[논문]유도전동기의 고정자 고장 진단을 위한 CNN의 활성화 함수 선정

김경민; 김용현; 박근호; 이범; 이상로; 고영진

doi:10.13067/jkiecs.2021.16.2.287

초록
AI-Helper

본 논문에서는 유도전동기 고정자 고장 진단에 있어서 활성화 함수가 미치는 영향을 분석하여 효율적인 CNN 활용 방법을 제안하였다. 일반적으로 유도전동기 고정자 고장 진단의 주된 목적은 미세한 턴 단락을 빠르게 진단함으로 고장을 미리 방지함에 있다. 이에 활성화 함수 활용에 있어서 전반적인 고정자 고장에는 ReLu가 우수성을 보임을 알 수 있었으나, 미세한 턴 단락인 2턴 단락에 있어서는 Sigmoid 함수가 ReLu 함수보다 진단의 정확도에 있어서 23.23% 유용함을 실험을 통해 확인할 수 있었다.

Abstract ▼ AI-Helper

In this paper, we propose an efficient CNN application method by analyzing the effect of activation function on the failure diagnosis of the inductive motor stator. Generally, the main purpose of the inductive motor stator failure diagnosis is to prevent the failure by rapidly diagnosing the minute ...

In this paper, we propose an efficient CNN application method by analyzing the effect of activation function on the failure diagnosis of the inductive motor stator. Generally, the main purpose of the inductive motor stator failure diagnosis is to prevent the failure by rapidly diagnosing the minute turn short. In the application of activation function, experiments show that the Sigmoid function is 23.23% more useful in accuracy of diagnosis than the ReLu function, although it is shown that ReLu has superiority in overall fixer failure in utilizing the activation function.

주제어

표/그림 (8)

그림 그림 1. 데이터 수집 과정 Fig. 1 Data collection process
그림 그림 2 턴 단락별 전류 행렬화 이미지 Fig. 2 Current matrix image by turn short
그림 그림 3. CNN 구성 Fig. 3 Composition of CNN
표 표 1. 초기 파라미터 Table 1. Initial parameter
그림 그림 4. Sigmoid 함수 Fig. 4. Sigmoid function
그림 그림 5. ReLu 함수 Fig. 5. ReLu function
그림 그림 6. Max out 구조 Fig. 6 Max out structure
표 표 2. 전류행렬 이미지를 이용한 고장분류 정확도 Table 2. Fault classification accuracy(Current matrix image)

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 유도전동기 고정자 고장에 있어서 CNN을 활용한 진단 방법에 대하여 대표되는 활성화 함수가 미치는 영향을 분석하도록 하였다.
이에 본 논문에서는 유도전동기의 고정자 고장 진단에 있어서 특징추출 방법으로 사용된 전류 데이터를 이미지화하여 처리하는 방법에 있어서 Turn-to- Turn 고장을 2턴, 4턴, 6턴으로 세분화하여 CNN의 활성화 함수가 진단 정확도에 미치는 영향을 알아보고자 대표적인 활성화 함수인 Sigmoid, ReLu, Max out을 비교 분석하여 CNN을 활용한 유도전동기 고장진단에 있어서 진단 특징 및 방법에 적합한 활성화 함수를 연구하도록 하였다.

제안 방법

2차원 행렬 화 시킨 전류의 값을 패턴별 이미지 추출을 진행하기 위해 3상 전류 기준으로 데이터 1초 간격으로 구분하였으며, 이미지에 대한 규격을 통일하기 위하여 픽셀당 0부터 255까지의 스케일을 사용하였다. 또한 이미지 당 640*640으로 규격화하였다.
각 턴 단락별 이미지의 수는 1690[rpm]부터 1800[rpm]까지 10[rpm]간격으로 30초간 취득하였으며 이는 1sampling *30seconds *12가지 부하, 턴 단락마다 360가지의 패턴을 구성하였다. 전체 이미지의 수는 360개 이미지와 정상상태를 포함한 4가지 경우로 총 1, 440개이며 무작위 선별을 통하여 학습데이터 (Training data)는 1, 080개, 테스트 데이터(Test data)로 구분하였다.
실험방법에 있어서 많은 논문에서 사용한 3상 전류 데이터를 D-Q 변환을 통해 2상으로 변환한 뒤 2차원 배열을 통한 이미지로 구성하도록 하였으며, 정상 상태, 2천 단락, 4천 단락, 6천 단락으로 턴 단락별로 나타내었다.
이때 측정된 전류 데이터는 많은 노이즈를 포함함에 따라 저역 필터를 적용하였으며, 측정된 3상 전류의 데이터는 3상을 2상으로 변환하여주기 위해 D-Q 변환을 활용하였으며, 2상의 전류값을 2차원 행렬로 구성하여 이미지로 저장되었다.
측정된 전류 데이터를 1차원 배열을 통한 이미지화함으로 고정자의 Turn-to-Turn 단락에 관해 연구를 진행하였으며, 특징 추출하는 방법을 FFT가 아닌, 전류 3상의 값을 각 상당 2,000개의 데이터를 2차원 행렬로 변환한 후 이미지화하였다[5-6].
활성화 함수는 Sigmoid, LeRu, Max out을 통해 유도전동기 진단에 적합한 활성화 함수를 연구하였다.

