 사용하고 마지막 층만 분류(classification)를 하기 위해서 활성화함수로 softmax를 사용하여 합성곱 신경망을 구성할 수 있다.
본 발명의 다른 일실시예에 따르면, 표면 부분 방전(Surface Partial Discharge) 소음, 코로나 부분 방전(Corona Partial Discharge) 소음, 부동 부분 방전(Floating Partial Discharge) 소음, 기계 소음 및 사람 소음을 이용해 상기 합성곱 신경망을 딥러닝 학습하는 딥러닝 학습부;를 더 포함할 수 있다.
본 발명의 다른 일실시예에 따르면, 상기 딥러닝 예측부는 상기 아크소음 분류부가 소음 샘플을 이용해 딥러닝(Deep Learning) 학습한 합성곱 신경망을 사용하여, 상기 위상기반 그래프를 표면 부분 방전(Surface Partial Discharge) 소음, 코로나 부분 방전(Corona Partial Discharge) 소음, 부동 부분 방전(Floating Partial Discharge) 소음, 기계 소음 또는 사람 소음으로 분류하여 예측할 수 있다.
본 발명 일실시예에 따른 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 방법은 데이터 입력부가 초음파 카메라에서 측정된 부분방전 아크 소음을 입력 받는 데이터 입력 단계; 데이터 전처리부가 상기 아크 소음의 신호를 하나의 주기에 대해서 적층하여 출력한 그래프인 위상기반 그래프를 구성하는 데이터 전처리 단계; 및 딥러닝 예측부가 소음 샘플을 이용해 딥러닝(Deep Learning) 학습한 합성곱 신경망을 이용해, 상기 위상기반 그래프의 부분방전 아크 소음의 종류를 분류하여 예측하는 딥러닝 예측 단계;를 포함하여 구성될 수 있다.
본 발명의 다른 일실시예에 따르면, 상기 딥러닝 예측 단계의 이전에, 상기 합성곱 신경망은 1차원 합성곱 신경망을 3개로 적층하여 구성하고, 각 1차원 합성곱 신경망은 1600개 전체 위상 범위에서 지역적인 형태를 추출하기 위해서 각 합성곱 신경망층에 연속해서 최대 풀링(maximum pooling) 층을 적층하며, 각 상기 합성곱 신경망 층은 relu(rectified linear unit) 활성화 함수를 사용하고 마지막 층만 분류(classification)를 하기 위해서 활성화함수로 softmax를 사용하여 합성곱 신경망을 구성하는 합성곱 신경망 구성 단계;를 더 포함할 수 있다.
본 발명의 다른 일실시예에 따르면, 상기 딥러닝 예측 단계의 이전에, 딥러닝 학습부가 표면 부분 방전(Surface Partial Discharge) 소음, 코로나 부분 방전(Corona Partial Discharge) 소음, 부동 부분 방전(Floating Partial Discharge) 소음, 기계 소음 및 사람 소음을 이용해 상기 합성곱 신경망을 딥러닝 학습하는 딥러닝 학습 단계;를 더 포함할 수 있다.
본 발명의 다른 일실시예에 따르면, 상기 딥러닝 예측 단계는 상기 딥러닝 예측부가 소음 샘플을 이용해 딥러닝(Deep Learning) 학습한 합성곱 신경망을 사용하여, 상기 위상기반 그래프를 표면 부분 방전(Surface Partial Discharge) 소음, 코로나 부분 방전(Corona Partial Discharge) 소음, 부동 부분 방전(Floating Partial Discharge) 소음, 기계 소음 또는 사람 소음으로 분류하여 예측할 수 있다.
본 발명에 따르면 고전압 전기장비의 부분방전으로 인한 단전피해를 줄이기 위해서 사용이 간편한 진단방법을 제시할 수 있다. 보다 상세하게는, 센서를 고전압 전선에 직접 부착방식이 아니라 원거리에서 안전하게 마이크를 이용하여 부분방전으로 발생하는 아크소음을 측정하고, 측정된 신호를 위상기반 그래프 형태로 변환한 후 학습된 인공지능을 통해서 부분방전의 발생여부와 부분방전의 종류를 예측할 수 있다.
