• The KIPS Transactions:PartB
• /
• v.18B no.3
• /
• pp.147-156
• /
• 2011

This paper proposes a 3-stage (preprocessing, feature extraction, and classification) fault detection and classification algorithm for induction motors. In the first stage, a low-pass filter is used to remove noise components in the fault signal. In the second stage, a discrete cosine transform (DCT) and a statistical method are used to extract features of the fault signal. Finally, a back propagation neural network (BPNN) method is applied to classify the fault signal. To evaluate the performance of the proposed algorithm, we used one second long normal/abnormal vibration signals of an induction motor sampled at 8kHz. Experimental results showed that the proposed algorithm achieves about 100% accuracy in fault classification, and it provides 50% improved accuracy when compared to the existing fault detection algorithm using a cross-covariance method. In a real-world data acquisition environment, unnecessary noise components are usually included to the real signal. Thus, we conducted an additional simulation to evaluate how well the proposed algorithm classifies the fault signals in a circumstance where a white Gaussian noise is inserted into the fault signals. The simulation results showed that the proposed algorithm achieves over 98% accuracy in fault classification. Moreover, we developed a testbed system including a TI's DSP (digital signal processor) to implement and verify the functionality of the proposed algorithm.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2022.06a
• /
• pp.301-301
• /
• 2022

본 연구는 운영 조건이 달라짐에 따라 회전수가 변하는 기기의 정상적 가동 여부와 고장 종류를 판별하기 위한 인공지능 알고리즘의 적용을 다루고 있다. 회전수가 변하는 장비로부터 계측된 상태 모니터링 센서의 신호는 비정상(non-stationary)적 특성이 있으므로, 상태 신호의 한계치가 고장 판별의 기준이 되기 어렵다는 점을 해결하고자 하였다. 정상 가동 여부는 이상 감지에 효율적인 오토인코더 및 기계학습 알고리즘을 적용하였으며, 고장 종류 판별에는 기계학습법과 합성곱 기반의 심층학습 방법을 적용하였다. 변하는 회전수와 연계된 주파수의 비정상적 시계열도 적절한 고장 특징 (Feature)로 대변될 수 있도록 시간 및 주파수 영역에서 특징 벡터를 구성할 수 있음을 예제로 설명하였다. 차원 축소 및 카이 제곱 기법을 적용하여 최적의 특징 벡터를 추출하여 기계학습의 분류 알고리즘이 비정상적 회전 신호를 가진 장비의 고장 예측에 활용될 수 있음을 보였다. 이 과정에서 k-NN(k-Nearest Neighbor), SVM(Support Vector Machine), Random Forest의 기계학습 알고리즘을 적용하였다. 또한 시계열 기반의 오토인코더 및 CNN (Convolution Neural Network) 적용하여 이상 감지와 고장진단을 수행한 결과를 비교하여 제시하였다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2006.05a
• /
• pp.208-211
• /
• 2006

본 논문에서는 3상 유도전동기의 고장진단을 수행하기 위해 패턴인식에 기반을 둔 진단 알고리즘을 제안한다. 실험 장치는 유도전동기 구동의 고장신호를 얻기 위하여 구축하였으며, 취득된 데이터를 이용하여 진단 알고리즘을 구축하였다. 취득된 데이터 중에서 진단을 위해 사용될 훈련데이터는 퍼지 기반 클러스터링 기법을 이용하여 신뢰성 높은 데이터를 선택하여 고장별 신호를 추출하였다. 진단 알고리즘으로는 데이터를 주성분 분석기법을 적용하였으며, 최종 분류를 위해 Euclidean 기반 거리척도 기법을 이용하였다. 다양한 부하 및 고장신호에 대하여 제안된 방법을 적용하여 타당성을 검증하였다.