대상 데이터

적용하였다. 데이터수집은 Fluke사 i5s AC current clamp를 이용하였으며, National Instruments 의 USB-DAQ 9215A with BNC로 데이터수집으로 사용하였다.
전체 이미지의 수는 360개 이미지와 정상상태를 포함한 4가지 경우로 총 1, 440개이며 무작위 선별을 통하여 학습데이터 (Training data)는 1, 080개, 테스트 데이터(Test data)로 구분하였다. 또한 학습데이터 내부의 검증을 위하여 전체 훈련데이터 중 검증데이터(Validation data) 360개를 따로 구성하여 학습을 진행하였다.
위와 같은 조건을 통하여 1초당 수집한 각 상당 9, 000개의 3상 전류 데이터를 사용하였으며, 이는 54개의 패턴으로 이루어진 1장의 이미지로 변환하여 연구에 적용하였다. 데이터수집은 Fluke사 i5s AC current clamp를 이용하였으며, National Instruments 의 USB-DAQ 9215A with BNC로 데이터수집으로 사용하였다.
360가지의 패턴을 구성하였다. 전체 이미지의 수는 360개 이미지와 정상상태를 포함한 4가지 경우로 총 1, 440개이며 무작위 선별을 통하여 학습데이터 (Training data)는 1, 080개, 테스트 데이터(Test data)로 구분하였다. 또한 학습데이터 내부의 검증을 위하여 전체 훈련데이터 중 검증데이터(Validation data) 360개를 따로 구성하여 학습을 진행하였다.

이론/모형

CNN의 구성은 그림 3과 같이 하였으며, 초기 조건은 표 1과 같이 Epoch는 400, Convolution의 경우 3*3*64의 필터를 사용하였으며, Poolinge Max Pooling 기법을 이용하였으며, Classification 층의 Dense의 은닉층은 64-64-64로 3개의 층을 사용하였다. 활성화 함수는 Sigmoid, LeRu, Max out을 통해 유도전동기 진단에 적합한 활성화 함수를 연구하였다.
그림 2의 전류 행렬화 이미지는 M. Skowron, T. Kowalska가 제안한 CNN 방식의 이미지 수집 방식을 이용하여 전류값 변환 이를 이미지화한 방식으로, 3상전류의 값에 대하여 각 상별로 1초 동안 수집한 데이터(90, 000개 * 3상)를 90*100 행렬로 변환시켜 각 상에 대하여 R, G, B로 이미지화시킨 것으로 90*100*3의 이미지를 출력하였다.
일반적인 데이터를 취득하는 방법으로 MCSA(:Mo tor Current Signature Analysis)를 사용하여 취득함으로 추가적인 회로 구성없이 처리하도록 하고 있다.

