| 1 |
1
다채널 신호를 이용한 모터 고장 진단 방법으로서,모터에 대한 서로 다른 종류의 복수의 측정 신호를 전처리하여 복수의 채널에 각각 대응하는 복수의 학습 데이터를 생성하는 단계;상기 복수의 학습 데이터를 이용하여 모터의 고장 모드를 분류하는 신경망 모델을 학습시키는 단계; 및상기 복수의 채널에 대응하는 복수의 입력 데이터로부터 상기 신경망 모델을 통해 모터의 고장을 진단하는 단계를 포함하고,상기 신경망 모델은,상기 복수의 학습 데이터를 각각 입력으로 하여 각각 특징 벡터를 출력하는 복수의 컨볼루션 신경망;상기 복수의 컨볼루션 신경망으로부터 출력되는 복수의 특징 벡터에 기초하여 상기 복수의 채널에 각각 대응하는 가중치를 산출하는 가중치 산출 블록;적어도 상기 가중치에 기초하여 상기 복수의 특징 벡터의 가중치합 벡터를 계산하는 가중치합 계산 블록; 및상기 가중치합 벡터를 입력으로 하여 모터의 고장 모드를 분류하는 고장 모드 분류 블록을 포함하는 것을 특징으로 하는 모터 고장 진단 방법
|
| 2 |
2
제1항에 있어서,상기 신경망 모델은,상기 복수의 컨볼루션 신경망으로부터 출력되는 복수의 특징 벡터를 연쇄(concatenation)시켜 상기 가중치 산출 블록에 입력하는 연쇄 레이어를 더 포함하는 것을 특징으로 하는 모터 고장 진단 방법
|
| 3 |
3
제1항에 있어서,상기 복수의 컨볼루션 신경망 각각은,순차적으로 연결된 복수의 컨볼루션 블록과, 그중 마지막 컨볼루션 블록의 출력에 GAP(Global Average Pooling)를 수행하여 상기 특징 벡터를 출력하는 GAP 레이어를 포함하는 것을 특징으로 하는 모터 고장 진단 방법
|
| 4 |
4
제3항에 있어서,상기 복수의 컨볼루션 블록 각각은, 1차원 컨볼루션 레이어를 포함하는 것을 특징으로 하는 모터 고장 진단 방법
|
| 5 |
5
제1항에 있어서,상기 가중치 산출 블록은, 완전연결 레이어, 및 상기 가중치를 출력하는 소프트맥스 레이어를 포함하는 것을 특징으로 하는 모터 고장 진단 방법
|
| 6 |
6
제1항에 있어서,상기 고장 모드 분류 블록은, 완전연결 레이어, 및 상기 고장 모드를 출력하는 소프트맥스 레이어를 포함하는 것을 특징으로 하는 모터 고장 진단 방법
|
| 7 |
7
제1항에 있어서,상기 가중치합 계산 블록은 상기 가중치에 따른 상기 복수의 특징 벡터의 가중치합과 상기 복수의 특징 벡터의 합을 합하여 상기 가중치합 벡터를 계산하는 것을 특징으로 하는 모터 고장 진단 방법
|
| 8 |
8
제1항에 있어서,상기 전처리는 로그 스케일 FFT를 포함하는 것을 특징으로 하는 모터 고장 진단 방법
|
| 9 |
9
제1항에 있어서,상기 복수의 측정 신호는, 전류, 전압, 진동, 토크 중 적어도 하나 이상을 포함하는 것을 특징으로 하는 모터 고장 진단 방법
|
| 10 |
10
제1항에 있어서,상기 학습 결과로부터 상기 고장 모드 별로 상기 가중치 산출 블록에서 출력되는 가중치의 통계량을 계산하는 단계를 더 포함하는 것을 특징으로 하는 모터 고장 진단 방법
|
| 11 |
11
다채널 신호를 이용한 모터 고장 진단 장치로서,모터에 대한 서로 다른 종류의 복수의 측정 신호를 전처리하여 복수의 채널에 각각 대응하는 복수의 학습 데이터를 생성하는 전처리부;상기 복수의 학습 데이터를 이용하여 모터의 고장 모드를 분류하는 신경망 모델을 학습시키는 학습부; 및상기 복수의 채널에 대응하는 복수의 입력 데이터로부터 상기 신경망 모델을 통해 모터의 고장을 진단하는 진단부를 포함하고,상기 신경망 모델은,상기 복수의 학습 데이터를 각각 입력으로 하여 각각 특징 벡터를 출력하는 복수의 컨볼루션 신경망;상기 복수의 컨볼루션 신경망으로부터 출력되는 복수의 특징 벡터에 기초하여 상기 복수의 채널에 각각 대응하는 가중치를 산출하는 가중치 산출 블록;적어도 상기 가중치에 기초하여 상기 복수의 특징 벡터의 가중치합 벡터를 계산하는 가중치합 계산 블록; 및상기 가중치합 벡터를 입력으로 하여 모터의 고장 모드를 분류하는 고장 모드 분류 블록을 포함하는 것을 특징으로 하는 모터 고장 진단 장치
|
| 12 |
12
제11항에 있어서,상기 신경망 모델은,상기 복수의 컨볼루션 신경망으로부터 출력되는 복수의 특징 벡터를 연쇄(concatenation)시켜 상기 가중치 산출 블록에 입력하는 연쇄 레이어를 더 포함하는 것을 특징으로 하는 모터 고장 진단 장치
|
| 13 |
13
제11항에 있어서,상기 복수의 컨볼루션 신경망 각각은,순차적으로 연결된 복수의 컨볼루션 블록과, 그중 마지막 컨볼루션 블록의 출력에 GAP(Global Average Pooling)를 수행하여 상기 특징 벡터를 출력하는 GAP 레이어를 포함하는 것을 특징으로 하는 모터 고장 진단 장치
|
| 14 |
14
제13항에 있어서,상기 복수의 컨볼루션 블록 각각은, 1차원 컨볼루션 레이어를 포함하는 것을 특징으로 하는 모터 고장 진단 장치
|
| 15 |
15
제11항에 있어서,상기 가중치 산출 블록은, 완전연결 레이어, 및 상기 가중치를 출력하는 소프트맥스 레이어를 포함하는 것을 특징으로 하는 모터 고장 진단 장치
|
| 16 |
16
제11항에 있어서,상기 고장 모드 분류 블록은, 완전연결 레이어, 및 상기 고장 모드를 출력하는 소프트맥스 레이어를 포함하는 것을 특징으로 하는 모터 고장 진단 장치
|
| 17 |
17
제11항에 있어서,상기 가중치합 계산 블록은 상기 가중치에 따른 상기 복수의 특징 벡터의 가중치합과 상기 복수의 특징 벡터의 합을 합하여 상기 가중치합 벡터를 계산하는 것을 특징으로 하는 모터 고장 진단 장치
|
| 18 |
18
제11항에 있어서,상기 전처리는 로그 스케일 FFT를 포함하는 것을 특징으로 하는 모터 고장 진단 장치
|
| 19 |
19
제11항에 있어서,상기 복수의 측정 신호는, 전류, 전압, 진동, 토크 중 적어도 하나 이상을 포함하는 것을 특징으로 하는 모터 고장 진단 장치
|
| 20 |
20
제11항에 있어서,상기 학습 결과로부터 상기 고장 모드 별로 상기 가중치 산출 블록에서 출력되는 가중치의 통계량을 계산하는 가중치 통계량 계산부를 더 포함하는 것을 특징으로 하는 모터 고장 진단 장치
|