• Journal of the Institute of Convergence Signal Processing
• /
• v.21 no.3
• /
• pp.121-126
• /
• 2020

Sound-based machine fault diagnosis is the automatic detection of abnormal sound in the acoustic emission signals of the machines. Conventional methods of using mathematical models were difficult to diagnose machine failure due to the complexity of the industry machinery system and the existence of nonlinear factors such as noises. Therefore, we want to solve the problem of machine fault diagnosis as a deep learning-based image classification problem. In the paper, we propose a CNN-based automatic machine fault diagnosis method using Spectrogram images. The proposed method uses STFT to effectively extract feature vectors from frequencies generated by machine defects, and the feature vectors detected by STFT were converted into spectrogram images and classified by CNN by machine status. The results show that the proposed method can be effectively used not only to detect defects but also to various automatic diagnosis system based on sound.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2022.06a
• /
• pp.110-110
• /
• 2022

본 연구는 자율운항 선박의 원격 고장 진단 기법 개발의 일부로 수행되었다. 특히, 엔진 연료 계통 장비로부터 계측된 시계열 데이터로부터 상태 진단을 위한 알고리즘 구현 결과를 제시하였다. 엔진 연료 펌프와 청정기를 가진 육상 실험 장비로부터 진동 시계열 데이터 계측하였으며, 이상 감지, 고장 분류 및 고장 예측이 가능한 심층 학습(Deep Learning) 및 기계 학습(Machine Learning) 알고리즘을 구현하였다. 육상 실험 장비에 고장 유형 별로 인위적인 고장을 발생시켜 특징적인 진동 신호를 계측하여, 인공 지능 학습에 이용하였다. 계측된 신호 데이터는 선행 발생한 사건의 신호가 후행 사건에 영향을 미치는 특성을 가지고 있으므로, 시계열에 내포된 고장 상태는 시간 간의 선후 종속성을 반영할 수 있는 학습 알고리즘을 제시하였다. 고장 사건의 시간 종속성을 반영할 수 있도록 순환(Recurrent) 계열의 RNN(Recurrent Neural Networks), LSTM(Long Short-Term Memory models)의 모델과 합성곱 연산 (Convolution Neural Network)을 기반으로 하는 Conv1D 모델을 적용하여 예측 정확성을 비교하였다. 특히, 합성곱 계열의 RNN LSTM 모델이 고차원의 순차적 자연어 언어 처리에 장점을 보이는 모델임을 착안하여, 신호의 시간 종속성을 학습에 반영할 수 있는 합성곱 계열의 Conv1 알고리즘을 고장 예측에 사용하였다. 또한 기계 학습 모델의 효율성을 감안하여 XGBoost를 추가로 적용하여 고장 예측을 시도하였다. 최종적으로 연료 펌프와 청정기의 진동 신호로부터 Conv1D 모델과 XGBoost 모델의 고장 예측 성능 결과를 비교하였다

• Proceedings of the KIEE Conference
• /
• 2009.07a
• /
• pp.30_31
• /
• 2009

송전선로에서 고장이 발생할 경우 가능한 빠르게 고장을 검출하고 고장점을 파악하여 수리하는 것은 전력 공급의 신뢰도 및 전력품질 향상에 매우 중요하다. 고장점 추정을 위한 방법은 크게 전압과 전류의 기본파를 이용한 임피던스 계산 방법과 과도신호에 기반한 진행파 해석 방법으로 분류할 수 있다. 과도신호에 기반한 진행파 해석 방법은 매우 빠른 응답을 갖는다는 장점을 갖고 있으나 진행파의 특징을 추출하여 고장거리를 계산하는데에는 어려움이 따른다. 따라서 본 논문에서는 송전선로에서 고장이 발생할 경우 나타나는 진행파의 특징을 분석하고 진행파로부터 고장점 정보를 추출하기 위한 방법을 제시하였다.

