$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

Park's Vector 패턴과 CNN을 이용한 유도전동기 고정자 고장진단방법
Diagnosis Method for Stator-Faults in Induction Motor using Park's Vector Pattern and Convolution Neural Network 원문보기

전기전자학회논문지 = Journal of IKEEE, v.24 no.3, 2020년, pp.883 - 889  

고영진 (Dept. of Electrical Engineering, Tongmyong University) ,  김귀남 (Dept. of Mechanical and Automotive Engineering, Suncheon Jeil College) ,  김용현 (Dept. of Electrical and Semiconductor Engineering, Chonnam National University) ,  이범 (Dept. of Electrical and Semiconductor Engineering, Chonnam National University) ,  김경민 (Dept. of Electrical and Semiconductor Engineering, Chonnam National University)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 CNN(Convolution Neural Network)을 이용한 유도전동기 고정자 고장진단에 PV(Park's Vector)패턴을 특징으로 활용하는 방법을 제안하였다. 기존의 CNN을 이용한 유도전동기 고장진단 방법은 3상 전류를 이미지화하여 진단을 수행하였으나, 이 방법은 인위적으로 전류의 시작점, 위상 등을 맞춰 정규화를 수행해야하는 번거러움이 존재하나, PV패턴을 이용할 경우 일정 원의 패턴을 나타내기 때문에 정규화의 문제를 해결 할 수 있었다. 또한 PV패턴을 이용할 경우, 특징벡터가 자동적으로 정규화됨에 따라 기존의 전류데이터를 이미지화한 결과보다 CNN의 정확도 측면에서 18.18[%] 우수함을 실험을 통해 확인할 수 있었다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In this paper, we propose a method to use PV(Park's Vector) pattern for inductive motor stator fault diagnosis using CNN(Convolution Neural Network). The conventional CNN based fault diagnosis method was performed by imaging three-phase currents, but this method was troublesome to perform normalizat...

주제어

#3-Phase Induction Motor   #Fault Diagnosis   #ITSC   #CNN   #PVA  

표/그림 (11)

AI 본문요약
AI-Helper 아이콘 AI-Helper

문제 정의

  • 본 논문에서는 최근 AI기술을 통한 다양한 진단이 적용됨에 따라 유도전동기의 고정자 고장진단을 위한 효율적인 방법을 제시하였다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
기계적 결함과 전기적 결함의 특징은? 유도전동기의 고장은 크게 기계적 결함과 전기적 결함요소로 나뉘며, 기계적 결함은 통상 베어링, 회전자바 고장을 나타내며, 전기적 고장은 고정자고장을 나타낸다[1]. 고장빈도는 기계적 결함이 많으나, 상시 점검이 잘 이뤄지는 부분이며, 고장진단 시스템 측면에서도 DFT를 이용한 측대파 알고리즘이 구축되어 있어 고장진단에 유용하게 활용되고 있다[2]. 하지만, 전기적 결함은 점검과정에서 육안으로 확인이 어려워 시스템적 측면으로 의존해야하나 시스템적 측면에서 진단이 이뤄질 시 미세한 결함을 검출하는데 어려움이 따른다. 이에 많은 연구들에서는 이를 ITSC(Inter Turn Short Circuit)이라 정의하여 이를 진단하는데 연구를 진행하고 있다[3].
유도전동기의 고장은 크게 어떻게 나뉘는가? 유도전동기의 고장은 크게 기계적 결함과 전기적 결함요소로 나뉘며, 기계적 결함은 통상 베어링, 회전자바 고장을 나타내며, 전기적 고장은 고정자고장을 나타낸다[1]. 고장빈도는 기계적 결함이 많으나, 상시 점검이 잘 이뤄지는 부분이며, 고장진단 시스템 측면에서도 DFT를 이용한 측대파 알고리즘이 구축되어 있어 고장진단에 유용하게 활용되고 있다[2].
본 논문에서는 최근 AI기술을 통한 다양한 진단이 적용됨에 따라 유도전동기의 고정자 고장진단을 위한 효율적인 방법을 제시하였다, 어떤 방법이 효율적인가? AI 기술 중, CNN을 이용한 방법은 2차원 데이터의 입력이 용이하고 훈련이 용이하며, 적은 매개변수라는 장점이 있어 최근 많은 연구가 진행되고 있다. 이러한 이유로 유도전동기 고장진단에 있어서 다양한 특징(전류, 진동, 소음 등)을 이미지화하여 적용하는 기술이 연구되고 있다. 하지만, CNN을 이용한 유도전동기 고장진단에 있어서 이미지의 정규화과정을 임의로 설정해야하는 번거로움이 있다. 이에 본 논문에서는 3상 전류성분의 데이터를 PV 패턴으로 나타내어 자동적으로 정규화가 이뤄지도록 하였으며, 특정 패턴으로 정규화된 이미지로 인해 기존의 방법보다 18.18[%] 높은 정확도가 나타남을 실험을 통해 확인 할 수 있었다.
질의응답 정보가 도움이 되었나요?

