[논문]인공 신경망을 이용한 전기 아크 신호 검출

이상익; 강석우; 김태원; 이승수; 김만배

doi:10.5909/jbe.2019.24.5.791

초록
AI-Helper

전기화재의 원인중의 하나는 직렬 아크이다. 최근까지 아크 신호를 검출하기 위해 다양한 기법들이 진행되고 있다. 시간 신호에 푸리에 변환, 웨이블릿, 또는 통계적 특징 등을 활용하여 아크 검출을 하는 방법들이 소개되었지만, 다양한 불규칙 아크 파형 때문에, 실제 환경에서는 아크 성능이 저하되는 문제가 있다. 따라서, 기존의 부족한 특징 데이터를 증가시켜, 성능을 개선하는 것이 요구된다. 본 논문에서는 입력신호를 변분 모드 분할을 통해 원신호를 분할한 후 통계적 특징을 추출한다. 변분 모드 분할으로부터 추출한 통계적 특징의 성능이 원신호로부터 얻은 특징보다 개선된 성능을 얻는다. 아크 분류기로 인공 신경망을 이용하고, 14,000개의 학습 데이터에 적용한 결과 VMD의 사용이 약 4%의 아크 검출 성능을 높혔다.

Abstract ▼ AI-Helper

The serial arc is one of factors causing electrical fires. Over past decades, various researches have been carried out to detect arc occurrences. Even though frequency analysis, wavelet and statistical features have been used, arc detection performance is degraded due to diverse arc waveforms. There...

The serial arc is one of factors causing electrical fires. Over past decades, various researches have been carried out to detect arc occurrences. Even though frequency analysis, wavelet and statistical features have been used, arc detection performance is degraded due to diverse arc waveforms. Therefore, there is a need to develop a method that could increase the feature dimension, thereby improving the detection performance. In this paper, we use variational mode decomposition (VMD) to obtain multiple decomposed signals and then extract statistical features from them. The features from VMD outperform those from no-VMD in terms of detection performance. Further, artificial neural network is employed as an arc classifier. Experiments validated that the use of VMD improves the classification accuracy by up to 4 percent, based on 14,000 training data.

주제어

표/그림 (14)

그림 그림 1. 정상 신호와 아크 신호의 예. Fig. 1. An example of normal and arc signals.
그림 그림 2. 입력신호 및 VMD로 얻어진 4개의 모드 신호. Fig. 2. Input signal and its decomposed four modes.
표 표 1. 통계적 특징. Table 1. Statistical features.
표 표 2. 모드 교차상관도 기반 특징들 Table 2. Mode cross correlation-based features
그림 그림 3. 제안 방법의 전체 흐름도. Fig. 3. The overall block diagram of the proposed method
그림 그림 4. 실험에 사용한 심층 신경망 모델 Fig. 4. Deep neural network used in experiments
그림 그림 5. 정상 및 아크 신호의 예. 1행은 정상, 2행은 아크임. Fig. 5. Examples of normal and arc signals. Top: normal, Bottom: arc.
표 표 3. 아크 데이터의 부하 종류 Table 3. Load types of arc signal
그림 그림 6. S₄의 2-cycle 신호의 VMD 모드 신호. R=4. Fig. 6. VMD mode signals of 2-cycle of S₄. R=4.
그림 그림 7. 시각적 분류를 위해 t-SNE로 얻은 통계적 특징 분류. Fig. 7. t-SNE visualization of classification.
그림 그림 8. 신경망으로부터 얻은 분류 정확도. (a) H1-DNN (128), (b) H2-DNN (64-32) 및 (c) H3-DNN (32-16-8) Fig. 8. Classification accuracy of DNN. (a) H1-DNN (128), (b) H2-DNN (64-32) and (c) H3-DNN (32-16-8)
그림 그림 9. 신경망으로부터 얻은 분류 정확도. (a) H1-DNN (256), (b) H2-DNN (128-64) 및 (c) H3-DNN (64-32-16) Fig. 9. Classification accuracy of DNN. (a) H1-DNN (256), (b) H2-DNN (128-64) and (c) H3-DNN (64-32-16)
그림 그림 10. 신경망으로부터 얻은 분류 정확도. (a) H1-DNN (512) (b) H2-DNN (256-128) 및 (c) H3-DNN (128-64-32) Fig. 10. Classification accuracy of DNN. (a) H1-DNN (512) (b) H2-DNN (256-128) and (c) H3-DNN (128-64-32)
표 표 4. No-VMD와 VMD의 분류 정확도 성능 비교 (단위: %) Table 4. Comparison of classification accuracy of No-VMD and VMD (unit: percent)

