[논문]EMD 기반의 유도 전동기 고장 진단 시스템 개발

강중순

doi:10.5050/ksnve.2014.24.9.675

EMD 기반의 유도 전동기 고장 진단 시스템 개발
Development of EMD-based Fault Diagnosis System for Induction Motor 원문보기

한국소음진동공학회논문집 = Transactions of the Korean society for noise and vibration engineering, v.24 no.9, 2014년, pp.675 - 681

강중순 (School of Electricity & Electronics, Ulsan College)

Abstract ▼ AI-Helper

This paper proposes a fault diagnosis system for an induction motor. This system uses empirical mode decomposition(EMD) to extract fault signatures and multi-layer perceptron(MLP) neural network to facilitate an accurate fault diagnosis. EMD can not only decompose a signal adaptively but also provide intrinsic mode functions(IMFs) containing natural oscillatory modes of the signal. However, every IMF does not represent fault signature, an IMF selection algorithm based on harmonics and their energy of each IMF is proposed. The selected IMFs are utilized for fault classification using MLP and this system shows approximately 98 % diagnosis accuracy for the fault vibration signal of the induction motor.

주제어

AI 본문요약
AI-Helper

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

문제 정의

EMD가 종종 불필요한 IMF를 만들어 내기 때문인데 만약 이러한 단점을 극복할 수 있다면 EMD는 전동기 고장 진단 분야에 훨씬 많이 사용될 수 있을 것이다. 이에 이 논문에서는 유도 전동기의 고장 신호 분석하기 위해 EMD에 의해 추출된 IMF 중 중요한 IMF를 선별하고, 이들 신호의 특징을 신경회로망에 적용시킨 고장진단 시스템에 대해 살펴볼 것이다.

가설 설정

두 번째 특징은 특정 진동 응답의 배음성분에 관한 것으로 대부분의 고장은 특정 주파수와 몇몇 배음 성분이 두드러진다는 것이다. EMD의 이분적 필터 뱅크(dyadic filter bank) 본질에 의해 이들 배음 성분의 일부는 낮은 인덱스의 IMF의 스펙트럼에 서 관찰될 것이고 기본 성분은 높은 인덱스의 IMF에서 찾을 수 있을 것이다. 이러한 사실을 고려할 때, IMF가 포함하고 있는 배음의 에너지는 주요 IMF를 찾는데 효과적일 것이다.
예를 들어, 전동기 고정자 전류는 고정자, 회전자, 베어링 고장 검출 연구 등에서 많이 사용되고 있다. 값싼 전류 센서와 외부의 영향을 최소화한 신호 취득 기술이 이를 이용한 상태 모니터링 시스템을 가장 유용한 시스템으로 만든 것이다. 대표적인 기술이 MCSA(motor current signature analysis)이다⁽¹⁰⁾.

제안 방법

이 논문에서는 시간-주파수 분석법인 EMD를 이용하여 고장 신호를 IMF로 분해하고, 이들을 배음과 에너지를 기준으로 각 IMF의 중요도를 결정하였다. 중요도가 높은 순서로 선별된 IMF는 MLP 신경회로망의 사이즈에 따라 개수가 결정되었으며 각각의 IMF로부터 평균, 분산, 첨도, 왜도를 계산하여 특징벡터로 사용하였다.
일반적으로 불필요한 IMF들은 전문가의 시각적 또는 경험적 평가 기준에 의해 제거되는데 이 방법은 수동적이고 전문가와의 상호 작용이 필요하다⁽²³⁾. 이러한 전문가 상호 작용 이슈를 제거하기 위해 몇몇 논리적인 가정에 기반을 둔 IMF 선택 알고리듬을 제안한다.

대상 데이터

1과 같다. 샘플링 주파수는 8 kHz이며, 학습과 테스트를 위한 충분한 데이터 집합을 만들기 위하여 취득 데이터를 2.1333초 길이의 프레임으로 나누어 각 상태별로 100개의 데이터를 추출하여 사용하였다^(5,6). 이들 데이터는 EMD를 거쳐 각 데이터마다 14개(round(log₂(8000×2.
실험에 사용된 진동 데이터는 6개의 유도 전동기 (0.5 kW, 60 Hz, 4극)에 각각 정상 데이터(normal, NOR)와 정렬불량(misalignment, MIS), 베어링 결함 (faulty bearing out race, FBO), 회전봉 파손(broken rotor bar, BRB), 굽은 회전축(bowed rotor shaft, BRS), 회전자 불평형(rotor unbalance, RUN) 고장을 인위적으로 발생시켜 취득한 데이터로서^(5,6) 각 고장 데이터에 대한 자세한 설정은 Table 1과 같으며 실험 환경은 Fig. 1과 같다.