참고문헌 (13)

  1. Y.-J. Goh and O. Kim, "Linear Method for Diagnosis of Inter-Turn Short Circuits in 3-Phase Induction Motors," Applied Sciences, vol.9, no.22, pp.4822, 2019. DOI: 10.3390/app9224822 

    상세보기 crossref

  2. C. Yang, "Electrical monitoring for reliable detection of stator core lamination and rotor faults diagnosis in 3-phase induction motor," Doctor thesis, Korea University, 2019. 

  3. Y. Chen, X. Zhao, Y. Yang and Y. Shi "Online Diagnosis of Inter-turn Short Circuit for Dual- Redundancy Permanent Magnet Synchronous Motor Based on Reactive Power Difference," Energies, vol.12, no.3, pp.510, 2019. DOI: 10.3390/en12030510 

    상세보기 crossref

  4. Y.-J, Goh and K.-M. Kim, "Inter-turn Short Circuit Diagnosis Using New D-Q Synchronous Min-Max Coordinate System and Linear Discriminant Analysis," Applied Sciences, vol.10. no.6, pp.1996, 2020. DOI: 10.3390/app10061996 

    상세보기 crossref

  5. S. E. Pandarakone, Y. Mizuno and H. Nakamura, "A Comparative Study between Machine Learning Algorithm and Artificial Intelligence Neural Network in Detecting Minor Bearing Fault of Induction Motors," Energies, vol.12, no.11, pp.2105, 2019. DOI: 10.3390/en12112105 

    상세보기 crossref

  6. F. Filippetti, G. Frauceschini, C. Tassoni, and P. Vas, "Recent developments of induction motor drives fault diagnosis using AI techniques," IEEE Trans. on Enegy Conversion, vo1.19, no.4, pp. 1108-1116, 2004. DOI: 10.1109/41.873207 

  7. J. H. Han, D. J. Choi, S. K. Hong, and J. S. Kim, "Motor fault diagnosis using CNN based deep learning algorithm considering motor rotating speed," 2019 IEEE 6th International Conference on Industrial Engineering and Applications (ICIEA), pp.440-445, 2019. DOI: 10.1109/IEA.2019.8714900 

  8. P. Chattopadhyay, N. Saha, C. Delpha and J. Sil, "Deep learning in fault diagnosis of induction motor drives," in Proc. of the 2018 Prognostics and System Health Management Conference pp. 1068-1073, 2018. DOI: 10.1109/PHM-Chongqing.2018.00189 

  9. M. Skowron, T. Kowalska, M. Wolkiewicz, and C. T. Kowalski, "Convolutional neural networkbased stator current data-driven incipient stator fault diagnosis of inverter-fed induction motor," Energies, vol.13, no.6, pp.1475, 2020. DOI: 10.3390/en13061475 

    상세보기 crossref

  10. B.-S. Jeon, D.-J. Lee, S.-H, Lee, J.-W. Ryu and M.-G. Chun, "Fault Diagnosis of Induction Motor by Fusion Algorithm based on PCA and IDA," Journal of the Korean Institute of Illuminating and Electrical Installation Engineers, vol.19, no.2, pp.152-159, 2005. http://dx.doi.org/10.5207/JIEIE.2005.19.2.152 

    원문보기 상세보기 crossref

  11. A. J. M. Cardoso, S. M. A. Cruz and D. S. B. Fonseca, "Inter-Turn Stator Winding Fault Diagnosis in Three-Phase Induction motors, by Park's Vector Approach," IEEE Trans. Energy Convers, vol.14, no.x, pp.595-598, 1999. DOI: 10.1109/IEMDC.1997.604083 

    상세보기 crossref

  12. D.-W. Kim, J.-W. Seok, and K.-S. Bae "Target/non-target classification using active sonar spectrogram image and CNN," Institute of Korean Electrical and Electronics Engineers, vol.22, no.4, pp. 044-1049, 2018. DOI: 10.9717/kmms.2018.21.9.1062 

  13. H. N. Nguyen and C. Lee, "Effects of Hyperparameters and Dataset on CNN Training," Institute of Korean Electrical and Electronics Engineers, vol.22, no.1, pp.14-20, 2018. DOI: 10.7471/ikeee.2018.22.1.14 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로