선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 따라서, 본 논문에서는 선형판별분석(LDA : linear discriminant analysis)기법을 이용하여 노이즈가 존재하는 환경하에서도 강인한 고장검출을 할 수 있는 유도전동기의 특징추출기법 및 진단알고리즘을 제안하고자 한다. 여기서, 유도전동기의 진단 종류는 정상적인 상태, 회전자 봉의 파손 상태, 회전 자축이 휘어진 상태, 정적편심 상태 및 동적편심 상태 등 6가지의 유도 전동기의 운전상태를 진단한다.
- 본 논문에서는 LDA을 이용한 유도전동기의 고장 상태 진단기법을 제안하였다. 제안된 기법에서는 입력전류를 PCA기법에 의해 차원을 축소한 후 LDA 기법에 의해 특징올 추출하였다.
제안 방법
- 제안된 기법에서는 입력전류를 PCA기법에 의해 차원을 축소한 후 LDA 기법에 의해 특징올 추출하였다. 고장상태를 분류하기 위한 진단부에서는 훈련과정에서 확보된 고장 종류별 특징벡터와 운전시 입력되는 특징벡터간의 유클리디안 거리를 이용하여 유도전동기의 운전상태를 진단하였다. 제안된 방법의 타당성을 보이기 위해 실험한 결과, 노이즈가 없거나 적은 경우 인식률이 100[%]로 우수한 결과를 나타냈다.
- 를 이용하여 산출한 후, 유클리디안 거리가 최소 인부분을 선택하여 유도 전동기의 운전상태를 진단한다. 여기서, T는 훈련벡터이고 广은 입력 벡터이다.
- 본 논문에서 제안된 유도전동기의 고장진단 시스템은 그림 1에서 보는 바와 같이 동기화 과정을 수행흐化 전처리부, PCA와 LDA을 이용하여 입력전류의 특징을 검출하는 특징추출부 및 유도전동기의 상태를 검출하는 진단부로 구성되어 있다.
- 에 의해 백색잡음(white gaussian noise)를 증가시키면서 시스템 성능올 살펴보았다. 주파수가 높은 전자파의 일종인 가시광선이 주파수에 따라 색상이 다르지만 여러 색광이 겹치면 횐색이 되듯이, 여러주파수에서 발생하는 잡음을 백색잡음(wmte noise) 이라 하며, 특정 주파수에 집중된 잡음을 유색잡음 (color noise)이라고 부른다.
- 제안하고자 한다. 여기서, 유도전동기의 진단 종류는 정상적인 상태, 회전자 봉의 파손 상태, 회전 자축이 휘어진 상태, 정적편심 상태 및 동적편심 상태 등 6가지의 유도 전동기의 운전상태를 진단한다. 본 논문에서 제안된 진단기법에서는 실험에 의해 측정된 전류값을 주기별로 주성분분석기법 (PCA : principle coirponent analysis) [10T2]기법을 이용하여 입력차원을 축소 한 후 LDA기법을 이용하여 고장 상태별 특징벡터를 추출한다.
- 그림 5에서 보는 바와 같이 시험장치는 3상 전원공급기, 시험할 전동기 및 부하장치로 구성되어 있으며, 부하제어회로는 전력절환장치와 다른 부하 패턴을 공급하기 위한 제어장치로 구성하였다. 전류측정은 입력단에 클램프 온 미터를 통하여 디지털 오디오 테이프(DAT)에 저장하였다.
- 진단기법을 제안하였다. 제안된 기법에서는 입력전류를 PCA기법에 의해 차원을 축소한 후 LDA 기법에 의해 특징올 추출하였다. 고장상태를 분류하기 위한 진단부에서는 훈련과정에서 확보된 고장 종류별 특징벡터와 운전시 입력되는 특징벡터간의 유클리디안 거리를 이용하여 유도전동기의 운전상태를 진단하였다.
