전기전자학회논문지 (Journal of IKEEE)

  • 제28권2호
  • /
  • Pages.180-186
  • /
  • 2024
  • /
  • 1226-7244(pISSN)
  • /
  • 2288-243X(eISSN)
한국전기전자학회 (Institute of Korean Electrical and Electronics Engineers)
권호 표지
DOI QR코드

DOI QR Code

CNN을 이용한 3상 유도전동기 ITSC 진단의 효율적인 1차원 전류 신호 구성 및 Encoding방법

Efficient One-dimensional Current Configuration and Encoding Method for ITSC Diagnosis of 3-Phase Induction Motor using CNN

  • 고영진
  • Yeong-Jin Goh (Dept. of Electrical Engineering, Tongmyong University)
  • 투고 : 2024.06.09
  • 심사 : 2024.06.22
  • 발행 : 2024.06.30
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

본 논문에서는 CNN을 이용한 3상 유도모터 ITSC(Inter-Turn Short Circuit) 고장진단에 있어서, 전류 데이터를 이용한 고장 진단 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 D축 성분만의 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 속도에 있어서 약 14.74[s]로 전체 학습 시간대비 차이가 없었으며, 100 epoch 이하에서는 빠른 속도로 학습이 가능함을 알 수 있었다.

This paper proposes an efficient fault diagnosis method for ITSC(Inter-Turn Short Circuit) in three-phase induction motors using CNN. By utilizing only the D-axis component of the D-Q synchronous coordinate system, 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.

키워드

과제정보

This research was supported by the Tongmyong University of Research Grants 2022B008

참고문헌

  1. D. Wang, Q. Guo, Y. Song, S. Gao and Y. Li "Application of multiscale learning neural network based on CNN in bearing fault diagnosis," J. Signal Process. Syst. vol.91, no.4, pp.1205-1217, 2019. DOI: 10.1007/s11265-019-01461-w
  2. F. Xue, W. Zhang, F. Xue, D. Li, S. Xie and J. Fleischer "A novel intelligent fault diagnosis method of rolling bearing based on two-stream feature fusion convolutional neural network," Measurement, vol.176, pp,109226, 2021. DOI:10.1016/j.measurement.2021.109226
  3. X. Wang, D. Mao and X. Li "Bearing fault diagnosis based on vibro-acoustic data fusion and 1D-CNN network," Measurement, vol. 173, pp.108518, 2021. DOI: 10.1016/j.measurement.2020.108518
  4. Z. Chen and W. Li "Multisensor feature fusion for bearing fault diagnosis using sparse auto-encoder and deep belief network," IEEE Trans. Instrum. Meas., vol.66, no.7, pp.1693-1702, 2017. DOI: 10.1109/TIM.2017.2669947
  5. H. Ren, J. F. Qu, Y. Chai, Q. Tang and X. Ye "Deep learning for fault diagnosis: The state of the art and challeng," Kongzhi yu Juece/Control and Decision, vol.32, no.8, pp.1345-1358, 2017. DOI: 10.13195/j.kzyjc.2016.1625
  6. R. Zhang, L. T. Wu and Y. Guan "Transfer Learning With Neural Networks for Bearing Fault Diagnosis in Changing Working Conditions," IEEE Access, vol.5, pp.14347-14357, 2017. DOI: 10.1109/ACCESS.2017.2720965
  7. R. N. Toma, F. Piltan, K. Im, D. Shon, T. H. Yoon, D.-S. Yoo and J.-M. Kim "A Bearing Fault Classification Framework Based on Image Encoding Techniques and a Convolutional Neural Network under Different Operating Conditions," sensors, vol.22, no.13, pp.4881, 2022. DOI: 10.3390/s22134881
  8. J.-H. Chen and Y.-C. Tsai "Encoding candlesticks as images for pattern classification using convolutional neural networks," Financial Innovation, vol.6, pp.26, 2020. DOI: 10.48550/arXiv.1901.05237
  9. K. S. Kiangala and Z. Wang "An Effective Predictive Maintenance Framework for Conveyor Motors Using Dual Time-Series Imaging and Convolutional Neural Network in an Industry 4.0 Environment," in IEEE Access, vol.8, pp. 121033-121049, 2020. DOI: 10.1109/ACCESS.2020.3006788
  10. Y.-J. Goh and K.-M. Kim "Diagnosis of Inter Turn Short Circuit in 3-Phase Induction Motors Using Applied Clarke Transformation," Journal of IKEEE, vol.27, no.4, pp.151-156, 2023. DOI: 10.7471/ikeee.2023.27.4.518