[논문]k-NN과 SVM을 이용한 유도전동기 고장 분류

박성무; 이대종; 권석영; 김용삼; 전명근

문제 정의

따라서 본 논문에서는 주성분분석기법에 의해 입력전류의 특징을 추출한 후, k-NN과 SVM으로 구성된 계층구조의 분류기에 의해서 인버터 구동 유도 전동기의 고장진단 기법을 제안하고자 한다. 제안된 방법의 타당성을 검증하기 위하여 다양한 방법들과 비교가 병행되었으며, 주된 비교 방법으로서 웨이블렛, 선형판별분석기법 등을 고려하였다.
이 결과로 부터 정상 데이터와 불평형 데이터는 간단한 분류기만으로도 진단이 가능하나, 베어링 고장과 회전자 고장은 분류를 위해 성능이 우수한 분류기의 개발이 요구됨을 알 수 있다. 따라서 본 연구에서는 계층구조의 분류기에 의해 유도전동기의 진단성능을 향상시키고자 한다.
본 논문에서는 PCA 에 의한 특징추출과 k-NN과 SVM에 기반을 계층구조의 분류기에 의한 유도전동기의 고장진단 알고리즘을 제안하였다. 제안된 방법은 우선적으로 선형판별분석기법에 의해 입력 전류신호를 저 차원으로 축소한 후, 간단한 k-NN 분류기에 의해 고장을 진단한 후, 2차적으로 서포트 벡터머신에의해 최종 진단을 하는 계층구조의 분류기에 의해 진단이 이루어진다.

제안 방법

데이터 취득은 Lab VIEW 상에서 영점교차점을 이용하여 1초마다 습득하는 1주기의 전류 신호에 대하여 고장진단을 수행한다. 먼저, Lab VIEW 의 프로그램을 요약하면, DAQ 보드로부터 들어온 입력 데이터들을 주어진 일정 시간마다(1 초) 한 주기 (10kHz에서 167개) 샘플을 검출하였다.
먼저 그림 3의 좌측 상단에 있는 인버터는 인버터 구동을 위해 설치하였으며, 구동 전류의 불평형 및 변동을 위해 가변전압기와 가변저항기를 설치하였다. 또한, 실제 산업 현장에서 유도전동기에 부과되는 기계적 부하를 변동시키기 위해 다이나모메타를 설치하였다. 다이나모메타는 맴돌이 전류방식 (Eddy Current Type)의 제동기를 사용하여 부하의 크기를 변동시키는 장치이다.
본 과제에서 제안된 진단알고리즘을 수행하는 첫 번째 단계는 주성분 분석기법을 이용하여 입력신호의 특징을 추출하는 과정이다. 주성분 분석기법을 적용하여 특징을 추출할 경우 몇 개의 차원으로 축소할 지를 결정해야만 한다.
제안된 방법의 타당성을 검증하기 위하여 다양한 방법들과 비교가 병행되었으며, 주된 비교 방법으로서 웨이블렛, 선형판별분석기법 등을 고려하였다. 유도 전동기 고장진단 장치를 설계 및 제작한 후, 데이터 취득 장치에 의해 실측 데이터를 이용하여 제안된 방법이 기존 방법에 비해 우수한 결과를 보임을 검증 하고자 한다.
일반적으로 유도전동기의 고장은 수많은 부분에서 다양한 형태로 나타나지만, 제안한 온라인 '고장진단 기법의 검증에 사용한 고장의 범위는 정상 데이터, 베어링 고장, 회전자 고장, 전압 불평형 등 네 가지 경우를 고려한다. 고장데이터 중에서, 그림 4(a)에 보인 베어링 고장은 외곽 레일부분의 한 부위에 압착을 가하여 고장을 발생시켰다.
제안된 방법은 우선적으로 선형판별분석기법에 의해 입력 전류신호를 저 차원으로 축소한 후, 간단한 k-NN 분류기에 의해 고장을 진단한 후, 2차적으로 서포트 벡터머신에의해 최종 진단을 하는 계층구조의 분류기에 의해 진단이 이루어진다. 다양한 실측데이터를 이용하여 실험한 결과, 제안된 방법이 기존 방법에 비해 우수한 결과를 보임을 확인 할 수 있었다.
한다. 제안된 방법의 타당성을 검증하기 위하여 다양한 방법들과 비교가 병행되었으며, 주된 비교 방법으로서 웨이블렛, 선형판별분석기법 등을 고려하였다. 유도 전동기 고장진단 장치를 설계 및 제작한 후, 데이터 취득 장치에 의해 실측 데이터를 이용하여 제안된 방법이 기존 방법에 비해 우수한 결과를 보임을 검증 하고자 한다.