또한, 본 발명에 따른 부분방전 진단 시스템을 소음을 측정하는 휴대용 초음파카메라에 탑재할 경우, 가스검침원과 같이 비전문가도 초음파카메라를 휴대하고 부분방전 검사를 수행할 수 있으므로, 보다 넓은 지역에 분포한 고전압 시설들의 진단검사를 효과적으로 수행할 수 있다.
도 1은 송전탑에서의 부분방전 발생을 설명하기 위한 도면이다.
도 2는 부분방전 위상기반 그래프의 측정원리를 설명하기 위한 도면이다.
도 3은 본 발명의 일실시예에 따른 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템의 구성도이다.
도 4는 본 발명의 일실시예에 따른 부분방전 실험을 위한 시편을 도시한 도면이다.
도 5는 본 발명의 일실시예에 따른 부분방전으로 인한 아크소음의 신호 형태를 도시한 그래프이다.
도 6은 본 발명의 일실시예에 따른 부분방전의 위상기반 그래프이다.
도 7은 본 발명의 일실시예에 따른 위상축 이동에 의해 변화된 위상기반 그래프이다.
도 8 및 도 9는 각각 공기압축기와 생활소음 중 사람 음성의 원소음 신호와 위상기반 그래프이다.
도 10은 본 발명의 일실시예에 따른 훈련용 샘플과 검증샘플의 손실함수를 도시한 그래프이다.
도 11은 본 발명의 일실시예에 따른 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 방법을 설명하기 위한 흐름도이다.
도 2는 부분방전 위상기반 그래프의 측정원리를 설명하기 위한 도면이다.
도 3은 본 발명의 일실시예에 따른 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템의 구성도이다.
도 4는 본 발명의 일실시예에 따른 부분방전 실험을 위한 시편을 도시한 도면이다.
도 5는 본 발명의 일실시예에 따른 부분방전으로 인한 아크소음의 신호 형태를 도시한 그래프이다.
도 6은 본 발명의 일실시예에 따른 부분방전의 위상기반 그래프이다.
도 7은 본 발명의 일실시예에 따른 위상축 이동에 의해 변화된 위상기반 그래프이다.
도 8 및 도 9는 각각 공기압축기와 생활소음 중 사람 음성의 원소음 신호와 위상기반 그래프이다.
도 10은 본 발명의 일실시예에 따른 훈련용 샘플과 검증샘플의 손실함수를 도시한 그래프이다.
도 11은 본 발명의 일실시예에 따른 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 방법을 설명하기 위한 흐름도이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.
또한, 명세서 전체에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다. 또한, 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하나 이상의 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 조합으로 구현될 수 있음을 의미한다.
본 발명에서는 아크 소음신호를 분석하여 부분방전의 진단을 전문가의 도움 없이도 자율적으로 예측할 수 있는 기능을 딥러닝 방법을 이용하여 구현한다. 인공지능 학습에 필요한 부분방전 데이터를 확보하기 위해 실험실환경에서 다양한 부분방전 실험을 수행하였다. 그리고 아크 소음신호의 특성을 형상화하기 위해서 위상기반(phase resolved) 신호처리기법을 적용한 후 이를 신경망의 입력으로 사용하였다.
신경망은 위상기반 신호의 형태를 학습하기 용이하도록 합성곱 신경망(CNN, Convolution Neural Network)으로 구현하였으며 실제 환경에서의 응용을 위해서 데이터 학습 시 기계소음과 사람음성과 같은 비주기적인 생활소음을 포함하여 학습하도록 하였다.