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 시간신호를 변분 모드 분할(Variational Mode Decomposition: VMD)을 이용하여 검출 성능을 개선하는 방법을 제안한다. VMD는 시간 신호를 R개의 신호로 분할하는 기술로 최근 주목을 받고 있는 기술이다11].
아크 검출을 위해 사용된 특징의 종류는 매우 다양하다서론에서 언급한 것처럼, 본 논문의 목적은 아크 분류 성능의 개선을 위한 VMD의 활용이 목적이기 때문에, 새로운특징을 제안하지 않고, ChakravortH 등이 사용한 특징을사용한다[12].
따라서, 시간신호로부터 아크 분류성능을 높여줄 수 있는 효율적인 특징의 추출이 가능해야만, 검출 성능을 개선할 수 있다. 이 문제를 해결하고자 하는 것이 본 연구의 목적이다.

가설 설정

VMD는 시간신호를 여러 개의 시간신호로 분할하는 기법이다. 따라서 푸리에변환, 웨이블릿을 적용하는 것은 적합하지 않기 때문에, 본 논문에서는 상기 기법들은 고려하지 않는다.

제안 방법

따라서 총 1,000x7x2= 14, 000개의 학습 데이터를 생성하였다 그림 5는 표 3의 S2, S4, S7 의 정상신호와 아크 신호의 예를 보여준다 이 신호로부터 통계적 특징을 추출한다. 각 학습 데이터는 정상이면 레이블을 0, 아크이면 1로 클래스를 할당하여, 지도학습 이진 분류 신경망으로 학습한다.
본 장에서는 아크 분류를 위해 인공신경망을 이용하는데 신경망의 입력으로 통계적 특징을 사용한다. 입력으로 원신호의 통계적 특징과 VMD 모드신호의 통계적 특징을 신경망으로 학습시키고, 검출 성능을 비교 검증한다.
실험에서 사용한 데이터의 정제 및 DNN의 구현은 MATLAB 2018a 버전에서 이루어졌다 입력 데이터의 80%는학습데이터로 사용하고 20%는 테스트 데이터로 사용하였다동일한 구조의 신경망 모델에 No-VMD 특징 및 VMD 특징을 각각 입력으로 사용하여 학습시킨 후 테스트 단계에서 분류 정확도(classification accuracy)를 측정하였다.
신경망 모델로는 심층신경망[1~4], 출력 부분에 분류기를 결합한 자기 부호화기(auto- encoder)[6] 등을 활용한다. 입력신호에서 아크 검출에 필요한 특징(feature)을 찾은 후에, 이 특징을 입력으로 분류모델을 학습하여 아크신호를 검출하게 된다. 특징으로는 주로 주파수(frequency), 통계적 특징(statistical feature) 등을 사용한다.
입력으로 원신호의 통계적 특징과 VMD 모드신호의 통계적 특징을 신경망으로 학습시키고, 검출 성능을 비교 검증한다.
출력은 이진 분류로 정상 또는 아크로 분류한다. 학습된 모델의 분류 정확도를 비교하여 VMD의 성능 개선을 조사한다.

대상 데이터

정상신호와 아크신호 데이터는 한국전기안전공사 전기안전연구원에서 아크 생성기(arc generator)를 이용하여 제작하였다. 총 7개의 부하。。ad) S'i (zEL.
학습 신호는 2주기의 538 샘플을 가지며, 부하별 아크 신호는 1,000개, 정상신호는 1,000개의 데이터를 수집하였다. 따라서 총 1,000x7x2= 14, 000개의 학습 데이터를 생성하였다 그림 5는 표 3의 S2, S4, S7 의 정상신호와 아크 신호의 예를 보여준다 이 신호로부터 통계적 특징을 추출한다.