대상 데이터

세부적으로 유도전동기 구동부분은 전동기구 동부, 전동기, 안전장치, 다양한 전압표시장치, 전류 센서와 진동센서의 구동회로, 그리고 전기적 브레이크 기능을 갖는 부하 시스템을 갖는다. 데이터 습득부분에서는 3-상 전류를 PC로 전송하기 위해 NI사의 PCF6251 DAQ 보드를 사용 하예 0kHz 의 샘플링 데이터를 검출한다. 데이터 취득은 PC 상에서 Lab VIEW 7.
데이터 습득부분에서는 3-상 전류를 PC로 전송하기 위해 NI사의 PCF6251 DAQ 보드를 사용 하예 0kHz 의 샘플링 데이터를 검출한다. 데이터 취득은 PC 상에서 Lab VIEW 7.1 프로그램을 이용하여 고장상태별로 데이터를 취득하였다. 표 2는 진단시스템의 기본적 구성요소들의 사양을 보여준다.
먼저, Lab VIEW 의 프로그램을 요약하면, DAQ 보드로부터 들어온 입력 데이터들을 주어진 일정 시간마다(1 초) 한 주기 (10kHz에서 167개) 샘플을 검출하였다. 실측 데이터는 고장 상태별로 부하를 무부하, 0.
주성분 분석기법을 적용하여 특징을 추출할 경우 몇 개의 차원으로 축소할 지를 결정해야만 한다. 본 논문에서는 실험을 통하여 가장 우수한 진단성능을 보인 25개의 특징을 추출하였다.
먼저, Lab VIEW 의 프로그램을 요약하면, DAQ 보드로부터 들어온 입력 데이터들을 주어진 일정 시간마다(1 초) 한 주기 (10kHz에서 167개) 샘플을 검출하였다. 실측 데이터는 고장 상태별로 부하를 무부하, 0.04 kg-m, 0.08 kg-m, 0.12 kg-m, 0.16 kg・m로 5단계로 분류하여 총 600 개의 데이터 (4상태 X 5부하상태 X 30주기)를취득하였다. 즉 고장상태별로 150개의 데이터를 취득하였으며, 이 중에서 75개는 훈련데이터로 사용하고, 나머지 75개는 검증데이터로 사용하였다.
16 kg・m로 5단계로 분류하여 총 600 개의 데이터 (4상태 X 5부하상태 X 30주기)를취득하였다. 즉 고장상태별로 150개의 데이터를 취득하였으며, 이 중에서 75개는 훈련데이터로 사용하고, 나머지 75개는 검증데이터로 사용하였다.

성능/효과

제안된 방법은 우선적으로 선형판별분석기법에 의해 입력 전류신호를 저 차원으로 축소한 후, 간단한 k-NN 분류기에 의해 고장을 진단한 후, 2차적으로 서포트 벡터머신에의해 최종 진단을 하는 계층구조의 분류기에 의해 진단이 이루어진다. 다양한 실측데이터를 이용하여 실험한 결과, 제안된 방법이 기존 방법에 비해 우수한 결과를 보임을 확인 할 수 있었다.
7% 의 성능향상을 보였다. 따라서, 제안된 방법의 경우 다른 분류기법 에 비해 우수한 성능을 보임을 확인할 수 있었다.
또한, 선형판별분석기법과웨이블렛 변환에 의하여 특징을 추출하여 인식률을 분석한 결과 주성분부석기법에 의한 인식 결과가 가장 효과적인 것으로 나타났다. 또한, 다증신경 회 로망과 방사기저 함수 등의 인공지 능기법에 의한 분류기법을 적용해 본 결과 -NN 분류기보다 더 낮은 인식결과를 나타났다. 이와 같이 인식률이 낮게 나타나는 이유로는 베어링 고장과 회전자.
7%로 인식률이 낮게 나타났다. 또한, 선형판별분석기법과웨이블렛 변환에 의하여 특징을 추출하여 인식률을 분석한 결과 주성분부석기법에 의한 인식 결과가 가장 효과적인 것으로 나타났다. 또한, 다증신경 회 로망과 방사기저 함수 등의 인공지 능기법에 의한 분류기법을 적용해 본 결과 -NN 분류기보다 더 낮은 인식결과를 나타났다.
고장간의 특징 벡터들이 서로 겹쳐있는 영역에 의한 것으로 분석된다. 최종적으로 인식률을 향상시키기 위하여, 계층구조의 분류기법을 적용한 결과 97.0%의 인식 결과를 보여 k-NN 분류방법에 비해 1.7% 의 성능향상을 보였다. 따라서, 제안된 방법의 경우 다른 분류기법 에 비해 우수한 성능을 보임을 확인할 수 있었다.
표 3에 나타냈다. 표 3에서 보는 바와 같이 주성분분석기법에 의해 특징을 추출한 후, fc-NN 분류기에 의해 진단한 결과 정상 데이터와 전압불평형 데이터의 경우 100%의 인식 결과를 보였으나, 베어링 고장인 경우 94.7%, 회전자 고장의 경우 86.7%로 인식률이 낮게 나타났다. 또한, 선형판별분석기법과웨이블렛 변환에 의하여 특징을 추출하여 인식률을 분석한 결과 주성분부석기법에 의한 인식 결과가 가장 효과적인 것으로 나타났다.

후속연구

표 4에서 보는 바와 같이 축소된 특징 벡터의 수가 4인 경우에 정상상태(H)와 불평형 상태(F3)은 진단 성능이 100%로 나왔으나, 베어일 고장(F2)와 회전자고장(F3)은 매우 낮은 인식성능을 보였다. 이 결과로 부터 정상 데이터와 불평형 데이터는 간단한 분류기만으로도 진단이 가능하나, 베어링 고장과 회전자 고장은 분류를 위해 성능이 우수한 분류기의 개발이 요구됨을 알 수 있다. 따라서 본 연구에서는 계층구조의 분류기에 의해 유도전동기의 진단성능을 향상시키고자 한다.

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

k-NN과 SVM을 이용한 유도전동기 고장 분류
Fault Classification of Induction Motors by k-NN and SVM 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

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

k-NN과 SVM을 이용한 유도전동기 고장 분류 Fault Classification of Induction Motors by k-NN and SVM 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

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

k-NN과 SVM을 이용한 유도전동기 고장 분류
Fault Classification of Induction Motors by k-NN and SVM 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper