$\require{mediawiki-texvc}$

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.

로지스틱 회기를 이용한 아크 검출
Arc Detection using Logistic Regression 원문보기

방송공학회논문지 = Journal of broadcast engineering, v.26 no.5, 2021년, pp.566 - 574  

김만배 (강원대학교 컴퓨터정보통신공학과)

초록
AI-Helper 아이콘AI-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. 그러나, 딥러닝의 문제는 연산 복잡도가 높다는 것이다. 이 문제는 단말기에 딥러닝 연산 모듈을 넣기가 어렵게 한다. 따라서 본 논문에서는 복잡도가 상대적으로 낮은 기계학습 기법중에 로지스틱회기 (logistic regression)를 이용하여 아크 검출을 하는 기법을 제안한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

The 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. On the contr...

주제어

#arc detection   #logistic regression   #frequency spectrum   #FFT  

표/그림 (13)

참고문헌 (10)

  1. 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. 

  2. S. Ma, and L. Guan, "Arc fault recognition based on BP Neural Network", Int' Conf. Measuring Technology and Mechatronics Automation, 2011. 

  3. 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. 

  4. S. Lee, S. Kang, T. Kim, S. Lee and M. Kim, "Electrical arc detection using artificial neural network", Journal of Broadcast Engineering, Vol. 24, No. 5, Sep. 2019. 

  5. N. Perera and A. Rajapakse, "Recognition of fault transients using a probabilistic neural network classifier", IEEE Trans. Power Delivery, Vol. 25, Iss. 1, 2011. 

  6. 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. 

  7. S. Lee, S. Kang, T. Kim and M. Kim, "Electrical arc detection using convolutional neural network", Journal of Broadcast Engineering, Vol. 25 No. 4 pp. 274-282, July 2020. 

  8. 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. 

  9. 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. 

  10. 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. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

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