[논문]LPC와 DTW 기법을 이용한 유도전동기의 고장검출 및 진단

황철희; 김용민; 김철홍; 김종면

doi:10.9708/jksci.2011.16.3.141

초록
AI-Helper

본 논문은 유도전동기의 고장검출 및 진단을 위한 효율적인 2-단계 고장예측 알고리즘을 제안한다. 첫 번째 단계에서는 고장 패턴 추출을 위해 선형 예측 부호화 (Linear Predictive Coding: LPC) 기법을 사용하고, 두 번째 단계에서는 고장 패턴 매칭을 위해 동적시간교정법 (Dynamic Time Warping: DTW)을 사용한다. 유도전동기에서 정상 및 각종 이상 상태의 조건을 발생시켜 추출한 샘플링 주파수 8kHz, 샘플링 시간 2.2초의 정상상태 및 비정상 상태의 진동데이터 8개를 사용하여 모의 실험한 결과, 제안한 고장예측 알고리즘은 기존의 고장진단 알고리즘보다 약 45%의 정확도 향상을 보였다. 또한 TI사의 TMS320F2812 DSP를 내장한 테스트베드 시스템을 제작하여 제안한 고장예측 알고리즘을 구현하고 검증하였다.

Abstract ▼ AI-Helper

This paper proposes an efficient two-stage fault prediction algorithm for fault detection and diagnosis of induction motors. In the first phase, we use a linear predictive coding (LPC) method to extract fault patterns. In the second phase, we use a dynamic time warping (DTW) method to match fault pa...

This paper proposes an efficient two-stage fault prediction algorithm for fault detection and diagnosis of induction motors. In the first phase, we use a linear predictive coding (LPC) method to extract fault patterns. In the second phase, we use a dynamic time warping (DTW) method to match fault patterns. Experiment results using eight vibration data, which were collected from an induction motor of normal fault states with sampling frequency of 8 kHz and sampling time of 2.2 second, showed that our proposed fault prediction algorithm provides about 45% better accuracy than a conventional fault diagnosis algorithm. In addition, we implemented and tested the proposed fault prediction algorithm on a testbed system including TI's TMS320F2812 DSP that we developed.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

유도전동기에서 추출한 정상상태 및 비정상상태의 진동데이터 8개를 사용하여 모의 실험한 결과, 제안한 알고리즘은 기존의 교차공분산 (cross-covariance)을 이용한 방법보다 약 45%의 정확도 향상을 보였다. 또한 본 논문에서는 TI사의 TMS320F2812 DSP를 내장한 테스트베드 시스템을 제작하여 제안한 알고리즘을 구현하고 검증하였다.
반면, 동일한 조건에서 기존의 교차공분산 (crosscovariance)기반 고장진단 알고리즘은 단지 66%의 정확도를 보임으로서 제안한 고장예측 알고리즘의 우수성을 입증하였다. 또한, 본 논문에서는 TI사의 TMS320F2812 DSP를 내장한 테스트베드 시스템을 제작하여 제안한 고장예측 알고리즘을 구현하고 검증하였다.
본 논문에서는 TI사의 TMS320F2812 DSP를 내장한 테스트베드 시스템을 제작하여 제안하는 고장예측 알고리즘을 구현하고 검증하였다. (그림 9)는 제안하는 고장예측 알고리즘용 테스트베드 시스템을 보여 준다.
본 논문에서는 유도전동기의 고장진단을 위한 2단계 고장 예측 알고리즘을 제안하였다. 첫 번째 단계에서는 고장 패턴 스펙트럼의 추출을 위해 선형 예측 부호화 (LPC) 기법을 사용하였으며, 두 번째 단계에서는 고장 패턴 스펙트럼의 매칭을 위해 동적시간교정법 (DTW)를 사용하였다.
본 논문에서는 이러한 문제점을 해결하기 위해 고장패턴 추출과 고장패턴 매칭의 두 가지 단계로 구성된 고 신뢰성 알고리즘을 제안한다. 유도전동기의 고장패턴 추출을 위해서는 선형 예측 부호화 (Linear Predictive Coding: LPC)기법을 사용하였고, 고장 분류를 위한 패턴매칭을 위해서는 동적 시간교정법 (Dynamic Time Warping: DTW)기법을 사용하였다.

