| 1 |
1
진단대상 케이블에 전자기 신호를 인가하는 전자기 신호 인가부;상기 인가된 전자기 신호로부터 생성된 제1기준신호를 입력받는 기준신호 입력부;상기 인가된 전자기 신호가 상기 진단대상 케이블의 임의의 지점으로부터 반사되어 생성된 제1반사신호를 입력받는 반사신호 입력부;상기 입력된 제1반사신호로부터 상기 진단대상 케이블의 고장을 추정하기 위한 제1특징 데이터를 추출하는 특징 데이터 추출부; 및상기 추출된 제1특징 데이터와 상기 추출된 제1특징 데이터의 비교대상인 제2특징 데이터를 인공 신경망(Artificial neural network)에 적용하여 상기 진단대상 케이블의 고장위치 및 고장정도를 예측하는 고장예측부;를 포함하고,상기 인공 신경망은 상기 진단대상 케이블의 고장위치 및 고장정도를 예측하기 위한 회귀 신경망(Regression neural network)이며,상기 고장예측부는,상기 제1특징 데이터를 입력받는 입력층부(Input layer);상기 제2특징 데이터를 입력받는 패턴층부(Pattern layer);상기 입력된 제1특징 데이터 및 제2특징 데이터의 유사도를 비교하는 유사도 비교부;상기 비교부에서 비교된 데이터 중 상기 제1특징 데이터와 가장 유사한 제2특징 데이터를 합산하는 합산층부(Summation layer); 및상기 합산된 제2특징 데이터를 출력하는 출력층부(Output layer);를 포함하는 케이블 고장 예측 장치
|
| 2 |
2
제 1 항에 있어서, 상기 케이블 고장 예측 장치는,상기 추출된 제1특징 데이터의 비교대상인 제2특징 데이터가 저장되는 데이터베이스부;를 더 포함하는 케이블 고장 예측 장치
|
| 3 |
3
제 2 항에 있어서, 상기 데이터베이스부에 저장된 제2특징 데이터는,상기 전자기 신호 인가부에서 적어도 하나 이상의 비교대상 케이블에 전자기 신호를 인가하고, 상기 기준신호 입력부에서 상기 비교대상 케이블에 인가된 전자기 신호로부터 생성된 제2기준신호를 입력받고,상기 반사신호 입력부에서 상기 비교대상 케이블에 인가된 전자기 신호가 상기 비교대상 케이블의 임의의 지점으로부터 반사되어 생성된 제2반사신호를 입력받아,상기 특징 데이터 추출부에서 상기 입력된 제2반사신호로부터 상기 비교대상 케이블의 제2특징 데이터를 추출하여 생성되는 데이터인 케이블 고장 예측 장치
|
| 4 |
4
삭제
|
| 5 |
5
삭제
|
| 6 |
6
제 1 항 또는 제 3 항 중 어느 한 항에 있어서, 상기 제1특징 데이터 또는 제2특징 데이터는 상기 제1반사신호 또는 제2반사신호의 시간차 값, 피크 전압의 크기 값 및 시간-주파수 위상차 값 중 적어도 어느 하나인 케이블 고장 예측 장치
|
| 7 |
7
제 6 항에 있어서, 상기 시간차 값은,다음 수식 1 및 2로 표현되는 기준신호의 중심시간 값 산출식과 다음 수식 3 및 4로 표현되는 반사신호의 중심시간 값 산출식을 이용하여 상기 기준신호 및 반사신호로부터 시간차 값을 산출하는 케이블 고장 예측 장치
|
| 8 |
8
제 7 항에 있어서, 상기 시간차 값은,다음 수식 5로 표현되는 기준신호 및 반사신호의 시간 차이 값 산출식을 이용하여 상기 기준신호 및 반사신호로부터 시간차 값을 산출하는 케이블 고장 예측 장치
|
| 9 |
9
삭제
|
| 10 |
10
삭제
|
| 11 |
11
삭제
|
| 12 |
12
제 2 항에 있어서, 상기 데이터베이스부에 저장된 데이터는,실제 실험 또는 시뮬레이션(Simulation)을 통해 저장된 데이터인 케이블 고장 예측 장치
|
| 13 |
13