이를 통해 본 발명에서는 부분방전 진단에 있어서 측정의 편리성을 가지면서 위상기반 그래프의 우수한 분석기능을 그대로 활용할 수 있는 딥러닝(deep learning) 기법을 제시한다. 이를 위해서 상대적으로 부분방전 아크소음이 생활소음에 비해서 큰 크기를 가지는 초음파영역까지 측정할 수 있는 마이크폰 센서를 가지고 부분방전 아크소음을 측정한다. 그리고 측정된 신호를 이용해서 전원과의 동기화를 하지 않고 위상 기반 신호형태를 계산한 후 이를 합성곱 신경망의 입력으로 사용하고 출력으로 부분방전의 종류를 예측하도록 지도방식의 딥러닝 기법을 적용한다.
도 3은 본 발명의 일실시예에 따른 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템의 구성도이고, 도 4 내지 도 9는 본 발명의 일실시예에 따른 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템을 설명하기 위한 도면이다.
본 발명의 일실시예에 따른 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템(100)은 서버, 컴퓨터 단말, 전용 장치 또는 하나의 모듈로 구성될 수 있다.
도 3을 참조하면, 본 발명의 일실시예에 따른 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템(100)은 데이터 입력부(110), 데이터 전처리부(120), 딥러닝 학습부(130) 및 딥러닝 예측부(140)를 포함하여 구성될 수 있다.
실제 송배전 시설에서 원하는 종류의 부분방전을 측정하기 어렵기 때문에, 본 발명의 일실시예에 따르면 부분방전의 데이터를 설정된 실험실 환경에서 구할 수 있다.
도 4는 본 발명의 일실시예에 따른 부분방전 실험을 위한 시편을 도시한 도면이다.
먼저 도 4와 같이 세 가지 종류의 부분방전으로서 표면 부분 방전(surface PD: Surface Partial Discharge), 코로나 부분 방전(corona PD: Corona Partial Discharge), 부동 부분 방전(floating PD: Floating Partial Discharge)이 발생하도록 시편을 설계 제작하였다. 그리고 시편을 고전압 발 생장치에 연결한 후 1 kV 이상 전압영역에서 지속적으로 부분방전이 발생하도록 하였다. 아크소음은 도 1에서와 같이 시각적으로 소음의 위치가 표시되는 기능을 가진 BatCam(에스엠인스트루먼트사, 한국) 초음파카메라를 이용하여 방전시편에서 50 cm 떨어진 지점에서 측정하였다.
도 5는 본 발명의 일실시예에 따른 부분방전으로 인한 아크소음의 신호 형태를 도시한 그래프이다.
도 5에서와 같이 측정된 아크 소음신호의 크기를 1초 동안 시간 축에 대해서 출력한 그림으로 피크가 나타난 시간에 부분 방전이 발생하고 있다. 세 가지 종류의 부분방전이 서로 다른 특성을 보여주고 있으며 surface PD가 1초에 120회 정도의 피크를 보여주는 반면 corona PD와 floating PD는 1초에 60회 정도의 피크를 보여주고 있다. 피크가 발생하는 부분을 0.002초의 구간으로 확대하면 하나의 피크는 보다 빠른 주파수의 정현파가 지수적으로 커졌다가 작아지는 파형으로 나타난다. 그리고 floating PD의 경우 다른 종류의 신호에 비해 각 피크마다 크기가 다른 것을 보여주고 있다.
상기 데이터 입력부(110)는 이와 같이 초음파 카메라에서 측정된 부분방전 아크 소음을 입력 받는다.
도 6은 본 발명의 일실시예에 따른 부분방전의 위상기반 그래프이다.
상기 데이터 전처리부(120)는 상기 아크 소음의 신호를 하나의 주기에 대해서 적층하여 출력한 그래프인 위상기반 그래프를 구성한다.
부분방전은 교류전기에 의해 발생하므로 한 주기인 1/60초 마다 반복적인 특성을 보이며 이를 하나의 주기(위상으로는 360 degree)에 대해서 적층해서 출력한 그래프를 위상 기반(phase resolved) 그래프라 지칭하며, 도 5에서 보여준 소음신호를 동일한 방법으로 한 주기의 위상축(1/60초가 360 degree 해당)에 맞추어 표시하면 도 6에 도시된 바와 같다. 초음파 카메라의 소음측정 주파수가 96 kHz이므로 60 Hz의 교류에 대해서 계산하면 위상축 눈금(slot) 갯수는 1600개다. 그리고 도 6은 모든 신호 데이터의 크기를 표시하는 기존의 위상기반 그래프와는 다르게 각 위상축 눈금위치에 해당하는 신호크기들의 (1초 동안 측정했다면 60개의 데이터) 평균값을 표시하였으며 위상기반 그래프 출력을 위한 계산과 정은 LabVIEW 프로그램을 이용하여 코딩하였다.
