[논문]합성곱 신경망을 이용한 전기 아크 신호 검출

이상익; 강석우; 김태원; 김만배

doi:10.5909/jbe.2020.25.4.569

[국내논문] 합성곱 신경망을 이용한 전기 아크 신호 검출
Electrical Arc Detection using Convolutional Neural Network 원문보기

방송공학회논문지 = Journal of broadcast engineering, v.25 no.4, 2020년, pp.569 - 575

이상익 (한국전기안전공사 전기안전연구원) , 강석우 (한국전기안전공사 전기안전연구원) , 김태원 (한국전기안전공사 전기안전연구원) , 김만배 (강원대학교 컴퓨터정보통신공학과)

초록
AI-Helper

전기화재의 원인중의 하나는 직렬 아크이다. 최근까지 아크 신호를 검출하기 위해 다양한 기법들이 진행되고 있다. 시간 신호에 푸리에 변환, 웨이블릿 변환, 또는 통계적 특징 등을 활용하여 아크 검출을 하는 방법들이 소개되었지만, 변환 및 특징 추출은 부가적인 처리 시간이 요구되는 단점이 있다. 반면에 최근의 딥러닝 모델은 종단간 학습으로 특징 추출 과정없이 직접 원시 데이터를 활용한다. 따라서, 1-D 시간 신호를 직접 활용하여 아크를 검출하는 것이 좋은데, 인공신경망의 분류 성능이 저하되는 문제점이 있다. 본 논문에서는 연속 입력 1-D 신호를 2-D로 변환한 후에, 합성곱신경망으로 분류하는 방법을 제안한다. 실험 데이터에 적용한 결과 합성곱신경망의 사용이 인공신경망보다 약 8.6%의 아크 분류 성능을 향상시켰다. 또한 2-D 데이터의 부족을 보완하기 위해서 데이터증강을 이용하여, 14%의 분류 성능을 개선하였다.

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, additional steps such as transformation and feature extraction are required. On the contrary, deep learning models directly use the raw data without any feature extraction processes. Therefore, the usage of time-domain data is preferred, but the performance is not satisfactory. To solve this problem, subsequent 1-D signals are transformed into 2-D data that can feed into a convolutional neural network (CNN). Experiments validated that CNN model outperforms deep neural network (DNN) by the classification accuracy of 8.6%. In addition, data augmentation is utilized, resulting in the accuracy improvement by 14%.

주제어

표/그림 (8)

그림 그림 1. 정상 신호와 아크 신호의 예. (a) 정상신호 및 (b) 아크신호 Fig. 1. An example of normal and arc signals. (a) normal signal and (b) arc signal
그림 그림 2. 1-D 시간 신호를 2-D 데이터로 변환하는 과정. x₁, x₂,..., x_N은 1-cycle 신호임 Fig. 2. Transformation of 1-D time-domain signal into 2-D data. x₁, x₁, x₂,..., x_N are 1-cycle signals
그림 그림 3. N × W 데이터 생성. (a) 20-cycle의 시간 신호 및 (b) 20x460 2-D 데이터. 적색 픽셀은 음수값, 청색 픽셀은 양수값이고, 시각화를 위해서 데이터값을 변환하였음 Fig. 3. N × W data generation. (a) 20-cycle time-domain signal and (b) 20x450 2-D data. Red pixel indicates negative value and blue pixel indicates positive value, where data is transformed for better visualization
그림 그림 4. 실험에 사용한 합성곱신경망 모델 Fig. 4. Convolutional neural network used in experiments
그림 그림 5. 정상 및 아크 신호의 예. 1행은 정상, 2행은 아크임. (a) S₂, (b) S₄ 및 (c) S₇ Fig. 5. Examples of normal and arc signals. Top: normal, Bottom: arc. (a) S₂, (b) S₄ and (c) S₇
표 표 1. 아크 데이터의 부하 종류 Table 1. Load types of arc signal
표 표 2. 7개의 부하 신호의 2-D 데이터 개수 Table 2. The number of 2-D data produced by seven load signals
표 표 3. CNN 모델의아크분류 정확도(단위: 퍼센트). DA=Data Augmentation. FC=fully-connected Table 3. Classification accuracy of CNN model. (Unit: %). DA=Data Augmentation. FC=fully-connected

AI 본문요약
AI-Helper

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

문제 정의

따라서 종단간 학습에 맞추어 시간 신호(time-domain signal)를 직접 입력으로 사용하여 인공신경망의 성능을 검증하고자 한다. 이 방법은 주파수변환이 생략되어 처리속도를 줄일 수 있는 장점이 있으나, 상대적으로 성능이 저하 되는 문제가 발생한다.
이 방법은 주파수변환이 생략되어 처리속도를 줄일 수 있는 장점이 있으나, 상대적으로 성능이 저하 되는 문제가 발생한다. 따라서, 아크 분류 성능을 높여주기 위해서 연속 1-D 시간신호를 2-D 영상으로 변환한 후에, CNN으로 학습하여 성능을 개선하는 것이 본 연구의 목적이다.

