[논문]인공지능에 의한 부하전류파형의 인식으로 화재감지 시스템

이오걸; 송호신; 김태우; 김민회

[국내논문] 인공지능에 의한 부하전류파형의 인식으로 화재감지 시스템
Fire detection system by awareness of load current waveform by Neural Network 원문보기

이오걸 (동의공업대학) , 송호신 (부산정보대학) , 김태우 (한국전력공사) , 김민회 (영남이공대학)

In this paper, a method which can detect tracking caused by the insulation deterioration of conduct wiring, is proposed. The computer which take experiment data is learned by neural network algorithm, which has recently been used for the load recognition. The proposed method in our study can be applied to the development of several measuring equipments such as hot-line insulation tester, car earth tester for the detection of tracking under hot-line state.

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

문제 정의

본 연구는 공장 배선의 선간 절연불량으로 발생하는트랙킹 현상을 검지하기 위해서 각 부하전류 파형과 무부하 및 부하시 트랙킹 전류 파형의 고조파 성분을 FFT 분석하여 이들 데이터를 DB화하여, 최근 부하 인식에 많이 사용되고 있는 신경회로망을 이용하여 입력내용을 학습시켜서 부하의 종류와 트랙킹 발생 유무를 식별 할 수 있는 방법을 연구한다.

가설 설정

출력 Y는 n개의 입력, 즉, XL..Xn과 연결강도 I必와의 곱의 합 즉, Z 炊, 를 출력 함수 /(X)로 변환시 킨 것이다. 여기서, 연결강도 眉는 수행하고자 하는 작업의 성능을 향상시키도록 학습시킨다

제안 방법

본 논문에서 사용한 중간층 출력함수는 그림 3에서 나타낸 것과 같은 일종의 시그모이드 함수로서, 출력 [0, 1] 의 범위내에서 미분 가능한 단조 증가의 Sigmoid 함수를 이용하였다.
공장에서 주로 많이 사용하는 모터를 부하로 선택하여 공장배선에 트랙킹 현상이 발생하였을 때의 파형을 측정하였으며, 측정 시스템은 그림 4와 같다.
컴퓨터에 읽어 들여진 데이타는 FFT 분석에 의해 전류의 스펙트럼을 1 - 9차 고조파까지 분석하였다.
매 부하별로 100회씩 실험을 반복하여 데이타를 구성하였다.
모터를 100회의 측정결과를 FFT에 의해서 고조파 분석을 하여 각 고조파 중에서 기수차의 고조파 만을 선택였다. 이렇게 하여 구성된 각 부하별 기본파의 진폭 및 제 3고조파에서 제 9고조파의 진폭을 모두 합한후 이 전체에 대한 각 기본파 및 고조파의 비율이 몇 퍼센트인지를 계산하였다.
이렇게 하여 구성된 각 부하별 기본파의 진폭 및 제 3고조파에서 제 9고조파의 진폭을 모두 합한후 이 전체에 대한 각 기본파 및 고조파의 비율이 몇 퍼센트인지를 계산하였다.
이를 신경회로망을 사용하여 각 부하별로 트랙킹 현상학습에 중간층을 가변시키면서 파형인식에 가장 정확도가 높은가를 고찰하였다.
입력층을 5개에 각 고조파의 진폭을 입력하고, 정확성이 가장 좋은 중간층을 찾기 위하여 중간층을 5개에서 20개까지 가변하면서 학습하였다.

대상 데이터

본 연구에서 사용한 부하는 공장에 시설된 전선을 비롯한 수 많은 전기설비 중에서 특히 사용 빈도가 높은무부하시와 모터를 대상으로 실험을 하였다. 본 연구의결과 부하시 트랙킹 인식이 완벽한 장점을 이용하여 현재 공장 전기설비의 과부하 및 단락 보호장치인 배선용 차단기나 퓨우즈가 검출하지 못하는 트랙킹 현상을 활선 상태에서 검출할 수 있는 활선 절연측정기 및 차량 누전 측정기 등 측정장치 개발의 기초 연구자료로 활용하는데 도움이 될 것이며, 배선용차단기와 퓨우즈의 대치 품으로 사용할 수 있는 등 그 활용 범위가 넓은 것으로 생각된다.

성능/효과

학습률 n와 모멘트 계수a를 각각 0.1에서 0.9로 가변시키면서 학습해본 결과 학습계수가 0.5이고 모멘텀항이 0.9일때 가장 빨리 학습하면서도 정확성이 가장 양호하였다.
학습결과 중간층의 수가 많을수록 적을 때 보다 수렴속도가 빠르게 되었지만 너무 많아도 오히려 수렴속도가 떨어졌다.
그리고, 학습의 정확도는 중간층의 수가 입력층의 수보다 약 3배일때 가장 학습 정확도가 양호했으며, 중간층의 수가 많을수록 정확도가 더 양호하게 되나 너무 많으면 정확도가 오히려 떨어짐을 알 수 있었다.
무부하인 경우는 트랙킹 현상이 발생했을 때 보다도 수렴속도도 빠르고 정확성도 좋게 나타났다.
이상에서와 같이 중간층의 뉴런수가 입력층의 뉴런 수의 약 3배 정도일 때가 가장 정확성의 면에서 우수한 인식성능을 발휘하는 것을 알 수 있다.
이는 본 연구에서 구축한 신경회로망이 모든 트랙킹 현상을 인식할 수 있는 아주 우수한 신경 회로망이 됨을 확인 할 수 있었다.

후속연구

모터를 대상으로 실험을 하였다. 본 연구의결과 부하시 트랙킹 인식이 완벽한 장점을 이용하여 현재 공장 전기설비의 과부하 및 단락 보호장치인 배선용 차단기나 퓨우즈가 검출하지 못하는 트랙킹 현상을 활선 상태에서 검출할 수 있는 활선 절연측정기 및 차량 누전 측정기 등 측정장치 개발의 기초 연구자료로 활용하는데 도움이 될 것이며, 배선용차단기와 퓨우즈의 대치 품으로 사용할 수 있는 등 그 활용 범위가 넓은 것으로 생각된다.

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

[국내논문] 인공지능에 의한 부하전류파형의 인식으로 화재감지 시스템
Fire detection system by awareness of load current waveform by Neural Network 원문보기

Abstract ▼ AI-Helper

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 인공지능에 의한 부하전류파형의 인식으로 화재감지 시스템 Fire detection system by awareness of load current waveform by Neural Network 원문보기

Abstract ▼ AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 인공지능에 의한 부하전류파형의 인식으로 화재감지 시스템
Fire detection system by awareness of load current waveform by Neural Network 원문보기

AI 본문요약
AI-Helper