도 6의 아크소음의 위상기반 그래프의 형태를 살펴보면 surface PD의 경우 한 주기 동안 큰 피크 하나와 작은 피크 하나가 생성이 된다. 즉 교류의 양의 영역과 음의 영역에서 각각 하나의 방전피크가 생성된 것으로 분석된다. Corona PD의 경우 하나의 피크만 발생하였으며 floating PD의 경우 두 개의 피크가 발생하나 피크의 형태가 surface PD의 피크 형태와는 구분되게 다른 것을 알 수 있다.
도 7은 본 발명의 일실시예에 따른 위상축 이동에 의해 변화된 위상기반 그래프이다.
앞서 설명한 바와 같이, 아크소음으로 부분방전의 크기를 출력하면 위상을 동기화할 수 없으므로 실험에서 얻어진 데이터를 가지고 위상기반 그래프를 구하면, 도 7과 같이 동일한 부분방전의 실험장치에서 서로 다른 위상기반 그래프가 얻어진다. 그러나 동기화가 수행되지 않아 위상이 일치하지 않을 뿐 그래프 모양을 위상축에 대해 평행이동 하면 동일한 모양으로 겹쳐질 수 있음을 알 수 있다. 따라서 본 발명에서는 위상의 절대위치에 따른 신호크기의 형태로 부분방전을 분류하기보다는 지역적인 신호의 모양을 학습하여 부분방전의 종류를 분류하고자 한다.
이를 위해서 본 발명에서는 데이터들의 지역적 형태를 학습하는데 효과적인 합성곱 신경망을 이용하였다. 즉 얼굴 인식 인공지능이 카메라에 촬영된 얼굴이 화면 상하좌우 어느 위치에 포착되어도 눈, 코 등 얼굴의 지역적 형태로 해당 사람이 누구인지 인식하듯이 아크소음의 위상기반 그래프의 형태를 신경망의 입력으로 하여 학습한 후 부분방전의 종류를 인식하도록 한다.
동기화가 되지 않은 부분방전 위상기반 그래프의 형태를 효과적으로 학습하기 위해서 1D 합성곱 신경망을 3개로 적층하였다. 첫 번째 층의 신경망 입력은 1600개의 위상축 눈금(slot)에 대한 소음신호의 크기 값이 되어야 하므로 1600의 원소를 가진 벡터가 된다. 실제 학습 시 빠른 최적화를 위해 16개의 입력 벡터가 배치(batch) 방식으로 행렬로 입력된다.
그리고 1600개(96 kHz 샘플링으로 측정시; 96 kHz/60 Hz = 1600) 전체 위상 범위에서 지역적인 형태를 추출하기 위해서 각 합성곱 신경망층에 연속해서 최대 풀링(maximum pooling) 층을 적층하였다. 각 신경망 층은 relu(rectified linear unit) 활성화 함수를 사용하였으며 마지막 층만 분류(classification)를 하기 위해서 활성화함수로 'softmax'를 사용하였다. 신경망의 출력은 세 개의 부분방전 종류(surface PD, corona PD, floating PD)를 예측하는 것으로 실제 응용을 위해서 방전이 발생하지 않는 경우도 고려하였다.
상기 딥러닝 학습부(130)는 표면 부분 방전(Surface Partial Discharge) 소음, 코로나 부분 방전(Corona Partial Discharge) 소음, 부동 부분 방전(Floating Partial Discharge) 소음, 기계 소음 및 사람 소음을 이용해 상기 합성곱 신경망을 딥러닝 학습할 수 있다.