가설 설정

일반적으로 아크신호의 특징은 1) 고주파 성분이 크고, 2) 숄더(shoulder)영역에서 납작한 형태를 가지고, 3) 짧은 시간동안 크기가 급격히 상승 및 하강이 발생한다. 그러나 이 특성은 부하별로 차이가 많아서, 검출에 사용할 수 있는 만족스러운 특징을 찾는 것은 어렵다.

제안 방법

입력 데이터의 80%는 학습 데이터로 사용하고 20%는 테스트 데이터로 사용하였다. CNN으로 학습시킨 후 테스트 단계에서 분류 정확도(classification accuracy)를 측정하였다. 2-D 데이터는 입력 전에 [0, 1]의 정규화를 거쳤다.
의 정상신호와 아크신호의 예를 보여준다. 각 학습 데이터는 정상이면 레이블을 0, 아크이면 1로 클래스를 할당하여, 지도학습 이진 분류 신경망으로 학습한다.
전기신호에서 발생하는 아크신호의 검출은 화재의 위험때문에, 높은 수준의 검출율이 필요하다. 기존의 아크 검출 기법들은 다양한 주파수, 웨이블릿의 특징을 사용하는데 반해서, 본 연구에서는 합성곱신경망(CNN)의 장점인 종단간 학습에 맞추어 1-D 시간 신호를 2-D 데이터로 변환한 후에, 신경망 모델의 성능을 검증하였다. DNN 모델과 비교하면 8.
1-D 신호의 데이터증강 방법으로는 jittering, scaling, rotation, magnitude warping, time warping, cropping, permutation 등이 있다 [12] . 데이터 증강에서는 증강된 데이터가 신호의 특성 또는 도메인에 맞게 제작되어야 해서, 본 연구에서는 scaling과 새로운 기술로 line swapping을 2-D 데이터 증강에 활용하였다. line swapping은 N 개의 line 신호가 있으면, 랜덤하게 서로의행(row)을 교환(swapping)하는 것이다.
둘째는 CNN의 입력인 N × W와 동일한 개수를 맞추기 위해서, 1 × (N·W)로 1-D 신호를 만들어서 완전 결합층 DNN으로 성능을 분석하였다.
본 장에서는 아크 신호 획득 과정 및 학습에 사용하는 2-D 데이터를 설명한다. 부족한 학습 데이터를 보충하기 위해서 사용한 데이터증강에 대해 소개한 후에, 실험결과를 검증한다.
표 1은 데이터의 7가지 부하 종류를 보여준다. 부하별 정상신호 및 아크신호를 생성하였다. S₁는 부하로 조광기(dimmer)와 백열등(incandescent lamp)을 사용하여 얻은 신호이다, 샘플링 주파수는 27KHz이다.
신경망 모델로는 완전연결 심층신경망^[1~4] , 자기부호화기(autoencoder)^[6] 등을 활용한다. 입력신호에서 아크검출에 필요한 특징(feature)을 찾은 후에, 이 특징을 입력으로 분류 모델을 학습하여 아크 신호를 검출하게 된다. 특징으로는 주로 주파수(frequency), 통계적 특징(statistical feature) 등을 사용한다.
정상신호는 아크 생성기를 OFF한 후에, 부하 기기를 작동하여 취득하였다. 아크신호는 ON 상태에서 구리봉을 접촉시켜 생성하였다.
푸리에변환[7] , 웨이블릿(wavelet)[8,9,10] 변환을 이용하여 정상과 아크를 분별할 수 있는 특징들을 주파수 도메인에서 찾은 후에 이를 활용하여 검출한다.