• Journal of the Korea Society of Computer and Information
• /
• v.16 no.12
• /
• pp.187-196
• /
• 2011

Induction motors play a vital role in aeronautical and automotive industries so that many researchers have studied on developing a fault detection and classification system of an induction motor to minimize economical damage caused by its fault. With this reason, this paper extracts robust feature vectors from the normal/abnormal vibration signals of the induction motor in noise circumstance: partial autocorrelation (PARCOR) coefficient, log spectrum powers (LSP), cepstrum coefficients mean (CCM), and mel-frequency cepstrum coefficient (MFCC). Then, we classified different types of faults of the induction motor by using the extracted feature vectors as inputs of a neural network. To find optimal feature vectors, this paper evaluated classification performance with 2 to 20 different feature vectors. Experimental results showed that five to six features were good enough to give almost 100% classification accuracy except features by CCM. Furthermore, we considered that vibration signals could include noise components caused by surroundings. Thus, we added white Gaussian noise to original vibration signals, and then evaluated classification performance. The evaluation results yielded that LSP was the most robust in noise circumstance, then PARCOR and MFCC followed by LSP, respectively.

• Proceedings of the KIEE Conference
• /
• 2009.07a
• /
• pp.428_429
• /
• 2009

전력계통 운용시 고장이 발생하면 계통 운전원은 계전기 및 차단기 관련 동작정보 및 경보로부터 해당 고장내용을 판단하고 계통복구를 위한 조작을 행한다. 본 논문에서는 현재 건설중인 양성자가속기 연구센터의 전력 계통 운용시 발생한 고장에 따른 다중경보신호를 분석하기 위하여 전력계통의 고장영역별로 동작하는 보호계전기 신호, 차단기 신호 및 경보신호를 분류함으로써 이를 향후 전력계통 운용시 고장진단을 위한 기초자료로 활용하고자 한다.

• Transactions of the Korean Society for Noise and Vibration Engineering
• /
• v.19 no.7
• /
• pp.726-735
• /
• 2009

In this paper, we propose an approach to signal model-based fault detection and diagnosis system for induction motors. The current fault detection techniques used in the industry are limit checking techniques, which are simple but cannot predict the types of faults and the initiation of the faults. The system consists of two consecutive processes: fault detection process and fault diagnosis process. In the fault detection process, the system extracts the significant features from sound signals using combination of variance, cross-correlation and wavelet. Consequently, the pattern classification technique is applied to the fault diagnosis process to recognize the system faults based on faulty symptoms. The sounds generated from different kinds of typical motor's faults such as motor unbalance, bearing misalignment and bearing loose are examined. We propose two approaches for fault detection and diagnosis system that are waveletand-variance-based and wavelet-and-crosscorrelation-based approaches. The results of our experiment show more than 95 and 78 percent accuracy for fault classification, respectively.

• JOURNAL OF ELECTRICAL WORLD
• /
• s.261
• /
• pp.70-76
• /
• 1998

철도분야에서의 전기$\cdot$신호설비 고장은 열차의 정상운행에 차질을 일으켜 사회적으로 커다란 영향을 끼치게 되므로 설비의 유지관리를 위해서는 많은 노력이 필요하다. 또 이러한 보전작업에는 철도 설비가 널리 산재되어 있기 때문에 이동을 수반하는 작업, 열차가 통과하지 않는 야간 작업, 만일의 경우 위험을 수반하는 작업 등, 이 분야 특유의 작업이 있다. 한편 보전작업에 종사하는 기술자는 해마다 줄어들고 있으며 앞으로 젊은 근로자의 부족은 더욱더 심해질 것으로 보인다. 그러한 이유로 설비보전의 자력화, 미연의 고장방지, 고장의 조기복구와 재발방지를 목표로 지금까지 사람의 손에 의지해 오던 설비보전을 기계화하고 자동화하는 시스템을 개발하게 되었다. 이 시스템은 대상설비에 따라 다음의 3가지 시스템으로 분류된다. $\cdot$신호설비 보전시스템 $\cdot$변전$\cdot$수배전설비 보전시스템$\cdot$연선전기설비 보전시스템 이들시스템에 공통적인 주요 특징을 들면 아래와 같다. (1)사고를 미연에 방지하고 사고원인을 규명 이벤트발생 전후의 변화나 중장기트렌드를 원격감시할 수 있다. (2)시스템의 변경$\cdot$증설이 용이 인텔리전트단말에 의하여 처리를 계층화하였기 때문에 빌딩블록식으로 시스템을 확장할 수 있다. (3)경제적인 시스템 필드 네트워크의 채용으로 공사비를 삭감할 수 있다.