제안 방법

4장에서는 제안한 고장예측 알고리즘의 성능을 분석하고 기존의 고장진단 알고리즘과의 성능을 비교함으로써 제안하는 알고리즘의 우수성을 입증한다. 또한 테스트베드 시스템을 제작하여 제안한 고장예측 알고리즘을 검증한다. 끝으로 5장에서 이 논문의 결론을 맺는다.
실험에 사용된 진동신호의 측정은 전동기의 베어링 하우징에서 축 방향, 수평방향, 그리고 수직방향의 세 방향에서 가속도 센서를 이용하였다. 측정은 8000 Sampling Rate로 하였으며, 2.
또한, (그림 2)와 같이 FFT을 이용하여 주파수 영역에서 정상상태와 비정상상태의 신호를 분석하면 각 신호의 주파수 특성을 자세히 알 수 있는 장점은 있으나, 연산속도가 비교적 오래 걸리는 단점이 있어 특정 파라미터를 구하는데 어려움이 있다. 이러한 문제점을 해결하기 위하여 본 논문에서는 두 단계로 구성된 (패턴추출, 패턴매칭)로 효율적인 고장예측 알고리즘을 제안한다.
제안한 고장예측 알고리즘은 크게 특징 파라미터 추출 단계와 특정 파라미터의 패턴 매칭 단계로 구성된다. 패턴을 비교하는 파라미터로서 진동 및 미세신호 분석에서 많이 사용되는 캡스트럼 계수를 사용하였다.
첫 번째 단계에서는 자기상관 (auto-correl ation) 방법을 사용하여 자기 상관 계수 Rn를 구하였고, 두 번째 단계에서는 Durbin 알고리즘을 이용하여 자기 상관 계수로부터 LPC 계수 aj(1 ≤ j ≤ p)를 추출하였다.
패턴을 비교하는 파라미터로서 진동 및 미세신호 분석에서 많이 사용되는 캡스트럼 계수를 사용하였다. 하지만 입력 신호에서 푸리에 변환을 수행하여 캡스트럼 계수를 추출하는 방법은 연산의 오버헤드가 많기 때문에 시간적 분석 방식을 사용하여 선형 예측 부호화 (Linear Predictive Coding: LPC) 계수를 구한 후 캡스트럼 계수로 변환하였다. 제안한 고장예측 알고리즘의 상세한 설명은 다음 절들에서 보여준다.

대상 데이터

모의실험은 유도전동기의 정상 상태 신호 및 7개의 비정상 상태 신호를 이용하여 18회 수행되었으며, 는 제안한 고장예측 알고리즘을 실험 결과를 보여준다.
비정상 진동 신호는 인위적, 물리적 고장 재현을 통해 추출되어 본 실험에 사용되었다. 비정상 진동 신호 추출을 위한 실험 방법은 다음과 같다.
실험에 사용된 진동신호의 측정은 전동기의 베어링 하우징에서 축 방향, 수평방향, 그리고 수직방향의 세 방향에서 가속도 센서를 이용하였다. 측정은 8000 Sampling Rate로 하였으며, 2.1333초 동안 16384개의 Sample을 취득하였으며, 각 실험 조건마다 각각 20개의 시간신호 데이터를 취득하였다.

데이터처리

제안한 고장예측 알고리즘의 성능평가를 위해 동일한 조건에서 기존의 교차공분산 (cross-covariance)기반 고장진단기법[15]과 비교하였으며 기존의 고장진단 기법의 실험 결과는 와 같다.

이론/모형

본 논문에서는 이러한 문제점을 해결하기 위해 고장패턴 추출과 고장패턴 매칭의 두 가지 단계로 구성된 고 신뢰성 알고리즘을 제안한다. 유도전동기의 고장패턴 추출을 위해서는 선형 예측 부호화 (Linear Predictive Coding: LPC)기법을 사용하였고, 고장 분류를 위한 패턴매칭을 위해서는 동적 시간교정법 (Dynamic Time Warping: DTW)기법을 사용하였다. 유도전동기에서 추출한 정상상태 및 비정상상태의 진동데이터 8개를 사용하여 모의 실험한 결과, 제안한 알고리즘은 기존의 교차공분산 (cross-covariance)을 이용한 방법보다 약 45%의 정확도 향상을 보였다.
프레임 블럭킹 과정에서 출력된 신호는 필터 원도우(filter window) 과정을 통해 프레임 사이에서 발생하는 불연속성이 최소화된다. 이때, (그림 6)에서 보는바와 같이 rectangular 윈도우 기법보다 hamming 윈도우 기법을 사용한 경우의 사이드로브 크기가 더 작아서 프레임간의 위상 왜곡 (phase distortion)을 줄일 수 있기 때문에 본 논문에서는 hamming 윈도우 기법을 사용하였다[7],[8].
본 논문에서는 유도전동기의 고장진단을 위한 2단계 고장 예측 알고리즘을 제안하였다. 첫 번째 단계에서는 고장 패턴 스펙트럼의 추출을 위해 선형 예측 부호화 (LPC) 기법을 사용하였으며, 두 번째 단계에서는 고장 패턴 스펙트럼의 매칭을 위해 동적시간교정법 (DTW)를 사용하였다. 모의실험 결과, 제안한 고장예측 알고리즘은 96%의 고장예측 정확도를 보였다.
패턴 매칭 단계에서는 입력 패턴과 참조 패턴의 시작점과 끝점을 일치시키고 비교가 가능한 동적시간교정법 (Dynamic Time Warping: DTW)을 사용하였다[12-14]. DTW 알고리즘은 한 패턴이 다른 패턴과 최대한 일치할 때까지 시간 축을 교정함으로써 패턴간의 시간차를 제거한다.
제안한 고장예측 알고리즘은 크게 특징 파라미터 추출 단계와 특정 파라미터의 패턴 매칭 단계로 구성된다. 패턴을 비교하는 파라미터로서 진동 및 미세신호 분석에서 많이 사용되는 캡스트럼 계수를 사용하였다. 하지만 입력 신호에서 푸리에 변환을 수행하여 캡스트럼 계수를 추출하는 방법은 연산의 오버헤드가 많기 때문에 시간적 분석 방식을 사용하여 선형 예측 부호화 (Linear Predictive Coding: LPC) 계수를 구한 후 캡스트럼 계수로 변환하였다.