이론/모형

신호의 상관도(correlation), 주파수 특성, 및 스펙트럼 등을 이용하는 신호처리기법 및 SVM(support vector machine), 결정트리 등을 이용하는 기계학습 기법들의 성능을 개선할 수 있는 심층 신경망이 최근 관심을 받고 있다[1-6]. 신경망 모델로는 심층신경망[1~4], 출력 부분에 분류기를 결합한 자기 부호화기(auto- encoder)[6] 등을 활용한다. 입력신호에서 아크 검출에 필요한 특징(feature)을 찾은 후에, 이 특징을 입력으로 분류모델을 학습하여 아크신호를 검출하게 된다.
실험에서 사용하는 신경망은 DNN(Deep Neural Net- work)을 기반으로 한다. 입력 노드의 수는 입력될 특징 벡터의 차원과 동일하다.

성능/효과

그림 2(a)는 정상신호, 2(b)는 아크신호이다 1 행은 입력신호 a(、t), 2~5행은 모드신호 "1, %, %, a4 를 보여준다. (3)은 저주파 성분을 가지고, r이 증가하면모드신호는 고주파 성분을 가짐을 알 수 있다. 모드 신호들은 신호의 특성 차이를 보다 잘 보여준다 이 차이는 아크검출의 성능 향상에 도움을 준다.
02)% 로 성능이 개선됨을 알 수 있다. DNN의 구조에 따라 다소 편차는 있지만, 평균 증가분은 (Train, Test)=(4.44%, 3.97%) 을 얻었다 각각 세 가지의 깊이와 폭을 가지는 신경망 모델 모두에서 VMD를 사용할 때가 No-VMD보다 정확도가 향상되는 것을 확인할 수 있다. Test의 최대 증가는 그림 8의 H₁-DNN(128)에서 7.
높은 수준의 검출률이 필요하다. 기존의 아크 검출기법들은 다양한 특징을 사용하지만, 완벽한 성능을 얻는 것이 어렵다 본 논문에서는 전기신호의 통계적 특징을 이용하여 아크 검출을 하는 기법에 VMD를 추가하여 검출성능을 개선할 수 있음을 신경망 기반으로 증명하였다. 다양한 깊이와 폭을 가지는 신경망 모델에 적용한 결과 모델구조에 따라 약간의 차이는 있지만, 평균적으로 (Train, Test)=(4.
기존의 아크 검출기법들은 다양한 특징을 사용하지만, 완벽한 성능을 얻는 것이 어렵다 본 논문에서는 전기신호의 통계적 특징을 이용하여 아크 검출을 하는 기법에 VMD를 추가하여 검출성능을 개선할 수 있음을 신경망 기반으로 증명하였다. 다양한 깊이와 폭을 가지는 신경망 모델에 적용한 결과 모델구조에 따라 약간의 차이는 있지만, 평균적으로 (Train, Test)=(4.44%, 3.97%)의 성능 향상 결과를 얻었다. VMD가 성능 향상에 도움이 되는 것을 알 수 있다
그런데통계적 특징은 시간 신호에서 얻을 수 있는 특징의 한계로성능 저하가 발생한다. 따라서, 시간신호로부터 아크 분류성능을 높여줄 수 있는 효율적인 특징의 추출이 가능해야만, 검출 성능을 개선할 수 있다. 이 문제를 해결하고자 하는 것이 본 연구의 목적이다.
아크 분류기로는 심층신경망을 이용한다. 실험에서는 원 시간신호에서 직접 통계적 특징을 추출한 것과, VMD로부터 얻은 신호들로부터 추출한 통계적 특징의 아크 검출 성능의 비교를 통해서, VMD가 아크의 분류 성능을 높일 수 있다는 것을 보여준다. VMD는 시간신호를 여러 개의 시간신호로 분할하는 기법이다.
No-VMD와 VMD 모두 통계적 특징이 만족스럽게 arc([0, 1])과 정상([1, 0])으로 분류되는 것을 알 수 있지만 일부 공간에서 겹침이 발생한다. 이것은 100%에 가까운 성능을 얻는 것이 쉽지 않다는 것을 보여준다 서론에서 언급한 것처럼 본 연구는 통계적 특징과 아크분류의 성능의 관계를 조사하는 것은 아니고, VMD가 No-VMD보다 성능을 개선한다는 것을 검증하는 것이다

