| 1 |
1
전압의 인가에 따라 코일에 전류가 흐르는 밸브에 대하여, 상기 전류 및 전압 신호를 측정하는 신호 측정부, 및 상기 측정된 신호로부터 쇄교자속을 도출하는 연산부를 포함하는 신호 처리부; 상기 신호 처리부에서 도출된 전류 및 쇄교자속을 입력받아, 밸브의 상태에 대한 학습을 수행하는 학습부; 및상기 학습 결과를 바탕으로, 진단 대상 밸브의 상태를 판단하는 판단부를 포함하는 밸브 고장진단 시스템
|
| 2 |
2
제1항에 있어서, 상기 연산부는, 하기 식 (3) 및 식 (4)를 통해 상기 쇄교자속을 도출하고, 식 (3) 식 (4)여기서, i는 코일의 전류, u는 전압, R은 코일의 저항, ψ는 쇄교자속이고, T는 코일에 최대전류가 흐를 때까지의 시간이며, 0003c#t003c#T인 것을 특징으로 하는 밸브 고장진단 시스템
|
| 3 |
3
제1항에 있어서, 상기 신호처리부는, 상기 측정된 전류와 상기 도출된 쇄교자속을 각각의 최대 측정치로 정규화하는 정규화부를 더 포함하며, 상기 정규화된 전류와 쇄교자속 선도에서 등간격으로 데이터를 추출하여 상기 학습부로 입력하는 것을 특징으로 하는 밸브 고장진단 시스템
|
| 4 |
4
제3항에 있어서, 상기 신호처리부는, 상기 정규화된 데이터에 임의의 노이즈(random noise)를 추가하는 데이터 증강부를 더 포함하며, 상기 데이터 증강부에서 추가된 데이터를 상기 학습부로 입력하는 것을 특징으로 하는 밸브 고장진단 시스템
|
| 5 |
5
제1항에 있어서, 상기 학습부는CNN(convolutional neural network) 모델 및 FCN(fully connected network)를 이용하여 학습을 수행하는 것을 특징으로 하는 밸브 고장진단 시스템
|
| 6 |
6
제1항에 있어서, 상기 밸브의 상태는, 정상상태, 코일 불량상태, 스프링 불량상태, 스프링 누락상태, 상단부 오염상태, 가동자 철심 하단부 고착상태, 가동자 철심 상단부 고착상태 및 마찰 과다상태 중 어느 하나이며, 상기 학습부는, 상기 밸브의 상태들 각각에 대하여 학습을 수행하는 것을 특징으로 하는 밸브 고장진단 시스템
|
| 7 |
7
제6항에 있어서, 상기 판단부는, 진단 대상 밸브가 상기 밸브의 상태들 중 가장 큰 확률을 가지는 상태가 무엇인지 판단하여, 진단 대상 밸브의 상태를 판단하는 것을 특징으로 하는 밸브 고장진단 시스템
|
| 8 |
8
전압의 인가에 따라 코일에 전류가 흐르는 밸브에 대하여, 상기 밸브의 정상상태 및 고장상태에 대하여 학습을 수행하는 단계; 진단 대상 밸브의 정보를 입력하는 단계; 및상기 학습 결과를 바탕으로, 상기 진단 대상 밸브의 상태를 판단하는 단계를 포함하고, 상기 학습을 수행하는 단계는, 상기 밸브의 전류 및 전압 신호를 측정하는 단계;상기 측정된 신호로부터 쇄교자속을 도출하는 단계; 및상기 전류와 쇄교자속을 입력받아 상기 밸브에 대한 학습을 수행하는 단계를 포함하는 것을 특징으로 하는 밸브 고장진단 방법
|
| 9 |
9
제8항에 있어서, 상기 학습을 수행하는 단계에서, 상기 측정된 전류와 상기 도출된 쇄교자속을 각각의 최대 측정치로 정규화하는 단계를 더 포함하며, 상기 정규화된 전류와 쇄교자속 선도에서 등간격으로 데이터를 추출하여 상기 밸브에 대한 학습을 수행하는 것을 특징으로 하는 밸브 고장진단 방법
|
| 10 |
10
제9항에 있어서, 상기 학습을 수행하는 단계에서, 상기 정규화된 데이터에 임의의 노이즈(random noise)를 추가하는 단계를 더 포함하며, 상기 노이즈가 추가된 데이터를 입력받아 상기 밸브에 대한 학습을 수행하는 것을 특징으로 하는 밸브 고장진단 방법
|