이를 위해서 먼저 주기적인 기계음을 내는 소음으로 공기압축기(compressor)의 소음을 측정하여 하나의 분류 군으로 학습하였으며 두 번째로 사람 발소리, 사람 음성, 스마트폰에서 나오는 소음을 합쳐서 비주기적인 생활소음으로 분류 군을 설정하여 학습하였다.
상기 딥러닝 예측부(140)는 아크소음 분류부가 소음 샘플을 이용해 딥러닝(Deep Learning) 학습한 합성곱 신경망을 이용해, 상기 위상기반 그래프의 부분방전 아크 소음의 종류를 분류하여 예측한다.
도 8 및 도 9는 각각 공기압축기와 생활소음 중 사람 음성의 원소음 신호와 위상기반 그래프이다.
압축기의 경우 원신호 자체는 주기적인 특성을 보이나 위상 기반 그래프에는 백색잡음(white noise)과 같은 형태를 보이며 사람음성은 원신호는 비주기적인 형태이나 위상기반 그래프는 다른 소음과 구별되는 특성을 보여주고 있다.
따라서 제시한 인공지능의 목적은 부분방전 발생이 의심되는 환경에서 측정된 소음을 입력하였을 때 학습된 신경망을 통해서 5개의 소음 종류 중 하나를 예측하는 것이다. 즉 부분방전 발생 유무와 부분방전이 발생했다면 어느 종류인지를 예측하여 이에 맞는 수리방법을 준비하도록 하는 것이다.
[표 1]
[표 2]
표 1은 제안된 신경망의 층 구조와 관련 매개변수를 요약해서 보여주며 표 2는 딥러닝을 위해서 수집한 각 소음의 종류와 샘플의 개수이다. 전체 샘플은 설계한 신경망의 적절성 분석을 위해서 균등하게 훈련용, 검증용, 테스트용으로 3등분하였으며 실제 분류예측 성능은 테스트용 샘플만을 가지고 수행하였다. 딥러닝을 위한 코딩은 파이썬(python) 프로그램을 이용하고 텐서플로(tensorflow)를 기반으로 케라스(keras) 라이브러리를 사용하였다.
도 10은 본 발명의 일실시예에 따른 훈련용 샘플과 검증샘플의 손실함수를 도시한 그래프이다.
훈련용 샘플을 가지고 50번의 반복학습을 수행하면 손실함수가 도 10과 같이 최저로 수렴하는 것을 볼 수 있다.
훈련용 샘플과 검증용 샘플 모두 안정적인 수렴형태를 보이고 있어 과대적합의 특성을 보이고 있지 않다. 표 1에서 보듯이 전체 매개변수가 총 3,829개이고 훈련용 데이터의 개수도 940개로 비교적 작은 규모라서 GPU (RTX 2080Ti, Nvidia)를 장착한 PC (Intel Xeon CPU E5-2630; 64 GB RAM)에서 50회 정도의 학습횟수는 수 분 안에 완료할 수 있다.
이와 같이 상기 딥러닝 예측부(140)는 소음 샘플을 이용해 딥러닝(Deep Learning) 학습한 합성곱 신경망을 사용하여, 상기 위상기반 그래프를 표면 부분 방전(Surface Partial Discharge) 소음, 코로나 부분 방전(Corona Partial Discharge) 소음, 부동 부분 방전(Floating Partial Discharge) 소음, 기계 소음 또는 사람 소음으로 분류하여 예측할 수 있다.
[표 3]
훈련용 샘플로 학습을 하면서 검증용 샘플로 손실함수 변화를 검증한 후 테스트용 샘플로 부분방전 분류문제에 적용했을 때의 결과가 표 3에 기재되어 있다. 여기서 예측정확도를 계산할 때 사용된 용어는 다음과 같이 정의된다. 편리를 위해 분류 라벨(label)은 영문 대문자 A, B, C로 표시한다.