성능/효과

그러나 유도전동기 고정자 고장 진단의 주요한 사항은 미세한 턴 단락을 빠르게 검출함을 목표로 연구되고 있다는 점을 고려할 때 2천 단락에 있어서 Sigmoid 함수가 ReLu 방법보다 진단 정확도에 있어서 23.23% 더 우수함을 알 수 있었다.
발전을 이루었으며 그 성능을 입증하였다[4]. 또한, 최근 Deep Learning 기술을 기반으로 한 데이터 기반 접근 방식은 기존의 결함진단 방식과 비교하여 최소 턴 단락 결함검출에 강점을 보였으며, 이를 통하여 Deep Learning 기반의 고장 진단 방법이 방대한 데이터를 이용할 경우 강력한 성능을 보임을 확인하였다.
실험 결과 ReLu 함수가 상대적으로 각 고장 턴 단락에 고르게 고장 진단 정확도를 나타내는 것으로 실험을 통해 알 수 있으나, 전반적으로 활성화 함수에 크게 영향을 받지 않는 것을 알 수 있다.
이에 대표되는 활성화 함수인 Sigmoid, ReLu, Max-out을 통한 진단의 정확도를 비교하여 본 결과 전체적인 정확도에 있어서는 큰 차이는 없었으나, ReLu함수를 활용할 경우 턴 단락별 고르게 진단을 할 수 있음을 알 수 있었다.
이에 본 논문의 실험결과를 비추어볼 때, 미세한 턴 단락을 빠르게 검출하기 위해서는 Sigmoid 함수가 ReLu보다 23.23% 우수함을 알 수 있다.
일반적으로 CNN을 이용한 방법에서 ReLu 방법이 우수하다고 알려졌으나, 본 논문의 실험 결과 유도전동기의 진단 특성에 맞춰볼 때 Sigmoid 함수가 유용함을 알 수 있었다.

후속연구

향후 CNN을 적용한 유도전동기의 고정자 고장 진단에 있어서 Sigmoid함수와 ReLu함수를 병행하여 활용하는 방안에 관한 연구가 필요할 것으로 판단된다.

참고문헌 (11)

A. Boum, N. Y. J. Maurice, L. N. Nneme, and L. M. Mbumda, "Fault Diagnosis of an Induction Motor based on Fuzzy Logic, Artificial Neural Network and Hybrid System," Int J of Control, vol. 8, no. 2, 2018, pp. 42-51.
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, 2019, pp. 2105.

상세보기
J. C. Quiroz, N. Mariun, M. R. Mehrjou, M. Izadi, N. Misron, and M. A. M. Radzi, "Fault detection of broken rotor bar in LS-PMSM using random forests," Measurement, vol. 116, 2018, pp. 273-280.

상세보기
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. 21, 2006, pp. 1-8.

상세보기
T. Khan, P. Alekhya, and J. Seshadrinath, "Incipient inter-turn fault diagnosis in induction motors using CNN and LSTMbased methods," IEEE Industry Applications Society Annual Meeting, IEEE, 2018, pp. 1-6.
M. Skowron, T. Kowalska, M. Wolkiewicz, and C. T. Kowalski, "Convolutional neural network-based stator current data-driven incipient stator fault diagnosis of inverter-fed induction motor," Energies, vol. 13, 2020, pp. 1-21.
P. Chattopadhyay, N. Saha, C. Delpha, and J. Sil, "Deep learning in fault diagnosis of induction motor drives," Prognostics and System Health Management Conf.2018, pp. 1068-1073.
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," IEEE 6th Int. Conf. on Industrial Engineering and Applications (ICIEA). IEEE, pp. 440-445, 2019.
Y.. J. Goh, G. N. Kim, Y. H. Kim, B. Lee, and K. M. Kim, "Diagnosis Method for Stator-Faults in Induction Motor using Park's Vector Pattern and Convolution Neural Network," Institute of Korean Electrical and Electronics Engineers, vol. 24, no. 3, 2020, pp. 883-889.
S. W. Park and D. Y. Kim, "Comparison of Image Classification Performance by Activation Functions in Convolutional Neural Networks," Korea Multimedia Society, vol. 21, no. 10, 2018, pp. 1142-1149.
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 science, vol. 24, no. 3, Mar. 2020, pp. 추가해주세요.

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

유도전동기의 고정자 고장 진단을 위한 CNN의 활성화 함수 선정
A Activation Function Selection of CNN for Inductive Motor Static Fault Diagnosis 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (8)

표/그림 (8)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

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

유도전동기의 고정자 고장 진단을 위한 CNN의 활성화 함수 선정 A Activation Function Selection of CNN for Inductive Motor Static Fault Diagnosis 원문보기

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

Abstract ▼ AI-Helper

주제어

표/그림 (8) 모든 표/그림 보기

표/그림 (8) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

김용현 (2) 이범 (17)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

유도전동기의 고정자 고장 진단을 위한 CNN의 활성화 함수 선정
A Activation Function Selection of CNN for Inductive Motor Static Fault Diagnosis 원문보기

초록
AI-Helper

표/그림 (8)

표/그림 (8)

AI 본문요약
AI-Helper