• 한국자기학회지
• /
• 제25권4호
• /
• pp.129-137
• /
• 2015

Cu(반경 $r_a$ = $95{\mu}m$)/$Ni_{80}Fe_{20}$(외경 $r_b$ = $120{\mu}m$)의 코어/쉘 복합 와이어를 전기도금방법으로 제작하였다. 제작 된 복합 와이어에 대해 원통 좌표계에서 임피던스 텐서의 두 대각 성분 $Z_{{\theta}{\theta}}$와 $Z_{zz}$를 10 kHz~10 MHz 범위의 주파수(f)와 0 Oe~200 Oe 범위의 외부 정지 자기장의 함수로 측정하였다. Maxwell 방정식으로부터 코어/쉘 복합 와이어의 두 대각 임피던스 $Z_{{\theta}{\theta}}$와 $Z_{zz}$를 각각 복소 투자율 텐서의 두 대각 성분 ${\mu}^*_{zz}$와 ${\mu}^*_{{\theta}{\theta}}$로 표현하는 식을 유도하였다. 유도된 식을 이용하여 측정된 $Z_{{\theta}{\theta}}$(f)와 $Z_{zz}$(f) 스펙트럼으로부터 ${\mu}^*_{zz}$(f)와 ${\mu}^*_{{\theta}{\theta}}$(f) 스펙트럼을 각각 뽑아낼 수 있었다. 뽑아낸 두 대각 투자율 스펙트럼을 자벽이동과 자화회전의 완화과정으로 해석하면 Cu/NiFe 코어/쉘 복합 와이어의 동적 자화과정을 규명하는 유용한 도구가 될 수 있다는 것을 제시하였다.

• 한국자기학회지
• /
• 제27권4호
• /
• pp.135-139
• /
• 2017

직경 $190{\mu}m$ Cu 와이어에 $Ni_{80}Fe_{20}$ 연자성 물질을 전기도금법으로 증착하여 금속 코어/연자성 쉘 구조의 복합 와이어를 제작하고 이 와이어에서 자기임피던스 효과(MI 효과)를 연구하였다. 원통 좌표계에서 복합 와이어의 임피던스 텐서의 두 대각 성분 $Z_{{\theta}{\theta}}$와 $Z_{zz}$는 z 방향으로 가한 자기장에 대해 큰 MI 효과를 나타낸 반면, 비대각 임피던스 $Z_{{\theta}z}$의 MI 효과는 매우 약하게 나타났다. 비대각 자기임피던스 효과가 큰 복합 와이어를 만들기 위해 비틀림 스트레인 하에서 전기도금하는 방법을 시도하였다. Cu 와이어의 한쪽 끝을 약 $270^{\circ}$ 이상 회전한 상태에서 전기도금 된 복합 와이어는 뚜렷하게 증대된 비대각 MI 효과를 보였으며 $360^{\circ}$ 회전한 상태에서 도금 된 와이어에서 최대의 비대각 MI 효과를 얻을 수 있었다. 본 연구를 통해 비대각 MI 효과가 큰 복합와이어를 제작하는 방법을 개발한 것은 금속 코어/자성 쉘 복합 와이어의 자기센서 소재로써의 응용가능성을 높일 것으로 기대된다.

• 디지털산업정보학회논문지
• /
• 제17권3호
• /
• pp.9-15
• /
• 2021

In this paper, the Embedded MEMS system to the power apparatus used Edge Impulse machine learning tools and therefore an improved predictive system design is implemented. The proposed MEMS embedded system is developed based on nRF52840 system and the sensor with 3-Axis Digital Magnetometer, I2C interface and magnetic measurable range ±120 uT, BM1422AGMV which incorporates magneto impedance elements to detect magnetic field and the ARM M4 32-bit processor controller circuit in a small package. The MEMS embedded platform is consisted with Edge Impulse Machine Learning and system driver implementation between hardware and software drivers using SensorQ which is special queue including user application temporary sensor data. In this paper by experimenting, TensorFlow machine learning training output is applied to the power apparatus for analyzing the status such as "Normal, Warning, Hazard" and predicting the performance at level of 99.6% accuracy and 0.01 loss.