[수학식 1]
[수학식 2]
이때, TP (true positive)는 샘플 A를 A로 분류, FP (false positive): 샘플 B, C, .. 를 A로 분류, FN (false negative): 샘플 A를 B, C, .. 로 분류를 나타낸다.
따라서 정밀도(precision)는 예측된 결과가 실제로 맞는지를 나타내는 성능지표이며 재현율(recall)은 주어진 분류라벨을 실제로 찾아낼 수 있는 성능지표를 의미한다. 예를 들어 실제 corona PD의 소음 200개 입력되었을 때 이를 corona PD라고 맞게 판별한 것이 197개이며 나머지 3개는 다른 PD 혹은 주변소음으로 판별한 것이다. 그리고 corona PD가 아닌 다른 소음이 corona PD라고 잘못 판별한 것이 6개이다.
표 3에서 보듯이 제시한 예측모델을 이용할 경우 분류 정밀도의 경우 95% 이상 그리고 재현률의 경우 94% 이상의 우수한 성능을 보여주고 있다. 부분방전 분류 정밀도에 있어서는 surface PD가 다소 낮게 나타난 반면 재현률에 있어서는 가장 높게 나타났다. 그리고 도 6에서 같이 cornona PD가 피크가 하나인 뚜렷한 특징을 가지고 있어 정밀도와 재현률 모두에서 높은 성능을 보인 것으로 분석된다. 그리고 주변소음과 관련된 진단성능에 있어서 기계소음이 100% 정밀도와 재현률을 보이며 사람음성, 스마트폰 소음과 같은 비주기적 생활소음도 98% 이상의 성능을 보이고 있다. 따라서 제시한 부분방전 예측모델이 주변소음을 부분방전으로 오인할 가능성은 적을 것이다.
도 11은 본 발명의 일실시예에 따른 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 방법을 설명하기 위한 흐름도이다.
도 11을 참조하면, 먼저 데이터 입력부가 초음파 카메라에서 측정된 부분방전 아크 소음을 입력 받는다(S210).
이후, 데이터 전처리부가 상기 아크 소음의 신호를 하나의 주기에 대해서 적층하여 출력한 그래프인 위상기반 그래프를 구성한다(S220).
이후에는, 딥러닝 학습부가 합성곱 신경망을 구성하고 상기 합성곱 신경망을 딥러닝 학습시킬 수 있다(S230).
이때, 본 발명의 일실시예에 따르면, 상기 합성곱 신경망은 1차원 합성곱 신경망을 3개로 적층하여 구성하고, 각 1차원 합성곱 신경망은 1600개 전체 위상 범위에서 지역적인 형태를 추출하기 위해서 각 합성곱 신경망층에 연속해서 최대 풀링(maximum pooling) 층을 적층하며, 각 상기 합성곱 신경망 층은 relu(rectified linear unit) 활성화 함수를 사용하고 마지막 층만 분류(classification)를 하기 위해서 활성화함수로 softmax를 사용하여 합성곱 신경망을 구성할 수 있다.
상기 딥러닝 학습부는 상기 합성곱 신경망을 이용한 학습시에는 표면 부분 방전(Surface Partial Discharge) 소음, 코로나 부분 방전(Corona Partial Discharge) 소음, 부동 부분 방전(Floating Partial Discharge) 소음, 기계 소음 및 사람 소음을 이용해 상기 합성곱 신경망을 딥러닝 학습시킬 수 있다.
이후에는, 딥러닝 예측부가 소음 샘플을 이용해 딥러닝(Deep Learning) 학습한 합성곱 신경망을 이용해, 상기 위상기반 그래프의 부분방전 아크 소음의 종류를 분류하여 예측한다(S240).
이때, 상기 딥러닝 예측부가 소음 샘플을 이용해 딥러닝(Deep Learning) 학습한 합성곱 신경망을 사용하여, 상기 위상기반 그래프를 표면 부분 방전(Surface Partial Discharge) 소음, 코로나 부분 방전(Corona Partial Discharge) 소음, 부동 부분 방전(Floating Partial Discharge) 소음, 기계 소음 또는 사람 소음으로 분류하여 예측할 수 있다.
