| 1 |
1
정지 좌표계 d-q축 전류의 직류 성분(IV_dc)을 획득하고, 전류의 전 고조파 왜곡률(Total Harmonic Distortion, THD)(THDv)을 추정하는 단계;상기 d-q축 전류의 직류 성분(IV_dc)을 미리 학습된 제1 인공 신경망(Artificial Neural Networks, ANN)에 적용하여 전류 벡터 각도에 따른 개방고장 유형을 복수의 섹터로 그룹화하는 단계; 및 상기 d-q축 전류의 직류 성분(IV_dc) 및 상기 전류 전 고조파 왜곡률(THDv)을 미리 학습된 제2 인공 신경망에 적용하여 그룹화된 복수의 섹터 내에서 개방고장이 발생한 스위치를 진단하는 단계; 를 포함하는 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 방법
|
| 2 |
2
제1항에 있어서,상기 추정하는 단계 이전에,하기 [수학식 1]로 정의된 적응 신경망 모델을 이용하여 가중치(W)를 산출하는 단계; 를 더 포함하는 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 방법
|
| 3 |
3
제2항에 있어서,상기 가중치(W)를 산출하는 단계는,실제 입력 전류 값과 추정 입력 전류 값의 차이가 0이 되도록 하는 가중치(W)를 산출하는 단계인, 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 방법
|
| 4 |
4
제2항에 있어서,상기 추정하는 단계는,하기 [수학식 2]를 이용하여 상기 d-q축 전류의 직류 성분(IV_dc)을 획득하고, 하기 [수학식 3]을 이용하여 상기 전류의 전 고조파 왜곡률(THDv)을 추정하는, 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 방법
|
| 5 |
5
제1항에 있어서,상기 제1 인공 신경망의 구조는, 상기 d-q축 전류의 직류 성분(IV_dc) 각각을 입력 노드로 하는 입력 레이어, 각각 하나의 히든 레이어 및 출력 레이어를 포함하고,상기 출력 레이어는,6개의 섹터-각각 3가지 개방고장 유형을 포함함-에 대한 경계선 정보를 출력 노드로 하는, 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 방법
|
| 6 |
6
제5항에 있어서,상기 제2 인공 신경망의 구조는,상기 d-q축 전류의 직류 성분 및 d-q축 전류의 전 고조파 왜곡률 각각을 입력 노드로 하는 입력 레이어, 적어도 둘 이상의 노드를 포함하는 히든 레이어 및 출력 레이어를 포함하고,상기 출력 레이어는,상기 6개의 섹터 중 어느 하나의 섹터에 포함된 3가지 개방고장 유형에서 개방고장이 발생한 적어도 하나의 스위치 정보를 출력 노드로 하는, 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 방법
|
| 7 |
7
제4항에 있어서,상기 그룹화하는 단계는,상기 d-q축 전류의 직류 성분(IV_dc) 크기가 기 설정된 크기보다 작은지 비교하는 단계, 와비교 결과, 상기 d-q축 전류의 직류 성분(IV_dc) 크기가 기 설정된 크기보다 작을 경우, 해당 개방고장 유형을 하나의 섹터로 분류하는 단계, 를 포함하는 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 방법
|
| 8 |
8
제7항에 있어서,상기 진단하는 단계는,한 주기 내에서 a상, b상 및 c상에 발생하는 영전류의 수를 카운트하는 단계, 와카운트된 영전류의 수가 가장 높은 어느 하나의 상을 개방고장이 발생한 상으로 판단하는 단계, 를 포함하는 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 방법
|
| 9 |
9
제1항에 있어서,상기 추정하는 단계 이전에,상기 제1 및 제2 인공 신경망 구조를 학습하는 단계; 를 더 포함하는 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 방법
|
| 10 |
10
정지 좌표계 d-q축 전류의 직류 성분(IV_dc)을 획득하고, 전류의 전 고조파 왜곡률(Total Harmonic Distortion, THD)(THDv)을 추정하는 추정부;상기 d-q축 전류의 직류 성분(IV_dc)을 미리 학습된 제1 인공 신경망(Artificial Neural Networks, ANN)에 적용하여 전류 벡터 각도에 따른 개방고장 유형을 복수의 섹터로 그룹화하는 그룹화부; 및상기 d-q축 전류의 직류 성분(IV_dc) 및 상기 전류 전 고조파 왜곡률(THDv)을 제2 인공 신경망 구조에 적용하여 그룹화된 복수의 섹터 내에서 개방고장이 발생한 스위치를 진단하는 진단부; 를 포함하는 인공지능을 이용한 3상PWM 컨버터의 다중 스위치 개방고장 진단 장치
|
| 11 |
11
제10항에 있어서,상기 추정부는,하기 [수학식 1]로 정의된 적응 신경망 모델을 이용하여 가중치(W)를 산출하는, 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 장치
|
| 12 |
12
제11항에 있어서,상기 추정부는,실제 입력 전류 값과 추정 입력 전류 값의 차이가 0이 되도록 하는 가중치(W)를 산출하는, 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 장치
|
| 13 |
13
제11항에 있어서,상기 추정부는, 하기 [수학식 2]를 이용하여 상기 d-q축 전류의 직류 성분(IV_dc)을 획득하고, 하기 [수학식 3]을 이용하여 상기 전류의 전 고조파 왜곡률(THDv)을 추정하는, 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 장치
|
| 14 |
14
제10항에 있어서,상기 제1 인공 신경망의 구조는, 상기 d-q축 전류의 직류 성분(IV_dc) 각각을 입력 노드로 하는 입력 레이어, 각각 하나의 히든 레이어 및 출력 레이어를 포함하고,상기 출력 레이어는,6개의 섹터-각각 3가지 개방고장 유형을 포함함-에 대한 경계선 정보를 출력 노드로 하는, 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 장치
|
| 15 |
15
제14항에 있어서,상기 제2 인공 신경망의 구조는,상기 d-q축 전류의 직류 성분 및 d-q축 전류의 전류 전 고조파 왜곡률 각각을 입력 노드로 하는 입력 레이어, 적어도 둘 이상의 노드를 포함하는 히든 레이어 및 출력 레이어를 포함하고,상기 출력 레이어는,상기 6개의 섹터 중 어느 하나의 섹터에 포함된 3가지 개방고장 유형에서 개방고장이 발생한 적어도 하나의 스위치 정보를 출력 노드로 하는, 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 장치
|
| 16 |
16
제13항에 있어서,상기 그룹화부는상기 d-q축 전류의 직류 성분(IV_dc) 크기가 기 설정된 크기보다 작은지 비교하고,비교 결과, 상기 d-q축 전류의 직류 성분(IV_dc) 크기가 기 설정된 크기보다 작을 경우, 해당 개방고장 유형을 하나의 섹터로 분류하는, 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 장치
|
| 17 |
17
제16항에 있어서,상기 진단부는,한 주기 내에서 a상, b상 및 c상에 발생하는 영전류의 수를 카운트하고, 카운트된 영전류의 수가 가장 높은 어느 하나의 상을 개방고장이 발생한 상으로 판단하는, 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 장치
|
| 18 |
18
제10항에 있어서,상기 제1 및 제2 인공 신경망 구조를 학습하는 학습부; 를 더 포함하는 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 장치
|