- 실험환경은 표 1과 같이 설정하였다. 표 1에서 보는 바와 같이 노이즈가 없는 상태에서 기본적으로 정상적인 상태, 회전자 봉의 파손상태, 회전 자축이 휘어진 상태, 정적편심 상태 및 동적편심 상태 등 6 가지의 유도전동기의 운전상태를 진단한다. 각각의 고장 상태 중 회전자, 고정자, 베어링 부분을 그림 6 에 나타났으며, 정적편심 및 동적편심은 축의 편심 회전을 의미한다.
- 나타냈다. 학습입력신호 및 검증신호는 LDA기법에 의해 각각 특징벡터를 산출한 후 학습특징 벡터와 검증특징벡터를 산출하고 학습특징데이터와 검증 특징 데이터 간의 유클리디언 거리를 계산하여 거리가 최소인 학습모델을 선정하여 인식하였다. 표 2 에서 알 수 있는 바와 같이 PCA을 적용한 경우 회전자 휨 상태에서 취득한 9개의 데이터 중 2개가 정적 편심으로 오인식되었다.
대상 데이터
- 고장 모델을 형성하기 위해 사용된 학습 데이터는 총 데이터 108개[(18개/운전조건당)><6조건]를 사용하였고, 모델의 검증올 위해 사용된 시험 데이터는 나머지 54개 즉, 유도전동기의 고장상태별 9개의 시험데이터를 이용하였다.
- 같은 시험장치를 구성하였다. 그림 5에서 보는 바와 같이 시험장치는 3상 전원공급기, 시험할 전동기 및 부하장치로 구성되어 있으며, 부하제어회로는 전력절환장치와 다른 부하 패턴을 공급하기 위한 제어장치로 구성하였다. 전류측정은 입력단에 클램프 온 미터를 통하여 디지털 오디오 테이프(DAT)에 저장하였다.
- 측정된 데이터의 샘플링 개수는 1주기당 128개이며 전체 주기는 128회이다. 이중에서 재 샘플링을 통해 유도전동기의 운전조건 당 18개의 사이클을 이용하였다. 최대 샘플링 주파수는 3kHz이고 샘플링 시간은 0.
- 이러한 진동파형을 이용하여 유도전동기 고장진단을 할 경우 주파수의 왜곡이 발생하여 인식률의 저하를 초래한다. 측정된 데이터의 샘플링 개수는 1주기당 128개이며 전체 주기는 128회이다. 이중에서 재 샘플링을 통해 유도전동기의 운전조건 당 18개의 사이클을 이용하였다.
이론/모형
- 여기서, 유도전동기의 진단 종류는 정상적인 상태, 회전자 봉의 파손 상태, 회전 자축이 휘어진 상태, 정적편심 상태 및 동적편심 상태 등 6가지의 유도 전동기의 운전상태를 진단한다. 본 논문에서 제안된 진단기법에서는 실험에 의해 측정된 전류값을 주기별로 주성분분석기법 (PCA : principle coirponent analysis) [10T2]기법을 이용하여 입력차원을 축소 한 후 LDA기법을 이용하여 고장 상태별 특징벡터를 추출한다. 진단단계는 확보된 고장 종류별 특징벡터와 운전시 입력되는 특징 벡터 간의 유클리디안 거리를 이용하여 유도전동기의 운전상태를 진단하는 구조로 되어 있다.
성능/효과
- 진단단계는 확보된 고장 종류별 특징벡터와 운전시 입력되는 특징 벡터 간의 유클리디안 거리를 이용하여 유도전동기의 운전상태를 진단하는 구조로 되어 있다. LDA기법의 타당성을 보이기 위해 노이즈가 있는 다양한 조건하에서 실험한 결과, PCA기법만을 이용한 경우보다 PCA기법과 LDA기법을 함께 사용한 경우가 더 우수한 결과를 나타냈다.
- 제안된 방법의 타당성을 보이기 위해 실험한 결과, 노이즈가 없거나 적은 경우 인식률이 100[%]로 우수한 결과를 나타냈다. PCA 기법을 적용해 본 결과 노이즈가 없거나 적은 경우 인식률이 92.56[%]로 나타나 IDA기법을 적용한 경우보다 7.4[%]로 높은 에러율을 나타냈다. 이와 같이 인식률이 저조한 이유를 알아보기 위해 고장 상태별로 분류해 본 결과 PCA기법인 경우 고장상태 중 회전자 휜 상태와 정적편심간의 특징벡터가 유사하여 분류하기 어려움을 확인할 수 있었다.