데이터처리

제안한 고장 진단 시스템은 시간-주파수 영역의 분석법인 EMD를 기반으로 한다. 따라서 같은 유형의 분석법을 사용하는 시스템과 성능을 비교하기 위하여 DWT(discrete wavelet transform) 기반의 고장 진단 시스템⁽⁴⁾과 성능을 비교하였다. Table 3과 Table 4는 각각 제안한 시스템과 DWT기반 고장 시스템의 분류 결과이다.
제안한 고장 진단 시스템은 시간-주파수 영역의 분석법인 EMD를 기반으로 한다. 따라서 같은 유형의 분석법을 사용하는 시스템과 성능을 비교하기 위하여 DWT(discrete wavelet transform) 기반의 고장 진단 시스템⁽⁴⁾과 성능을 비교하였다. Table 3과 Table 4는 각각 제안한 시스템과 DWT기반 고장 시스템의 분류 결과이다.
각각의 상태별 진동 데이터로부터 추출한 6개의 IMF로부터 각각 4개의 통계값을 계산하여 총 24개의 값이 입력으로 사용되었다. 이렇게 추출한 특징벡터의 80 %를 학습 데이터로 20 %를 테스트 데이터로 나누었고 MLP 신경회로망의 설계 및 학습은 Matlab 8.0의 Neural Network Toolbox를 이용하였다.
각각의 상태별 진동 데이터로부터 추출한 6개의 IMF로부터 각각 4개의 통계값을 계산하여 총 24개의 값이 입력으로 사용되었다. 이렇게 추출한 특징벡터의 80 %를 학습 데이터로 20 %를 테스트 데이터로 나누었고 MLP 신경회로망의 설계 및 학습은 Matlab 8.0의 Neural Network Toolbox를 이용하였다.
이 논문에서는 시간-주파수 분석법인 EMD를 이용하여 고장 신호를 IMF로 분해하고, 이들을 배음과 에너지를 기준으로 각 IMF의 중요도를 결정하였다. 중요도가 높은 순서로 선별된 IMF는 MLP 신경회로망의 사이즈에 따라 개수가 결정되었으며 각각의 IMF로부터 평균, 분산, 첨도, 왜도를 계산하여 특징벡터로 사용하였다. 이렇게 설계된 고장진단 시스템은 고장 진단율의 정확도가 약 98 %였으며 특히 DWT를 기반으로 한 고장진단 시스템보다 오분류율은 8 %이상 개선할 수 있었다.

이론/모형

제안한 고장 진단 시스템은 시간-주파수 영역의 분석법인 EMD를 기반으로 한다. 따라서 같은 유형의 분석법을 사용하는 시스템과 성능을 비교하기 위하여 DWT(discrete wavelet transform) 기반의 고장 진단 시스템⁽⁴⁾과 성능을 비교하였다.
제안한 고장 진단 시스템은 시간-주파수 영역의 분석법인 EMD를 기반으로 한다. 따라서 같은 유형의 분석법을 사용하는 시스템과 성능을 비교하기 위하여 DWT(discrete wavelet transform) 기반의 고장 진단 시스템⁽⁴⁾과 성능을 비교하였다.

성능/효과

Table 3과 Table 4는 각각 제안한 시스템과 DWT기반 고장 시스템의 분류 결과이다. 각각의 고장에 대해 제안한 시스템은 약 86 %~90 %의 분류 결과를 보였고, DWT기반 시스템의 경우 약 79 %~83 %의 분류 결과를 보여 제안한 시스템이 대략 7 %의 우수한 분류율을 보였다. 하지만 이러한 분류 결과의 단순 비교보다 더 주목해야 할 점은 각 고장을 정상으로 잘 못 분류한 경우인데, 왜냐하면 실제 현장에서 고장이 결정한 값이다.
Table 3과 Table 4는 각각 제안한 시스템과 DWT기반 고장 시스템의 분류 결과이다. 각각의 고장에 대해 제안한 시스템은 약 86 %~90 %의 분류 결과를 보였고, DWT기반 시스템의 경우 약 79 %~83 %의 분류 결과를 보여 제안한 시스템이 대략 7 %의 우수한 분류율을 보였다. 하지만 이러한 분류 결과의 단순 비교보다 더 주목해야 할 점은 각 고장을 정상으로 잘 못 분류한 경우인데, 왜냐하면 실제 현장에서 고장이 결정한 값이다.
계산을 위해 각 고장은 동일한 확률로 발생한다고 가정하였고 결과는 Table 5에 나타내었다. 고장 진단 성능은 제안한 시스템이 약 2 %정도 우수한 것으로 나왔으나, 오분류율은 8 %이상 개선된 것을 알 수 있다.
중요도가 높은 순서로 선별된 IMF는 MLP 신경회로망의 사이즈에 따라 개수가 결정되었으며 각각의 IMF로부터 평균, 분산, 첨도, 왜도를 계산하여 특징벡터로 사용하였다. 이렇게 설계된 고장진단 시스템은 고장 진단율의 정확도가 약 98 %였으며 특히 DWT를 기반으로 한 고장진단 시스템보다 오분류율은 8 %이상 개선할 수 있었다.