아울러, 본 발명의 일실시예에 따르면 부분 방전(Partial Discharge)의 종류를 추가로 전처리 및 학습하여 예측할 수 있다. 예를 들어, 딥러닝 학습부가 무효 부분 방전(Void Partial Discharge)의 소음을 이용해 상기 합성곱 신경망을 딥러닝 학습하고, 데이터 전처리부가 무효 부분 방전 소음을 전처리 및 학습하고, 이를 이용해 아크 소음의 종류로서 무효 부분 방전을 분류할 수 있다.
이와 같이 본 발명에서는 고전압 전기장비의 부분방전으로 인한 단전피해를 줄이기 위해서 사용이 간편한 진단방법을 제시할 수 있다. 즉, 센서를 고전압 전선에 직접 부착방식이 아니라 원거리에서 안전하게 마이크를 이용하여 부분방전으로 발생하는 아크소음을 측정하고, 측정된 신호를 위상기반 그래프 형태로 변환한 후 학습된 인공지능을 통해서 부분방전의 발생여부와 부분방전의 종류를 예측할 수 있다.
본 발명에 따르면 실제 실험실환경에서 측정된 다양한 부분방전 데이터와 주변환경 소음데이터를 이용하여 학습을 수행한 후 테스트 샘플에 대해서 분류를 수행한 결과 94% 이상의 분류정밀도와 재현률 성능을 보여주었다. 따라서 본 발명에 따른 부분방전 진단 시스템을 소음을 측정하는 휴대용 초음파카메라에 탑재할 경우, 가스검침원과 같이 비전문가도 초음파카메라를 휴대하고 부분방전 검사를 수행할 수 있으므로, 보다 넓은 지역에 분포한 고전압 시설들의 진단검사를 효과적으로 수행할 수 있다.
전술한 바와 같은 본 발명의 상세한 설명에서는 구체적인 실시예에 관해 설명하였다. 그러나 본 발명의 범주에서 벗어나지 않는 한도 내에서는 여러 가지 변형이 가능하다. 본 발명의 기술적 사상은 본 발명의 전술한 실시예에 국한되어 정해져서는 안 되며, 청구범위뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.
100: 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템
110: 데이터 입력부
120: 데이터 전처리부
130: 딥러닝 학습부
140: 딥러닝 예측부
110: 데이터 입력부
120: 데이터 전처리부
130: 딥러닝 학습부
140: 딥러닝 예측부
Claims (4)
- 초음파 카메라에서 측정된 부분방전 아크 소음을 입력 받는 데이터 입력부;
상기 아크 소음의 신호를 하나의 주기에 대해서 적층하여 출력한 그래프인 위상기반 그래프를 구성하는 데이터 전처리부; 및
아크소음 분류부가 소음 샘플을 이용해 딥러닝(Deep Learning) 학습한 합성곱 신경망을 이용해, 상기 위상기반 그래프의 부분방전 아크 소음의 종류를 분류하여 예측하는 딥러닝 예측부;
를 포함하는 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템.
- 청구항 1에 있어서,
상기 합성곱 신경망은,
1차원 합성곱 신경망을 3개로 적층하여 구성하고, 각 1차원 합성곱 신경망은 1600개 전체 위상 범위에서 지역적인 형태를 추출하기 위해서 각 합성곱 신경망층에 연속해서 최대 풀링(maximum pooling) 층을 적층하며, 각 상기 합성곱 신경망 층은 relu(rectified linear unit) 활성화 함수를 사용하고 마지막 층만 분류(classification)를 하기 위해서 활성화함수로 softmax를 사용하여 합성곱 신경망을 구성하는, 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템.
- 청구항 1에 있어서,
표면 부분 방전(Surface Partial Discharge) 소음, 코로나 부분 방전(Corona Partial Discharge) 소음, 부동 부분 방전(Floating Partial Discharge) 소음, 기계 소음 및 사람 소음을 이용해 상기 합성곱 신경망을 딥러닝 학습하는 딥러닝 학습부;
를 더 포함하는 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템.
