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
- 하지만 주파수 스펙트럼의 경우 시간이 지나면서 유도 전동기 동작 상태가 변하거나 부하의 변동 등으로 인해 특징 주파수 성분의 변동이 발생하므로, 결함 유형별 정확한 특징 주파수를 추출하는데 어려움이 있다[7-9]. 따라서 본 논문에서는 특징 주파수의 미미한 변동으로 인해 야기되는 유도 전동기의 결함 분류 성능 감소를 줄이기 위해 선형 예측 코딩(linear prediction coding, LPC) 분석 및 EM(expectation maximization) 알고리즘을 이용하여 특징 주파수 대역의 미미한 변동이 생기더라도 각 결함 유형별 특징을 잘 묘사할 수 있는 스펙트럼 포락선을 추정한다. 이렇게 추정된 스펙트럼 포락선을 이용하여 각 결함 유형별 강인한 참조 특징 벡터를 추출하고 이를 바탕으로 알려지지 않은 입력 신호에 대한 특징 벡터와의 마할라노비스 거리(Mahalanobis distance, MD)를 구함으로써 유도 전동기의 다중 결함을 분류한다.
- 본 논문에서는 선형 예측 코딩(linear prediction coding, LPC) 분석 및 EM(expectation maximization) 알고리즘 등의 기법을 이용하여 부하 변동 또는 공급되는 입력 전원으로 인해 동일한 유도 전동기 결함일지라도 그 특징 주파수가 미미하게 변하는데서 기인하는 분류 성능의 저하를 최소화하고자 한다. 또한 유도 전동기 결함 분류를 위해 본 논문에서는 훈련 데이터(training data)로부터 LPC 분석 및 EM 알고리즘을 통해 유도 전동기 결함 유형별 참조 특징 벡터(reference feature vector)를 생성하고, 참조 특징 벡터와 테스트 데이터(test data)로부터 추출한 특징 벡터 사이의 마할라노비스 거리(Mahalanobis distance, MD)를 구하고 그 거리가 최소가 되는 범주로 결함을 분류한다.
- 본 논문에서 사용하는 각 결함 유형별 특징 벡터의 크기는 결함 유형별로 다를 수 있는데, 이는 특징 주파수를 포함한 스펙트럼 포락선의 모양이 다르기 때문이다. 본 논문에서는 스펙트럼 포락선에서 피크(peak)의 위치를 결함 유형 분류를 위한 특징 주파수로 간주한다.
- 본 논문에서는 유도 전동기의 동작 상태 변화 및 부하 변동으로 인해 유도 전동기 결함 유형별 특징 주파수를 포함한 스펙트럼 포락선의 변화로 인한 분류 성능 감소를 줄이기 위해 LPC 분석 기법 및 EM 알고리즘을 이용하여 강인한 스펙트럼 포락선을 추정하고, 이를 바탕으로 마할라노비스 거리를 이용하여 결함을 분류하였다. 제안한 알고리즘의 성능 평가를 위해 진동 신호를 이용한 유도 전동기 결함 검출 알고리즘과 분류 정확도 측면에서 성능을 평가한 결과 제안한 알고리즘의 분류 정확도가 100%로 분류 성능이 80.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.