성능/효과

첫 번째 단계에서는 고장 패턴 스펙트럼의 추출을 위해 선형 예측 부호화 (LPC) 기법을 사용하였으며, 두 번째 단계에서는 고장 패턴 스펙트럼의 매칭을 위해 동적시간교정법 (DTW)를 사용하였다. 모의실험 결과, 제안한 고장예측 알고리즘은 96%의 고장예측 정확도를 보였다. 반면, 동일한 조건에서 기존의 교차공분산 (crosscovariance)기반 고장진단 알고리즘은 단지 66%의 정확도를 보임으로서 제안한 고장예측 알고리즘의 우수성을 입증하였다.
모의실험 결과, 제안한 고장예측 알고리즘은 96%의 고장예측 정확도를 보였다. 반면, 동일한 조건에서 기존의 교차공분산 (crosscovariance)기반 고장진단 알고리즘은 단지 66%의 정확도를 보임으로서 제안한 고장예측 알고리즘의 우수성을 입증하였다. 또한, 본 논문에서는 TI사의 TMS320F2812 DSP를 내장한 테스트베드 시스템을 제작하여 제안한 고장예측 알고리즘을 구현하고 검증하였다.
유도전동기의 고장패턴 추출을 위해서는 선형 예측 부호화 (Linear Predictive Coding: LPC)기법을 사용하였고, 고장 분류를 위한 패턴매칭을 위해서는 동적 시간교정법 (Dynamic Time Warping: DTW)기법을 사용하였다. 유도전동기에서 추출한 정상상태 및 비정상상태의 진동데이터 8개를 사용하여 모의 실험한 결과, 제안한 알고리즘은 기존의 교차공분산 (cross-covariance)을 이용한 방법보다 약 45%의 정확도 향상을 보였다. 또한 본 논문에서는 TI사의 TMS320F2812 DSP를 내장한 테스트베드 시스템을 제작하여 제안한 알고리즘을 구현하고 검증하였다.
<표 4>는 제안하는 고장예측 알고리즘과 기존의 교차공분산 기법의 성능 비교를 보여준다. 제안한 고장예측 알고리즘은 기존의 알고리즘보다 약 45%의 정확도 향상을 보여 준다.

질의응답

핵심어	질문	논문에서 추출한 답변
	비정상 진동 신호 추출을 위한 실험 방법은?	(1) 불 평형 - 회전자에 8.4g의 불 평형 질량을 회전자에 부착하여 얻어진 진동 데이터 (2) 정렬불량 - 축 지지대를 조절하여 편각정렬불량과 편심정렬불량의 상태를 가지게 함으로써 얻어진 진동데이터 (3) 베어링 고장 - 여러 가지 원인 중 외륜에 고장을 발생시켜 얻어진 진동 데이터 (4) 굽은 회전자 - 최대 0.075mm로 회전자를 굽혀서 측정된 진동 데이터 (5) 회전자 봉의 파손과 크랙 - 34개의 회전자 봉 중에서 12개의 봉을 파손하여 얻어진 진동 데이터
	유도전동기의 고장상태를 효과적으로 표현할 수 있는 특징 추출 기법에는 어떤 방법이 주로 사용되어 왔나?	유도전동기의 고장상태를 효과적으로 표현할 수 있는 특징 추출 기법에는 Park변환에 의해 d-q 패턴을 추출하는 방법[2], 전류신호의 주파수 스펙트럼(Fast Fourier Transform)을 이용하여 특정 주파수를 추출하는 방법[3] 등이 주로 사용되어 왔다. 그러나 d-q 패턴의 경우 다양한 고장상태별로 고유의 패턴을 얻기가 어렵고, 노이즈가 존재하는 환경 하에서는 고장패턴을 분류하는데 어려움이 있다.
	교차공분산 방법은 무엇인가?	교차공분산 방법은 wavelet의 변환과정을 통해 두 개의 서로 다른 랜덤신호에 대해서 얼마나 상관관계를 가지는지 판별하는 방법으로서 wavelet의 저주파 대역성분만을 가지고 정상신호와 비정상신호를 분류하는 것이 가능하지만 정확도 면에서는 현저히 떨어짐을 알 수 있다.