후속연구

향후 이렇게 MLP 신경회로망의 사이즈를 결정하는 파라미터들과 성능의 관계를 규명하여 최적화된 고장 진단 시스템 설계에 대한 연구가 필요할 것이다. 더불어 IMF를 선택하는 알고리듬의 개선에 대한 연구도 필요할 것이다.
이 논문에서도 은닉층의 개수, 은닉층의 뉴런의 개수, 특징벡터의 개수를 모두 경험적으로 판단, 또는 다른 연구로부터 인용하여 사용하였다. 향후 이렇게 MLP 신경회로망의 사이즈를 결정하는 파라미터들과 성능의 관계를 규명하여 최적화된 고장 진단 시스템 설계에 대한 연구가 필요할 것이다. 더불어 IMF를 선택하는 알고리듬의 개선에 대한 연구도 필요할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	유도 전동기란?	유도 전동기는 산업 현장에 널리 사용되는 핵심적인 기기 중 하나로써, 효율적인 유지 및 보수는 경제적, 산업적 측면에서 매우 중요하다. 지난 수십 년간 유도 전동기의 효율적인 유지, 고장 검출 및 진단 시스템에 대한 연구는 지속적으로 이루어졌다(1~8).
	EMD 알고리듬의 특징은 무엇인가?	Huang은 이러한 신호를 분석할 수 있는 EMD(empirical mode decomposition) 알고리듬을 제안하였다(17). 이 방법은 신호의 통계적 특성을 기반으로 그 신호가 가진 IMF(intrinsic mode function)를 추출하는 방식이라서, 신호의 종류나 기저함수의 종류에 따른 제한이 없다. 또한 신호의 천이와 같은 비선형성이 IMF에 그대로 유지된다(17).
	고장 진단 기술을 진단 과정에 따라 나누면, 어떤 기술들이 있는가?	고장 진단 기술은 진단 과정에 따라 크게 모델 기반 기술, 신호 기반 기술, 그리고 데이터 기반 기술로 나눌 수 있는데, 신호 처리 기술은 이들 세 가지 기술 모두에서 그 영향력과 역할이 조금 다를지라도 매우 중요한 부분을 차지하고 있다. 신호 처리 기술은 사용되는 영역에 따라 시간 영역 분석, 주파수 영역분석, 그리고 시간-주파수 영역 분석으로 나뉜다.

참고문헌 (24)

Yang, B.-S., Kim, K. J. and Han, T., 2004, Fault Diagnosis of Induction Motors Using Data Fusion of Vibration and Current Signal, Transactions of the Korea Society for Noise and Vibration Engineering, Vol. 14, No. 11, pp. 1091-1100.

원문보기 상세보기
Lee, S.-S., Cho, S.-J. and Chong, U.-P., 2005, Fault Diagnosis System of Rotating Machines Using LPC Residual Signal Energy, Journal of the Institute of Signal Processing and System, Vol. 6, No. 3, pp. 143-147.
Chong, U.-P., Cho, S.-J. and Lee, J.-Y., 2006, Fault Diagnosis for Rotating Machine Using Feature Extraction and Minimum Detection Error Algorithm, Transactions of the Korea Society for Noise and Vibration Engineering, Vol. 16, No. 1, pp. 27-33.

원문보기 상세보기
Tuan, D. V., 2009, Fault Detection and Diagnosis for Induction Motors Using Local Feature, Variance, Cross-correlation and Wavelet, Ph.D. thesis, University of Ulsan.
Han, H.-S., Cho, S.-J. and Chong, U.-P., 2010, Feature Vector Decision Method of Various Fault Signals for Neural-network-based Fault Diagnosis System, Transactions of the Korea Society for Noise and Vibration Engineering, Vol. 20, No. 11, pp. 1009-1017.

원문보기 상세보기
Han, H., Cho, S. and Chong, U., 2011, Neural-network-based Fault Detection and Diagnosis Method Using EIV(errors-in-variables), Transactions of the Korea Society for Noise and Vibration Engineering, Vol. 21, No. 11, pp. 1020-1028.

원문보기 상세보기
Yang, B. S., Han, T. and Yin, Z. T., 2006, Fault Diagnosis System of Induction Motor Using Feature Extraction, Feature Selection and Classification Algorithm, JSME International Journal Series C., Vol. 49, No. 3, pp. 734-741.

상세보기
Wen, X., 2011, A Hybrid Intelligent Technique for Induction Motor Condition Monitoring, Ph.D. thesis, University of Portsmouth.
Nandi, S., Toliyat, H. A. and Li, X., 2005, Condition Monitoring and Fault Diagnosis of Electrical Motors-a Review, IEEE Transactions on Energy Conversion, Vol. 20, No. 4, pp. 719-729.

상세보기
Benbouzid, M. E. H., 2000, A Review of Induction Motors Signature Analysis as a Medium for Faults Detection, IEEE Transactions on Industrial Electronics, Vol. 47, No. 5, pp. 984-993.

상세보기
Vas, P., 1996, Parameter Estimation, Condition Monitoring and Diagnosis of Electrical Machines, Oxford, Clarendon, U.K.
Muller, G. H. and Landy, C. F., 2003, A Novel Method to Detect Broken Rotor Bars in Squirrel Cage Induction Motors when Interbar Currents are Present, IEEE Transactions on Energy Conversion, Vol. 18, No. 1, pp. 71-79.

상세보기
Dorrell, D. G., Thomson, W. T. and Roach, S., 1997, Analysis of Airgap Flux, Current and Vibration Signals as a Function of the Combination of Static and Dynamic Airgap Eccentricity in 3-phase Induction Motors, IEEE Transactions on Industry Applications, Vol. 33, No. 1, pp. 24-34.

상세보기
Su, H., Chong, K. T. and Kumar, R. Ravi, 2011, Vibration Signal Analysis for Electrical Fault Detection of Induction Machine Using Neural Networks, Neural Computing & Applications, Vol. 20, No. 2, pp. 183-194.

상세보기
Gao, X. Z. and Ovaska, S. J., 2001, Soft Computing Methods in Motor Fault Diagnosis, Applied Soft Computing, Vol. 1, No. 1, pp. 73-81.

상세보기
Bellini, A., Filippetti, F., Tassoni, C. and Capolino, G.-A., 2008, Advances in Diagnostic Techniques for Induction Machines, IEEE Transactions on Industrial Electronics, Vol. 55, No. 12, pp. 4109-4126.

상세보기
Huang, N. E., Shen, Z., Long, S. R., Wu, M., Shih, H., Zheng, N., Yen, C., Tung, C. C. and Liu, H. H., 1998, The Empirical Mode Decomposition and the Hilbert Spectrum for Non-linear and Non-stationary Time Series Analysis, Proceedings of the Royal Society London. Series A, Mathematical and Physical Sciences. Vol. 454, pp. 903-995.

상세보기
Bassiuny, A. M. and Li, X., 2007, Flute Breakage Detection During End Milling Using Hilbert-Huang Transform and Smoothed Nonlinear Energy Operator, International Journal of Machine and Tools Manufacture. Vol. 47, No. 6, pp. 1011-1020.

상세보기
Yang, W.-X., 2008, Interpretation of Mechanical Signals Using an Improved Hilbert-Huang Transform, Mechanical Systems and Signal Processing, Vol. 22, No. 5, pp. 1061-1071.

상세보기
Cho, S., 2013, Analysis of the Jing Sound Using Empirical Mode Decomposition, Proceedings of Spring Conference of Acoustical Society of Korea, pp. 66-69.
Cho, S., 2013, Intrinsic Frequency Analysis for the Percussion Instrument based on the Recorded Sound, Proceeding of Summer Conference of Institute of Signal Processing and System, pp. 89-91.
Wang, G., Chen, X., Qiao, F., Wu, Z. and Huang, N. E., 2010, On Intrinsic Mode Function, Advances in Adaptive Data Analysis, Vol. 2, No. 3, pp. 277-293.

상세보기
Ricci, R. and Pennacchi, P., 2011, Diagnostics of Gear Faults based on EMD and Automatic Selection of Intrinsic Mode Functions, Mechanical System and Signal Processing, Vol. 25, No. 3, pp. 821-838.

상세보기
Widodo, A. and Yang, B.-S., 2007, Application of Nonlinear Feature Extraction and Support Vector Machines for Fault Diagnosis of Induction Motors, Expert Systems with Applications, Vol. 33, pp. 241-250.

상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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