대상 데이터

2]의 값을 랜덤 균일분포로 얻은 후에 각 샘플 데이터에 곱해주는 방식이다. 각 부하신호별 200개의 데이터를 제작하였다. 증강데이터는 CNN 모델의 테스트에는 사용하지 않고, 학습에서만 사용하였다.
S₁는 부하로 조광기(dimmer)와 백열등(incandescent lamp)을 사용하여 얻은 신호이다, 샘플링 주파수는 27KHz이다. 따라서 신호의 한 주기에서 450 개의 샘플을 얻는다. 각 신호 데이터에는 아크(1), 정상(0)으로 해당 레이블이 할당된다.
실험에서 사용한 데이터의 정제 및 CNN의 구현은 MATLAB 2018a 버전에서 이루어졌다. 입력 데이터의 80%는 학습 데이터로 사용하고 20%는 테스트 데이터로 사용하였다. CNN으로 학습시킨 후 테스트 단계에서 분류 정확도(classification accuracy)를 측정하였다.
정상신호와 아크신호 데이터는 한국전기안전공사 전기 안전연구원에서 아크 생성기(arc generator)를 이용하여 제작하였다. 총 7개의 부하(load) S_i (i∈1, … ,7)가 있으며, S₁는 각각 정상신호와 아크신호의 데이터로 구성된다.
S₁ 에서는 2-D 아크는 36개, 정상은 37개가 얻어진다. 총 데이터 개수는 각각 396, 331개이다. 부하별 부하 신호 데이터의 부족이 발생하는데, 학습데이터의 부족은 CNN의 테스트 단계에서 과적합(overfitting)의 원인이 된다.

이론/모형

비교 성능 검증을 위해 은닉층으로만 구성되는 완전결합층(fully-connected) DNN(deep neural network)을 사용한다. 입력신호는 2가지로 첫째는 크기가 1 × W 벡터 형태의 1-D 신호이다.
기존의 기계학습 기법들의 성능을 개선할 수 있는 신경망이 최근 관심을 받고 있다^[1-6] . 신경망 모델로는 완전연결 심층신경망^[1~4] , 자기부호화기(autoencoder)^[6] 등을 활용한다. 입력신호에서 아크검출에 필요한 특징(feature)을 찾은 후에, 이 특징을 입력으로 분류 모델을 학습하여 아크 신호를 검출하게 된다.
실험에서 사용하는 신경망은 CNN(convolutional neural network)을 기반으로 한다. CNN은 다양한 이미지 클래스 분류에서 월등한 성능을 보이며^[10,11] , 기존 알고리즘보다 좋은 성능을 나타낸다.
실험에서 사용한 데이터의 정제 및 CNN의 구현은 MATLAB 2018a 버전에서 이루어졌다. 입력 데이터의 80%는 학습 데이터로 사용하고 20%는 테스트 데이터로 사용하였다.

성능/효과

기존의 아크 검출 기법들은 다양한 주파수, 웨이블릿의 특징을 사용하는데 반해서, 본 연구에서는 합성곱신경망(CNN)의 장점인 종단간 학습에 맞추어 1-D 시간 신호를 2-D 데이터로 변환한 후에, 신경망 모델의 성능을 검증하였다. DNN 모델과 비교하면 8.6%의 분류정확도 향상이 있었다. 또한 데이터증강을 이용하면 약 14%의 성능 향상이 있음을 실험에서 증명 하였다.
6%의 분류정확도 향상이 있었다. 또한 데이터증강을 이용하면 약 14%의 성능 향상이 있음을 실험에서 증명 하였다. 향후 연구에서는 2-D 데이터 제작 방법의 개선 및 CNN 모델 개선이 필요하다.

후속연구

또한 데이터증강을 이용하면 약 14%의 성능 향상이 있음을 실험에서 증명 하였다. 향후 연구에서는 2-D 데이터 제작 방법의 개선 및 CNN 모델 개선이 필요하다.

참고문헌 (12)

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.
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.
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.
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.
S. Lee, C. Choi, and M. Kim, "CNN-based people recognition for vision occupancy sensors", Journal of Broadcast Engineering, Vol. 23, No. 2, March 2018, pp. 274-282.
E. Kim and W. Kim, "Face anti-spoofing based on combination of luminance and chrominance with convolutional neural networks", Journal of Broadcast Engineering, Vol. 24, No. 6, pp. 1113-1121, Nov. 2018.
T. Um, F. Pfister, D. Pichler, S. Endo, M. Lang, S. Hirche, U. Fietzek, and D. Kulic, "Data augmentation of wearable sensor data for Parkinson's disease monitoring using convolutional neural networks", 19th ACM International Conference on Multimodal Interaction (ICMI), Nov. 2017, Glasgow, UK.

저자의 다른 논문 :

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