참고문헌 (13)

C. Wu, Y. Liu and C. Hung, "Intelligent detection of serial arc fault on low voltage power lines", J. of Marine Science and Technology, Vol. 25, No. 1, pp. 43-53, 2017.
S. Ma, and L. Guan, "Arc fault recognition based on BP Neural Network", Int' Conf. Measuring Technology and Mechatronics Automation, 2011.
H. Yuanhang, Y. Wang, D. Enyuan, and Z. Jiyan, "Aviation arc fault diagnosis based on weight direct determined neural network", Int. Conf. Electric Power Equipment, 2013.
S. Hong, T. Kim, and S. Lee, "Study of series-arc detection algorithm", KIEE Summer Conf., 2018.
N. Perera and A. Rajapakse, "Recognition of fault transients using a probabilistic neural network classifier", IEEE Trans. Power Delivery, Vol. 25, Iss. 1, 2011.
Z. Chen and W. Li, "Multisensor feature fusion for bearing fault diagnosis using sparse autoencoder and deep belief network", IEEE Tran. Inst. and Measure., Vol. 66, No. 7, July 2017.
P. Muller, S. Tenbohlen, R. Maier, and M. Anheuser, "Characteristics of series and parallel low current arc faults in the time and frequency domain", Proc. of the 56th IEEE Holm Conf. Electrical Contacts, 2010.
H. Gu, F. Zhang, Z. Wang, Q. Ning, and S. Zhang, "Identification method for low-voltage arc fault based on the loose combination of wavelet transformation and neural network", Power Eng. and Auto. Conf., 2012.
S. Bang, J. Park, M. Jang, and W. Choi, "Analysis of series arc-fault signal using wavelet transform form non-linear loads". Trans. Korean Institute of Electrical Engineers, Vol. 57, No. 8, 2008.
G. Yunmei, W. Li, W. Zhuoqi, and J. Binfeng, "Wavelet packet analysis applied in detection of low-voltage DC arc fault", IEEE Industrial Electronics and Applications, 2009.
K. Dragomiretskiy and D. Zosso, "Variational Mode Decomposition", IEEE Tran. Signal Processing, Vol. 62, No. 3, Feb. 2014.
T. Chakravorti1 and P. Dash, "Multiclass power quality events classification using variational mode decomposition with fast reduced kernel extreme learning machine-based feature selection", IET Sci. Meas. Technol., Vol. 12, Iss. 1, pp. 106-117, 2018.

상세보기
L. Maaten and G. Hinton, "Visualizing Data using t-SNE", Journal of Machine Learning Research, Vol. 9, pp. 2579-2605, 2008.

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

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

인공 신경망을 이용한 전기 아크 신호 검출
Electrical Arc Detection using Artificial Neural Network 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (14)

표/그림 (14)

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

참고문헌 (13)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

인공 신경망을 이용한 전기 아크 신호 검출 Electrical Arc Detection using Artificial Neural Network 원문보기

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

Abstract ▼ AI-Helper

주제어

표/그림 (14) 모든 표/그림 보기

표/그림 (14) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

참고문헌 (13)

이 논문을 인용한 문헌

저자의 다른 논문 :

이상익 (1) 강석우 (1) 김태원 (1) 이승수 (3) 김만배 (56)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

인공 신경망을 이용한 전기 아크 신호 검출
Electrical Arc Detection using Artificial Neural Network 원문보기

초록
AI-Helper

표/그림 (14)

표/그림 (14)

AI 본문요약
AI-Helper