- 청구항 1에 있어서,
상기 딥러닝 예측부는,
상기 아크소음 분류부가 소음 샘플을 이용해 딥러닝(Deep Learning) 학습한 합성곱 신경망을 사용하여, 상기 위상기반 그래프를 표면 부분 방전(Surface Partial Discharge) 소음, 코로나 부분 방전(Corona Partial Discharge) 소음, 부동 부분 방전(Floating Partial Discharge) 소음, 기계 소음 또는 사람 소음으로 분류하여 예측하는, 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210184806A KR20230095386A (ko) | 2021-12-22 | 2021-12-22 | 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210184806A KR20230095386A (ko) | 2021-12-22 | 2021-12-22 | 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230095386A true KR20230095386A (ko) | 2023-06-29 |
Family
ID=86946399
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210184806A KR20230095386A (ko) | 2021-12-22 | 2021-12-22 | 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230095386A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101789900B1 (ko) | 2014-09-19 | 2017-10-25 | 스미토모 덴키 고교 가부시키가이샤 | 부분 방전 계측 장치, 부분 방전 계측 방법, 및 프로그램 |
-
2021
- 2021-12-22 KR KR1020210184806A patent/KR20230095386A/ko not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101789900B1 (ko) | 2014-09-19 | 2017-10-25 | 스미토모 덴키 고교 가부시키가이샤 | 부분 방전 계측 장치, 부분 방전 계측 방법, 및 프로그램 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106323452B (zh) | 一种设备异音的检测方法及检测装置 | |
| CN111044621B (zh) | 一种基于声音品质及声学特征的无损检测***及方法 | |
| CN112085071A (zh) | 一种基于边缘计算的配电房设备故障分析预判方法及装置 | |
| CN115542099B (zh) | 一种在线gis局部放电检测方法和装置 | |
| CN115993511A (zh) | 一种局部放电类型高精度检测识别装置、方法和设备 | |
| CN110632484A (zh) | 一种基于elm的gis局部放电缺陷诊断分类***及方法 | |
| Han et al. | Acoustic emission intelligent identification for initial damage of the engine based on single sensor | |
| Hussain et al. | Review on partial discharge diagnostic techniques for high voltage equipment in power systems | |
| CN117630611B (zh) | 全带宽高频局放prpd谱图捕获生成方法及*** | |
| KR101177876B1 (ko) | 신경 회로망을 이용한 부분 방전 자동 분석 시스템 | |
| US11693041B2 (en) | Method for monitoring the electric insulation status of a piece of equipment for MV or HV electric systems | |
| KR20230095386A (ko) | 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템 | |
| Chang et al. | Assessment of the insulation status aging in power cable joints using support vector machine | |
| Kitani et al. | Brute-force analysis of insight of phase-resolved partial discharge using a CNN | |
| CN109917245B (zh) | 考虑相位差的超声检测局部放电信号模式识别方法 | |
| Koshekov et al. | Modernization of vibration analyzers based on identification measurements | |
| Bhukya et al. | Wavelet Aided Deep Neural Network for Classification of Partial Discharge Sources in Air Insulated Substations | |
| CN111624445A (zh) | 一种基于红外测温传感器的局放检测方法和*** | |
| Yu et al. | Research and application of intelligent diagnosis method of mechanical fault based on transformer vibration and noise and BP neural network | |
| Ge et al. | Research on intelligent diagnosis and recognition technology of GIS partial discharge data atlas based on deep learning | |
| Polisetty | Partial discharge classification using acoustic signals and artificial neural networks and its application in detection of defects in Ceramic insulators | |
| Yongxiang et al. | Gas-insulated switchgear (GIS) equipment mechanical fault detection based on feature learning of vibration signal images | |
| Khan | Partial Discharge defects recognition using different Neural Network Model in XLPE cable under the DC stress | |
| Gomes et al. | Active Learning for On-Line Partial Discharge Monitoring in Noisy Environments | |
| KR20200119532A (ko) | 부분방전 진단 및 위치 검출 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |