이 논문은 신경회로망을 기반으로 한 유도전동기의 고장 진단 기법을 제시한다. 제안된 기법은 고정자전류만을 측정하여 FFT 변환 후 진단 훈련을 위해 일반화한다. 정상, 베어링고장, 고정자 권선고장 그리고 회전자 엔드-링 고장을 갖는 모터로부터 학습데이터를 획득하고 여러 고장 유형을 진단한다. 더욱 효과적인 고장 진단을 위해, 전부하의 100％, 60％, 30％로 부하율을 변화시켜서 학습절차에 적용하였다. 실험 결과들은 제안된 방법이 오차 범위 0.56％∼0.04％와 같은 높은 진단 정밀도를 가지고 있어 실제 진단시스템에 적용 가능함을 보여주고 있다.
이 논문은 신경회로망을 기반으로 한 유도전동기의 고장 진단 기법을 제시한다. 제안된 기법은 고정자전류만을 측정하여 FFT 변환 후 진단 훈련을 위해 일반화한다. 정상, 베어링고장, 고정자 권선고장 그리고 회전자 엔드-링 고장을 갖는 모터로부터 학습데이터를 획득하고 여러 고장 유형을 진단한다. 더욱 효과적인 고장 진단을 위해, 전부하의 100％, 60％, 30％로 부하율을 변화시켜서 학습절차에 적용하였다. 실험 결과들은 제안된 방법이 오차 범위 0.56％∼0.04％와 같은 높은 진단 정밀도를 가지고 있어 실제 진단시스템에 적용 가능함을 보여주고 있다.
This paper presents a faults diagnosis technique of induction motors based on a neural network. Only stator current is measured, transformed by using FFT and normalized for the training. Healthy, bearing fault, stator fault and rotor end-ring fault motors are prepared to obtain the learning data and...
This paper presents a faults diagnosis technique of induction motors based on a neural network. Only stator current is measured, transformed by using FFT and normalized for the training. Healthy, bearing fault, stator fault and rotor end-ring fault motors are prepared to obtain the learning data and diagnose the several faults. For more effective diagnosis, the load rate is changed by 100%, 60%, 30% of full load and the obtained are applied to the teaming process. The experimental results show the proposed method is very detectable and applicable to the real diagnosis system.
This paper presents a faults diagnosis technique of induction motors based on a neural network. Only stator current is measured, transformed by using FFT and normalized for the training. Healthy, bearing fault, stator fault and rotor end-ring fault motors are prepared to obtain the learning data and diagnose the several faults. For more effective diagnosis, the load rate is changed by 100%, 60%, 30% of full load and the obtained are applied to the teaming process. The experimental results show the proposed method is very detectable and applicable to the real diagnosis system.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 논문은 유도전 동기의 고장 중 가장 발생빈도가 높은 베어링, 고정자 권선, 회전자 고장들에 대하여 고정자 전류를 이용한 신경회로망을 통한 고장검출과 진단의 가능성을 제시하였다.
본 연구에서는 유도전 동기 입력 전류 스펙트럼의 인공 신경망 학습을 통한 고장 검출 및 진단방법을 제시하였다. 베어링 고장, 고정자 권선고장, 회전자 엔드■ 링 고장 및 정상의 유도전동기를 준비하여 고장 검출 및 진단 실험을 통하여 본 시스템의 유용성을 증명하였고 다음의 결론을 얻었다.
제안 방법
(2) 고장 검출을 위해 학습클러스터링 기법을 적용함으로써, 유도전 동기 부하 변동에 영향을 받지 않는 고장 검출기법을 제시하였다.
각 패턴당 최소 200번에서 최대 2, 000번까지 학습을 수행하였다. 학습횟수가 증가함에 따라 오차의 감소율은 점차 줄어들었으나, 성능과 횟수 사이에는 큰 차이가 없어 학습횟수른 500번으로 설정하였다.
또한, 전방향 연결선의 가중치를 학습하기 위해서는 위에서 설명한 알고리즘을 사용하여 입력값과 출력값을 쌍으로 주어 실제 출력의 차이가 어떤 한계값 이하로 될 때까지 반복하여 재귀적 연산이 이루어지게 한다. 결과적으로 가중치의 변화량은 식 ⑺와 같이 된다.
베어링 고장, 고정자 권선고장, 회전자 엔드■ 링 고장 및 정상의 유도전동기를 준비하여 고장 검출 및 진단 실험을 통하여 본 시스템의 유용성을 증명하였고 다음의 결론을 얻었다.
있다. 오차역 전파 알고리즘의 경우 그 학습절차가이미 수학적으로 알려져 있기 때문에閲, 본 논문에서는 이것을 범용 프로그래밍 언어인 C언어로 신경망 함수를 구성하여 해당 학습 수행에 적용하였다. 학습에 이용된 개략적 환경은 다음과 같다.
학습수행결과 제시되는 가중치 행렬을 토대로 실제 고장 발생 시 측정된 데이터를 실행시켜 보았다.
대상 데이터
대상 시스템의 고장 진단에 이용되는 네이터는 100Hz 대역에서 측정된 것으로 각각 400개의 샘플링수를 가지고 있으므로 0.25Hz 간격의 분석치를 가지게된다. 이 값들은 신경망 학습 및 실제 수행 시, 각각 하나의 입력 노드가 되어 결과적으로 총 400개의 측정값이 신경망 모델의 입력 노드로 구성되며, 이 값들은 신경망 학습 및 실제 수행 시 일정한 입력 범위를 가지기위해 노멀라이징(normalizing) 단계를 거친 후 입력이된다.
분석한 시스템고장에 관한 정보를 바탕으로 그림 2와 갇이 모두 4개의 출력값을 선정하였다. 학습은 오차역 전파 학습 알고리즘을 이용하였다.
성능/효과
(1) 유도전 동기 고장 검출 및 진단을 위하여, 입력전류만을 이용함으로써 진동센서 같은 별도의 추가적인 하三웨어 없이 유도전 동기 고장 검출 및 진단이 가능하다.
(3)가 장 고장빈도가 많은 3가지 전동기 고장을 인공신경망을 이용하여 확실하게 고장을 진단할 수 있었다.
9까지 변화시키면서 살펴보았다. 값이 증가할수록 오차는 감소하였으나 값이 커질 수록학습 결과가 불일치함을 보였다. 특히 full load에 대한정보만으로 학습률 0.
0으로 설정하였다. 은닉층의 수는 1〜2까지 변화시켜 보았으며 학습 결과 은닉층이 1개일 경우는 학습이 제대로 수행되지 않았으나 2개의 은닉층에서는 학습이 수행되었으며 은닉층 노드 수의 경우 200 〜805, 20〜100로 변화시키면서 수행해본 결과 가장 양호한 응답은 600, 50개일 경우였으며 경우에따라서 노三수의 증감에 따라 출력에러가 변하였다.
후속연구
앞으로 인공신경망의 데이터 적용과 파라미터 설정의 유연성의 부제와, 고정된 지식을 스스로 보완해 나갈 수 있는 지능적 시스템의 연구개발이 이루어진다면 시스템의 고장 진단에 대한 신뢰도를 높일 수 있을 것으로 기대된다.
참고문헌 (8)
P. Vas, Parameter Estimation, Condition Monitoring, and Diagnosis of Electrical Machines, Oxford Science Publications, 1993
R. R. Schoen, B. K. Lin, T. G. Habetler, J. H. Schlag, S. Farag, 'An Unsupervised On-Line System for Induction Motor Fault Detection Using Stator Current Monitoring', IEEE Trans. Industry Application, vol. 31, no. 6, pp. 1280-1286, 1995
Mo-yuen Chow, Robert N, Sharpe, and James C,Hung, 'On the Application and Design of Artificial Neural Networks for Motor Fault Detection-PartⅠ', IEEE Tran sactions on Industrial Electronics, vol. 40, No.2, April. 1993
Randy R. Schoen, Thomas G. Gabetler, Farrukh Kamran, and Robert G. Bartheld, 'Motor Bearing Damage Detection Using Stator Current Monitoring', IEEE Trans. on Industry Applications, Vol. 31, No. 6, November/December, 1995
J. Penman, H. G. Sedding, and W. T. Fink, 'Detection and Location of Interturn Short Circuits in The Stator Winding of Operation Motors', IEEE Trans. on Energy Conversion, vol. 9, No. 4, December, 1994
Chin-Teng Lin&C.S. George Lee, 1996, 'Neural Fuzzy systems', Prentice-Hall
B.K.N. RAO. 1996, 'Handbook of Condition Monitoring', Elsevier Advanced Technology
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.