CNN을 이용한 3상 유도전동기 ITSC 진단의 효율적인1차원 전류 신호 구성 및 Encoding방법
Efficient One-dimensional Current Configuration and Encoding Method for ITSC Diagnosis of 3-Phase Induction Motor using CNN
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문에서는 CNN을 이용한 3상 유도모터 ITSC(Inter-Turn Short Circuit) 고장진단에 있어서, 전류 데이터를 이용한 고장진단 및 효율적인 이미지 encoding 방법을 제안하도록 한다. 진동, 소음센서를 이용한 방법과 달리 전류를 이용하는 방법은 데이터의 손실이 낮을 수 있다는 장점은 있지만, 3상 신호로 인해 CNN의 채널 수 증가의 부담이있다. 이에 D-Q 동기좌표계의 D축성분만의 데이터를 활용하여 채널 부담을 줄이고, 효율적인 입력 이미지 구성 방법을 알아보고자 SWM(Slide Window Method)과 GAF(Gramian Angular Field)방식을 비교하도록 하였다. 데이터는 무부하부터 전부하까지 전체 변화를 고려하였으며, 그 결과, GAF방식은 약 74%, SWM방식은 약 65%로, GAF방식이 약 9%의 높은 정확도를 보임을 알 수 있었다. 또한, 학습된 속도에있어서 약 14.74[s]로 전체 학습 시간대비 차이가 없었으며, 100 epoch 이하에서는 빠른 속도로 학습이 가능함을 알 수 있었다
Abstract
This paper proposes an efficient fault diagnosis method for ITSC(Inter-Turn Short Circuit) in three-phaseinduction motors using CNN. By utilizing only the D-axis component of the D-Q synchronous coordinatesystem, it compares SWM(Slide Window Method) and GAF(Gramian Angular Field) methods for image encoding. Results show GAF achieving ~74% accuracy, while SWM achieves ~65%, indicating GAF’s superiority by 9%. Learning time (~14.74s) remains consistent, particularly with epochs ≤ 100, showcasing faster learning.
참고문헌 (10)
- D. Wang, "Application of multiscale learning neural network based on CNN in bearing fault diagnosis", J. Signal Process. Syst, 91(4), pp.1205~1217 (2019)[DOI]
- F. Xue, "A novel intelligent fault diagnosis method of rolling bearing based on two-stream feature fusion convolutional neural network", Measurement, 176, pp.109226~ (2021)[DOI]
- X. Wang, "Bearing fault diagnosis based on vibro-acoustic data fusion and 1D-CNN network", Measurement, 173, pp.108518~ (2021)[DOI]
- Z. Chen, "Multisensor feature fusion for bearing fault diagnosis using sparse autoencoder and deep belief network", IEEE Trans. Instrum. Meas, 66(7), pp.1693~1702 (2017)[DOI]
- H. Ren, "Deep learning for fault diagnosis: The state of the art and challeng", Kongzhi yu Juece, 2017, pp.32(8), 1345~1358
- R. Zhang, "Transfer Learning With Neural Networks for Bearing Fault Diagnosis in Changing Working Conditions", IEEE Access, 5, pp.14347~14357 (2017)[DOI]
- R. N. Toma, "A Bearing Fault Classification Framework Based on Image Encoding Techniques and a Convolutional Neural Network under Different Operating Conditions", sensors, 22(13), pp.4881~ (2022)[DOI]
- J. -H. Chen, "Encoding candlesticks as images for pattern classification using convolutional neural networks", Financial Innovation, 6, pp.26~ (2020)[DOI]
- K. S. Kiangala, "An Effective Predictive Maintenance Framework for Conveyor Motors Using Dual Time-Series Imaging and Convolutional Neural Network in an Industry 4.0Environment", IEEE Access, 8, pp.121033~121049 (2020)[DOI]
- Y. -J. Goh, "Diagnosis of Inter Turn Short Circuit in 3-Phase Induction Motors Using Applied Clarke Transformation", Journal of IKEEE, 27(4), pp.151~156 (2023)[DOI]