전자기 신호 인가부에서 진단대상 케이블에 전자기 신호를 인가하는 전자기 신호 인가단계;기준신호 입력부에서 상기 인가된 전자기 신호로부터 생성된 제1기준신호를 입력받는 기준신호 입력단계; 반사신호 입력부에서 상기 인가된 전자기 신호가 상기 진단대상 케이블의 임의의 지점으로부터 반사되어 생성된 제1반사신호를 입력받는 반사신호 입력단계;특징 데이터 추출부에서 상기 입력된 제1반사신호로부터 상기 진단대상 케이블의 고장을 추정하기 위한 제1특징 데이터를 추출하는 특징 데이터 추출단계; 및고장예측부에서 상기 추출된 제1특징 데이터와 상기 추출된 제1특징 데이터의 비교대상인 제2특징 데이터를 인공 신경망(Artificial neural network)에 적용하여 상기 진단대상 케이블의 고장위치 및 고장정도를 예측하는 고장예측단계;를 포함하고,상기 인공 신경망은 상기 진단대상 케이블의 고장위치 및 고장정도를 예측하기 위한 회귀 신경망(Regression neural network)이며,상기 고장예측단계는,입력층부(Input layer)에서 상기 제1특징 데이터를 입력받는 제1특징 데이터 입력단계;패턴층부(Pattern layer)에서 상기 제2특징 데이터를 입력받는 제2특징 데이터 입력단계;유사도 비교부에서 상기 입력된 제1특징 데이터 및 제2특징 데이터의 유사도를 비교하는 유사도 비교단계;합산층부(Summation layer)에서 상기 유사도 비교단계로부터 비교된 데이터 중 상기 제1특징 데이터와 가장 유사한 제2특징 데이터를 합산하는 합산단계; 및출력층부(Output layer)에서 상기 합산된 제2특징 데이터를 출력하는 출력단계;를 포함하는 케이블 고장 예측 방법
|
| 14 |
14
제 13 항에 있어서, 상기 케이블 고장 예측 방법은,데이터베이스부에서 상기 추출된 제1특징 데이터의 비교대상인 제2특징 데이터가 저장되는 데이터 저장단계;를 더 포함하는 케이블 고장 예측 방법
|
| 15 |
15
제 14 항에 있어서, 상기 데이터 저장단계에서 저장되는 제2특징 데이터는,상기 전자기 신호 인가부에서 적어도 하나 이상의 비교대상 케이블에 전자기 신호를 인가하고, 상기 기준신호 입력부에서 상기 비교대상 케이블에 인가된 전자기 신호로부터 생성된 제2기준신호를 입력받고,상기 반사신호 입력부에서 상기 비교대상 케이블에 인가된 전자기 신호가 상기 비교대상 케이블의 임의의 지점으로부터 반사되어 생성된 제2반사신호를 입력받아,상기 특징 데이터 추출부에서 상기 입력된 제2반사신호로부터 상기 비교대상 케이블의 제2특징 데이터를 추출하여 생성되는 데이터인 케이블 고장 예측 방법
|
| 16 |
16
삭제
|
| 17 |
17
삭제
|
| 18 |
18
제 13 항 또는 제 15 항 중 어느 한 항에 있어서, 상기 제1특징 데이터 또는 제2특징 데이터는 상기 제1반사신호 또는 제2반사신호의 시간차 값, 피크 전압의 크기 값 및 시간-주파수 위상차 값 중 적어도 어느 하나인 케이블 고장 예측 방법
|
| 19 |
19
제 18 항에 있어서, 상기 시간차 값은,다음 수식 1 및 2로 표현되는 기준신호의 중심시간 값 산출식과 다음 수식 3 및 4로 표현되는 반사신호의 중심시간 값 산출식을 이용하여 상기 기준신호 및 반사신호로부터 시간차 값을 산출하는 케이블 고장 예측 방법
|
| 20 |
20
제 19 항에 있어서, 상기 시간차 값은,다음 수식 5로 표현되는 기준신호 및 반사신호의 시간 차이 값 산출식을 이용하여 상기 기준신호 및 반사신호로부터 시간차 값을 산출하는 케이블 고장 예측 방법
|
| 21 |
21
삭제
|
| 22 |
22
삭제
|
| 23 |
23
삭제
|
| 24 |
24
제 14 항에 있어서, 상기 데이터 저장단계에서 저장된 데이터는,실제 실험 또는 시뮬레이션(Simulation)을 통해 저장된 데이터인 케이블 고장 예측 방법
|
| 25 |
25
삭제
|