- 그림 8에서는 최종 인식결과를 종합하여 나타냈다 그림 8에서 알 수 있는 바와 같이 SNR이 40 이상인 경우 PCA기법올 이용하여 진단할 경우 인식률이 92.5&%]이지만, LDA기법을 이용할 경우 인식률이로서 PCA만을 이용한 경우보다 약 7.4[%] 향상된 결과를 나타냈다. 또한 SNR이 25일 때 LDA을이용한 경우가 PCA만을 이용한 경우보다 인식률이 1.
- 4[%] 향상된 결과를 나타냈다. 또한 SNR이 25일 때 LDA을이용한 경우가 PCA만을 이용한 경우보다 인식률이 1.85(%] 높게 나타났다.
- 이로부터 PCA의 경우 회전자 휨 상태와 정적 편심 상태를 구별하는데 한계가 있음을 알 수 있다. 반면에 본 논문에서 제안된 LDA를 적용한 경우 검증데이터 54개에 대하여 정확한 진단올 하였다. 이는 특징벡터를 LDA에 의해 차별성을 극대화함으로써 보다 나은 결과를 얻을 수 있었다.
- 4[%]로 높은 에러율을 나타냈다. 이와 같이 인식률이 저조한 이유를 알아보기 위해 고장 상태별로 분류해 본 결과 PCA기법인 경우 고장상태 중 회전자 휜 상태와 정적편심간의 특징벡터가 유사하여 분류하기 어려움을 확인할 수 있었다. 고장 상태 중에서 베어링 고장상태와 동적편심 상태인 경우 LDA기법뿐만 아니라 PCA방법으로도 고장 상태를 확인할 수 있으며, 이러한 고장상태인 경우 노이즈가 증가하더라도 고장상태를 진단하는데 큰 차이를 보이지는 않았다.
- 고장상태를 분류하기 위한 진단부에서는 훈련과정에서 확보된 고장 종류별 특징벡터와 운전시 입력되는 특징벡터간의 유클리디안 거리를 이용하여 유도전동기의 운전상태를 진단하였다. 제안된 방법의 타당성을 보이기 위해 실험한 결과, 노이즈가 없거나 적은 경우 인식률이 100[%]로 우수한 결과를 나타냈다. PCA 기법을 적용해 본 결과 노이즈가 없거나 적은 경우 인식률이 92.
- 표 3에서 알 수 있는 바와 같이 건전상태, 베어링 고장 동적 편심의 경우 노이즈에 상관없이 인식률 100[%] 를 보여 다른 종류의 고장에 비해 노이즈에 강인한 특성을 나타냈다. 회전자휨 상태의 경우 LDA를 적용한 결과 SNR이 25일 때 사용된 검증데이터 9개중 2 개가 정적편심으로 오인식되었고, PCA를 적용한 결과 .
- 노이즈에 상관없이 2개의 오인식 결과를 보였다. 회전자바 고장의 경우 LDA를 적용한 결과 노이즈에 상관없이 인식률 100[%]를 보였으나, PCA를 적용한 결과 검증데이터 9개중 1개가 회전자휨 상태로 오인식 결과를 보였다. 정적편심의 경우 LDA를적용한 결과 SNR이 30일 때 검증데이터 9개중 1개가 회전자휨 상태로 오인식되었으며, SNR이 25일 때 2개가 회전자휨 상태로 오인식되었다.
후속연구
- 고장 상태 중에서 베어링 고장상태와 동적편심 상태인 경우 LDA기법뿐만 아니라 PCA방법으로도 고장 상태를 확인할 수 있으며, 이러한 고장상태인 경우 노이즈가 증가하더라도 고장상태를 진단하는데 큰 차이를 보이지는 않았다. 향후 다양한 고장데이터와 부하상태를 고려한 경우에 대해서도 제안된 방법의 타당성을 알아 볼 필요성이 있을 것으로 사료된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.