최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.19 no.2, 2014년, pp.21 - 30
강명수 (울산대학교 전기전자컴퓨터공학과) , 장원철 (울산대학교 전기전자컴퓨터공학과) , 김종면 (울산대학교 전기전자컴퓨터공학과)
The use of induction motors has been recently increasing in a variety of industrial sites, and they play a significant role. This has motivated that many researchers have studied on developing fault detection and classification systems of induction motors in order to reduce economical damage caused ...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
유도 전동기의 결함 상태를 효과적으로 표현할 수 있는 특징 추출 기법에는 무엇이 있는가? | 최근 유도 전동기의 결함 유형별 분류를 위해서는 신호를 사전에 분석하고, 결함 유형별 특징을 효과적으로 추출하여 분류 알고리즘의 입력으로 사용함으로써 결함을 분류하는 형태로 연구가 활발히 진행되고 있다. 유도 전동기의 결함 상태를 효과적으로 표현할 수 있는 특징 추출 기법에는 고속 푸리에 변환(fast Fourier transform, FFT)을 이용하여 특징 주파수(characteristic frequency)를 추출하는 방법이 주로 사용되어 왔다. 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]. | |
진동 신호가 유도 전동기의 운전 상태를 점검하기 위해 사용되는 이유는? | 유도 전동기의 운전 상태를 점검하기 위해 진동 신호가 널리 이용되는데, 진동 신호에는 유도 전동기와 같은 회전 기계의 결함 유형별 고유의 특징들이 포함되어 있기 때문이다. 하지만 진동 신호에 포함된 결함 유형별 특징을 반영하는 파라미터는 대부분 숨겨져 있으므로 취득한 진동 신호를 결함 검출 및 분류 시스템에 직접적으로 이용하기에는 어려움이 있다. | |
취득한 진동 신호로부터 결함 유형별 특징을 잘 나타낼 수 있는 특징 벡터를 추출하는 방법이 중요한 이유는? | 유도 전동기의 운전 상태를 점검하기 위해 진동 신호가 널리 이용되는데, 진동 신호에는 유도 전동기와 같은 회전 기계의 결함 유형별 고유의 특징들이 포함되어 있기 때문이다. 하지만 진동 신호에 포함된 결함 유형별 특징을 반영하는 파라미터는 대부분 숨겨져 있으므로 취득한 진동 신호를 결함 검출 및 분류 시스템에 직접적으로 이용하기에는 어려움이 있다. 따라서 취득한 진동 신호로부터 결함 유형별 특징을 잘 나타낼 수 있는 특징 벡터를 추출하는 방법은 유도 전동기 결함 검출 및 분류 시스템에 있어 매우 중요하다[4-6]. |
McInerny, S. A. and Dai, Y., "Basic Vibration Signal Processing for Bearing Fault Detection," IEEE Transactions on Education, Vol. 46, No. 1, pp. 149-156, 2003.
Li, F., Meng, G., Ye, L. and Chen, P., "Wavelet Transform-based Higher-order Statistics for Fault Diagnosis in Rolling Element Bearings," Journal of Vibration and Control, Vol. 14, No. 11, pp. 1691-1709, 2008.
Widodo, A., Yang, B.-S. and Han, T., "Combination of Independent Component Analysis and Support Vector Machines for Intelligent Faults Diagnosis of Induction Motors," Expert Systems with Application, Vol. 32, No. 2, pp. 299-312, 2007.
Prieto, M. D., Cirrincione, G., Espinosa, A. G., Ortega, J. A. and Henao, H., "Bearing Fault Detection by a Novel Condition-Monitoring Scheme Based on Statistical-Time Features and Neural Networks," IEEE Transactions on Industrial Electronics, Vol. 30, No. 8, pp. 3398-3407, 2013.
William, P. E. and Hoffman, M. W., "Identification of Bearing Faults Using Time Domain Zero-Crossings," Mechanical Systems and Signal Processing, Vol. 25, No. 8, pp. 3078-3088, 2011.
Lei, Y., He, Z. and Zi, Y., "Application of an Intelligent Classification Method to Mechanical Fault Diagnosis," Expert Systems with Applications, Vol. 36, No. 6, pp. 9941-9948, 2009.
Do, V. T. and Chong, U.-P., "Signal Model-Based Fault Detection and Diagnosis for Induction Motors Using Features of Vibration Signal in Two-Dimension Domain," Journal of Mechanical Engineering, Vol. 57, No. 9, pp. 655-666, 2011.
Yu, J., "Fault Detection Using Principal Components-Based Gaussian Mixture Model for Semiconductor Manufacturing Processes," IEEE Transactions on Semiconductor Manufacturing, Vol. 24, No. 3, pp. 432-444, 2011.
Xiang, S., Nie, F. and Zhang, C., "Learning a Mahalanobis Distance Metric for Data Clustering and Classification," Pattern Recognition, Vol. 41, pp. 3600-3612, 2008.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.