참고문헌 (15)

Sung-Suk Kim, Dae-Jeong Lee, Jang-Hwan Park, Jeong-Woong Ryu, Myung-Geun Chun "Detection and diagnosis of induction motor using conditional FCM and radial basis function network", Journal of Korean Institute of Intelligent Systems, Vol. 14, No. 7, pp.878-882, 2004.
H. Nejjari, and M. E. H. Benbouzid, "Monitoring and diagnosis of induction motors electrical faults using a current Park's vector pattern learning approach," in IEEE International Conference on Electric Machines and Drives, pp. 275-277, May 1999.
F. Zidani, M. E. H. Benbouzid, D. Diallo, and M. S. Mait-Said, "Induction motor stator faults diagnosis by a current Concordia pattern-based fuzzy decision system," IEEE Transactions on Energy Conversion, Vol. 18, No 4, pp. 469-475, Dec. 2003.

상세보기
M. Haji and H. A. Toliyat, "Pattern recognition a technique for induction machines rotor broken bar detection," IEEE Trans. on Energy Conversion, Vol. 16, No. 4, pp. 312-317, 2000.
A, M. Trzynadlowski and E. ritchie, "Comparative investigation of diagnostic media for induction motors : a case of rotor cage faults," IEEE Trans. on Industrial Electronics, Vol. 47, No. 5, pp. 1092-1099, 2000.

상세보기
Chang-Yoon Lee, Young Hoon Lee, "Study of the Noise Processing to Technique Speech Recognition System", Journal of the Korean Society of Computer and Information, Vol. 7, No. 2, pp. 73-78, 2002.
J. D. Markel and A. H. Gray, Jr., "Linear Prediction of Speech," Springer-Verlag, 1976.
L. R. Rabiner and R. W. Schafer, Digital Processing of Speech Signals, Prentice Hall, 1978.
P. Delsarte and Y. Genin, "The split Levinson algorithm." IEEE Transactions on Acoustics, Speech, and Signal Processing, Vol. 34, No. 3, pp. 470-478, June 1986.

상세보기
D. O'Shaughnessy, "Linear predictive coding", Potentials, IEEE, Vol. 7, No. 1, pp. 29-32, 1988.

상세보기
J. Makhoul, "Stable and efficient lattice methods for linear prediction," IEEE Transactions on Acoustics, Speech and Signal Processing, Vol. 26, No. 1, p. 111, Feb. 1978.

상세보기
G. M. White and R.B. Neely, "Speech Recognition Experiments with Linear Prediction, Bandpass Filtering, and Dynamic Programming," IEEE Trans. Acoustics, Speech, Signal Proc., pp. 183-188, 1976.
Sakoe, H. and Chiba, S., "Dynamic programming algorithm optimization for spoken word recognition", IEEE Transactions on Acoustics, Speech and Signal Processing, Vol. 26, No. 1, pp. 43-49, 1978

상세보기
Seok-Woo Jang, Moon-Haeng Huh, Gye-Young Kim, "Effective handwriting verification through DTW and PCA," Journal of the Korea Society of Computer and Information, Vol. 14, No. 7, pp. 25-32, 2009.
Hyungseob Han, Changsu Rho, Sangjin Cho, Kabju Hwang, Uipil Chong, "Fault classification of inductor motor using cross-covariance," KISPS Conference, pp. 168-171, 2009.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

LPC와 DTW 기법을 이용한 유도전동기의 고장검출 및 진단
Fault Detection and Diagnosis of Induction Motors using LPC and DTW Methods 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

질의응답

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

LPC와 DTW 기법을 이용한 유도전동기의 고장검출 및 진단 Fault Detection and Diagnosis of Induction Motors using LPC and DTW Methods 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

질의응답

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

황철희 (4) 김용민 (7) 김철홍 (55) 김종면 (79)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

LPC와 DTW 기법을 이용한 유도전동기의 고장검출 및 진단
Fault Detection and Diagnosis of Induction Motors using LPC and DTW Methods 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper