이원준
(Wonjun Yi)
1iD
김현준
(Hyunjun Kim)
2
장강민
(Kangmin Jang)
2
박성원
(Jeonghong Park)
3
박용화
(Yong-Hwa Park)
†iD
-
(Dept. of Electrical Engineering, Korea Advanced Institute of Science and Technology,
Republic of Korea. E-mail : lasscap@kaist.ac.kr)
-
(Dept. of Mechanical Engineering, Korea Advanced Institute of Science and Technology,
Republic of Korea.)
-
(HD Hyundai Electric, Republic of Korea.)
Copyright © The Korean Institute of Electrical Engineers
Key Words
Fault Classification, Cubicle type Gas-Insulated Switchgear, Overload, Optimal Sensor Placement
1. 서 론
전력 시스템의 안정성에 대한 요구가 증대됨에 따라, 배전반의 수요가 늘어나고 있다. 이중, Cubicle type Gas-Insulated Switchgear
(C-GIS)는 공간 효율성과 안정성을 제공하며, 극한 환경에서도 신뢰성을 유지할 수 있는 핵심 전력 장비이다. 특히 내장된 Vacuum Circuit
Breaker (VCB) 는 고속 개폐와 안정적인 차단 성능으로 전력망 안정화에 기여하고 있다. 하지만, C-GIS의 VCB가 고장이 발생한 경우,
신속하고 정확한 진단으로 이루어지지 않는다면, 전력 시스템에 심각한 시스템 장애를 초래할 수 있다. 이에 많은 연구원이 switchgear의 고장진단과
관련된 연구를 진행하였다 [1-7].
본 연구에서는, 진동 신호를 계측하여, close 및 open에 해당하는 impact를 감지하여, 정상 및 3가지 다른 결함 상태를 분류한다. 이
과정에서 FFT를 계산하고, 저주파수 성분만을 이용하여 결함의 구분이 되는 성분을 추출하고 이를 fully connected layer에 입력하여
결함 분류를 진행하였다. 이렇게 개발한 FFT+FC 모델은 선행 연구로 진행된 [7] 1차원 CNN, ResNet, ResNet+DSC에 비해 결함 분류 정확도가 높은 것을 확인하였다. 또한, 센서의 종류에 따라 최대 측정 범위의
차이로, impact 발생 시 overload가 발생할 수 있음을 확인하고, 성능이 열화됨을 확인하였다. 마지막으로, Optimal Sensor Placement
(OSP) 알고리즘 [8] 을 활용, 모드 형상이 가장 잘 확인되는 곳에서 센서를 부착하고, 해당 센서에서 계측된 진동 신호 이용 시, 결함 분류 성능이 최적화됨을 보였다.
추가로, fully connected layer를 사용한 모델이 선행 연구에서 개발된 모델에 비해 모델 활성화 메모리가 현저히 낮아 산업 현장에 적용하기
유리함을 보였다.
2. C-GIS의 VCB의 기계적 동작 과정 및 결함 종류
2.1 C-GIS의 VCB의 기계적 동작 과정
Fig. 1. Impact signal of VCB.
Fig. 1은 C-GIS 내 VCB의 동작 과정을 나타낸다. 우선 VCB는 close를 통하여 전류가 흐르게끔 한다. 이 과정에서 맨 처음에 강한 impact가
발생하고, motor-charging 과정을 거친 뒤, 작은 impact가 발생한다. 이후 사고 전류가 흐르거나, 임의 조작 시, open이 발생하여
단락한다. 본 연구에서 close와 open은 편의상 해당 과정에서 발생하는 impact로 한정하여 정의한다.
2.2 C-GIS 결함의 종류
정상 상태 (normal)의 경우, Fig. 1과 같이 VCB가 동작하며 진동 신호가 계측된다. 하지만, VCB에 기계적 고장이 발생한 경우, 정상 상태와는 다른 파형이 진동 센서에 계측된다.
불완전 투입 (incomplete close)의 경우 close가 한 번의 impact로 이루어지지 않는다. 심각도가 낮은 경우 1차 close가
발생 후 2차 close가 추가 발생한다. 심각도가 높은 경우, close 이후 motor-charging이 발생하기 전에 open이 발생한다. 이때,
2차 close와 open 신호가 합쳐져 강한 impact를 만들어 낸다. 다음으로, trip-free가 발생하면, close와 open이 동시 발생하게
된다. 이후 motor-charging이 진행된다. 마지막으로, 투입 속도 이상 (abnormal close speed)의 경우, VCB의 동작에
탄성 에너지를 제공하는 contact pressure spring의 초기 길이가 정상 길이인 50mm를 넘게 설정된 경우를 의미한다. 본 실험에서는
VCB의 기계적 동작 과정에 인가되는 탄성 에너지의 차이를 만들어, 정상 상태와 다른 신호가 계측되도록 하였다.
Fig. 2. Ensemble mean of FFT of signals depending on status and open / close. (Up)
C-GIS A, (Down) C-GIS B.
C-GIS에서 발생하는 정상, 결함 신호의 open, close 신호는 FFT를 한 다음, 저주파 영역을 관측하면 Fig. 2와 같이 그 차이가 두드러진다. 구조적 특징에 기인하는 피크 값에 해당하는 주파수는 대체로 모든 신호에서 동일하나, 해당 신호가 open 및 close
그리고 정상 및 결함에 따라 주파수별 에너지의 차이로 FFT의 개형에 있어 각 피크의 크기 차이가 발생한다. 이런 피크의 크기를 결함 분류의 주요
특징으로 사용한다면, 효과적인 결함 분류기를 개발할 수 있다.
3. 제안 기법
3.1 Impact 감지 알고리즘 및 전처리 과정
Fig. 3. Impact detection algorithm.
본 연구에서는 close와 open의 구분 없이, 하나의 impact를 감지하여 고정된 길이의 시계열 데이터로 추출한다. 현장 운용 상황에서는 사고
전류가 언제 흐를지 알 수 없으므로, open과 close를 동시에 고려하는 데이터 추출 알고리즘은 현실성이 없다. 구체적인 impact 감지 알고리즘은
Fig. 3과 같이 진행된다. 우선 상방 임곗값
θ
1
과 하방 임곗값
-
θ
2
를 통하여 impact를 감지한다. 이후, 해당 impact를 중심으로
[
-
δ
1
,
δ
2
]
만큼의 시계열 데이터를 추출한다.
Impact 감지 알고리즘을 통해 추출된 하나의 impact는 FFT를 통하여 주파수 영역으로 변환된다. 이후, C-GIS의 impact 신호는 저주파수
대역에서 결함 성분의 차이가 두드러짐으로, 저주파수 대역만을 추출하여 모델 입력으로 활용한다.
3.2 결함 분류기 구조
Fig. 4. FFT+FC model architecture.
3.1과 같이 계산한 FFT를, 본 연구에서는 Fully connected layer를 이용한 결함 분류기로 결함 분류를 진행한다. 해당 모델을 FFT+FC로
명명하겠다. 모델 구조는 Fig. 4와 같다. 또한 이를 수식으로 나타내면. (1)과 같다. 해당 수식에서
x
(
t
)
는 해당 open 및 close 신호를,
F
F
T
는 저주파 대역의 FFT를, 그리고
f
는 fully connected layer기반 결함 분류기를, 마지막으로
p
^
는 예측 확률을 의미한다. 여기서 결함 분류기 구조에 대해 더 자세히 서술하자면, Fig. 4에와 같이, 각 layer는 fully connected layer, batch normalization [9], 마지막으로 ReLU로 [10] 이루어져 있다. Fully connected layer를 사용한 이유는, 결함에 사용하기로 한 전 주파수 대역을 모두 반영하기 위해서이다. Convolution
기반의 모델은 kernel size에 따라 receptive field가 정해지게 되는데, 이 경우 전 주파수를 layer마다 활용하기 어려워진다.
이후 batch normalization을 통해 data flow에서 통계적 안정성을 확보한다. 마지막으로 ReLU를 통하여 모델의 비선형성을 증대,
특징 공간 내 결정 경계 생성을 쉽게 하도록 도와준다. 마지막 layer의 경우 batch normalization과 ReLU 대신 Softmax
활성화 함수를 사용하여 결함 분류를 진행하였다.
4. 실험 방법
4.1 센서 종류 및 센서 최적 위치 선정
Fig. 5. Offset occurs when sensor overloads.
본 실험에서는 구조적 차이가 있는 C-GIS 2기종, C-GIS A와 C-GIS B에 대하여 실험을 진행하였다.
Fig. 6. Mode shape in C-GIS A.
본 연구는 2개의 PCB 352C34 [11], 2개의 PCB 353B15 [12], 총 4개의 센서를 사용하였다. PCB 352C34는 PCB 353B15에 비하여 가격이 저렴하나, 최대 측정 범위가 중력가속도의 50배로, PCB
353B15의 최대 측정 범위인 중력가속도의 500배에 비해 10배 작다. 본 실험에 사용된 C-GIS A와 C-GIS B 모두 close 신호 발생
시, 정상 및 결함의 종류와 상관없이 impact의 크기가 중력가속도의 50배를 넘어가, PCB 352C34 센서로 계측할 때 Fig. 5와 같이 overload 현상이 발생하여, 이상 파형이 측정된다. 정상 신호에 비해 overload가 발생한 이상 파형의 경우, offset이 발생함을
확인할 수 있다. PCB 353B15를 사용한 경우, 진동 신호의 최대 변위가 중력가속도의 500배를 넘어가지 않아, offset이 발생하지 않으며,
비정상적 진동 신호가 계측되지 않았다.
또한 본 연구에서는 센서 위치와 관련해서도 분석을 진행하였다. C-GIS의 VCB는 impulse와 유사한 impact 신호로써, 진동 형상 민감도에
따라 측정된 신호의 품질이 올라간다. 즉, 모드 형상이 잘 나타나는 위치에서, 정상 및 결함 종류에 따른 주파수 성분이 뚜렷하게 발생하여, 추후 결함
분류 알고리즘 사용에 용이하다.
이에 본 연구에서는 C-GIS A와 C-GIS B에 대하여 모드 형상을 Fig. 6과 같이 분석하였다. Fig. 6에서 나타나는 것과 같이 모드별로 특정 부분에서는 고정단이, 다른 부분에서는 자유단이 형성되는 것을 확인할 수 있다. 이런 정보를 기반으로 본 연구는
OSP 알고리즘 [8]를 활용하여 C-GIS A와 C-GIS B에 대한 최적의 위치를 계산하였고, 해당 위치에 PCB 352C34 센서 1개와 PCB 353B15 센서
1개를 설치하여 진동을 계측하였다. 센서 최적 위치의 결함 분류에 있어서 영향을 알기 위하여, 본 연구는 이 위치와 전혀 다른 위치인 대조군에도 PCB
352C34 센서 1개와 PCB 353B15 센서 1개를 설치하여 진동을 계측하였다.
위와 같이 본 연구는 센서 2종류 및 서로 다른 2개의 센서 위치, 총 4가지에 대한 센서를 준비하여, 실험을 진행하였다. 편의상 센서 종류에 따라
a1 (PCB 352C34 사용, 최적 위치 설치). a2 (PCB 352C34 사용, 대조군 위치 설치), b1 (PCB 353B15 사용, 최적
위치 설치), b2 (PCB 353B15 사용, 대조군 위치 설치)로 명명하여 실험 결과에서 다루겠다.
Fig. 7. Confusion matrix of classification result of FFT+FC model using FFT+FC model
and sensor b1. (Left) C-GIS A (Right) C-GIS B.
4.2 데이터 취득
본 연구는 4.1에서 소개한 2개의 C-GIS인 C-GIS A와 C-GIS B에서 앞서 소개한 4개의 센서로 데이터를 동시에 취득하여 데이터셋을 구성하였다.
사용된 2개의 C-GIS는 서로 다른 기종으로, C-GIS간 구조적 차이가 존재한다. 구조적 차이에 의하여, 모드 형상이 달라짐으로 센서의 최적 위치도
차이가 난다. 이런 차이를 기반으로 최적 위치와 대조군의 위치를 C-GIS에 따라 다르게 설정하여 신호를 계측하였다.
Open, close를 반복하여 동작하는 C-GIS의 데이터를 3.1에서 설명한 impact 감지 알고리즘을 이용하여 추출하고, 이후 학습, 검증,
시험 데이터를 6:2:2의 비율로 나누었다. 데이터셋의 자세한 구성은 Table 1과 같다.
Table 1. Dataset distribution
|
Fault type
|
Train
|
Validation
|
Test
C-GIS A
|
Test
C-GIS B
|
|
Normal
|
371
|
123
|
65
|
61
|
|
Incomplete close
|
194
|
64
|
43
|
23
|
|
Trip free
|
111
|
37
|
23
|
15
|
|
Abnormal close speed
|
121
|
39
|
22
|
21
|
훈련과 검증 단계에서는 C-GIS A와 C-GIS B에 해당하는 데이터를 나누지 않고 통합하여 사용하였다. 시험의 경우 C-GIS A와 C-GIS
B의 데이터셋을 따로 설정하였다.
4.3 훈련 및 시험 방법
해당 모델을 Adam optimizer [13]로 100 epoch 동안 categorical cross entropy (CCE) 를 이용하여 훈련하였고, 매 epoch의 검증 단계에서 손실함수가
가장 낮은 모델을 이용하여 시험하였다.
성능 평가 지표로는 정확도가 사용되었다. 시험 데이터셋은 C-GIS A와 C-GIS B가 따로 존재함으로, 두 데이터셋에 대하여 각각 성능을 평가하였다.
또한 계측에 사용된 진동 센서 4개의 실험 결과를 비교하였다.
4.4 비교 모델
성능 비교는 선행 연구 [7] 에서 실험에 사용된 1차원 CNN, ResNet, ResNet+DSC과 성능 비교를 하였다. 1차원 CNN의 경우 다른 모델과는 다르게 시간-주파수
표현을 볼 수 있는 STFT 대신 시계열 데이터를 down sampling 하여 입력으로 활용하였다. 즉, 주파수 성분을 결함 분류기 입력에 사용하지
않았다. 반면 ResNet [14] 과 ResNet+DSC는 short-time Fourier transform (STFT)를 사용하여 주파수 특징이 모델 입력에 주요한 역할을 하도록
했다. DSC는 depth-separable convolution [15] 의 약자로 모델을 과적합에 강인하게 하는 강점이 있다.
5. 실험 결과
앞서 설명하였듯, 본 연구에서는 크게 정확도와 모델 활성화 메모리 비교 2개의 섹션에 대한 실험을 진행하였다. 5.1은 결함 분류 정확도를 다룬 섹션으로,
모델과 센서별로 정확도를 기재하였으며, 가장 좋은 성능을 볼드체로 표기하였다. Table 1은 C-GIS A, Table 2는 C-GIS B, Table 3은 그 둘의 평균을 나타내 전반적 성능을 표기하였다. 5.2는 모델 활성화 메모리를 비교하였으며, 가장 낮은 모델 활성화 메모리를 마찬가지로 볼드체로
표기하였다.
5.1 결함 분류 정확도
Table 2. Accuracy (C-GIS A) depending on sensor type and model architecture
|
Sensor type / Model architecture
|
Sensor a1
|
Sensor a2
|
Sensor b1
|
Sensor b2
|
|
FFT＋FC
|
92.2%
|
94.1%
|
100%
|
99.3%
|
|
ResNet+DSC
|
95.4%
|
98.7%
|
99.3%
|
99.3%
|
|
ResNet
|
97.4%
|
96.1%
|
98.7%
|
98.7%
|
|
1D CNN
|
98.7%
|
94.1%
|
98.0%
|
91.5%
|
Table 2에 따르면, C-GIS A에서는 FFT+FC 모델을 센서 b1, 즉 overload가 발생하지 않는 센서로, 센서 최적 위치에 설치하였을 때 정확도가
가장 높음을 확인하였다. 하지만 전반적인 성능을 보았을 때, FFT+FC의 성능은 그리 좋지 않다. 오직 overload가 발생하지 않고, 최적 위치에서
성능이 가장 좋지, 다른 경우, 특히 overload가 발생하면 성능이 많이 떨어지는 것을 확인할 수 있다.
Table 3. Accuracy (C-GIS B) depending on sensor type and model architecture
|
Sensor type / Model architecture
|
Sensor a1
|
Sensor a2
|
Sensor b1
|
Sensor b2
|
|
FFT＋FC
|
86.7%
|
93.3%
|
100%
|
100%
|
|
ResNet+DSC
|
99.2%
|
100%
|
100%
|
100%
|
|
ResNet
|
99.2%
|
100%
|
98.3%
|
100%
|
|
1D CNN
|
93.3%
|
97.5%
|
94.2%
|
90.8%
|
Table 3에서도 마찬가지로 센서 b1에서 FFT+FC는 100%의 결함 분류 정확도를 보여준다. C-GIS B의 경우 C-IGS A에 비해 정확도가 높은 경우가
많다. Table 3과 마찬가지로, FFT+FC는 overload 발생 유무에 따라 민감하게 성능이 좌우되는 것을 확인할 수 있다. Table 2와 Table 3에서 FFT+FC의 센서 b1에서의 결함 분류 성능을 혼동 행렬로 나타내면 Fig. 7과 같다. 보다시피, 모든 C-GIS의 상태 (정상, 불완전 투입, trip free, 투입 속도 이상)에서 완벽히 분류가 이루어지고 있는 것을 확인할
수 있다.
Table 4. Average of Table 2 and Table 3
|
Sensor type / Model architecture
|
Sensor a1
|
Sensor a2
|
Sensor b1
|
Sensor b2
|
|
FFT＋FC
|
89.5%
|
93.7%
|
100%
|
99.7%
|
|
ResNet+DSC
|
97.3%
|
99.3%
|
99.7%
|
99.7%
|
|
ResNet
|
98.3%
|
98%
|
98.5%
|
99.3%
|
|
1D CNN
|
96%
|
95.8%
|
96.1%
|
91.2%
|
두 C-GIS에서 따로 비교하는 것을 넘어, 전반적인 성능 비교를 위하여 Table 2와 Table 3의 결과를 평균 내면 Table 4와 같다. 실험 결과, FFT+FC를 overload가 발생하지 않고, 센서 최적 위치에 설치하였을 때가 다른 경우들에 비해 성능이 좋음을 확인할
수 있다. 이를 통해 3가지를 확인할 수 있다. 첫째로, 센서 b1에 한하여, FFT+FC 모델이 다른 모델에 비해 결함 분류 정확도가 가장 높음을
확인할 수 있다. 둘째로, FFT+FC 모델에 대하여 센서 위치가 overload 발생이 없는 경우 영향을 미침을 확인할 수 있다. 마지막으로, FFT+FC
모델에 있어서 overload 발생 시 성능이 열화됨을 확인할 수 있다.
FFT+FC는 주파수 성분만을 입력으로 사용하기에, overload에 의한 이상 파형 및 모드 형상의 민감도를 좌우하는 센서 최적 위치에 영향을 많이
받음을 유추할 수 있다.
5.2 모델 활성화 메모리 비교
Table 5. Model activation memotry
|
Model architecture
|
Mdoel activation memory
|
|
FFT+FC
|
0.13 MB
|
|
ResNet+DSC
|
6897.16 MB
|
|
ResNet
|
6754.51 MB
|
|
1D CNN
|
18.23 MB
|
결함 분류 정확도에 이어, 모델이 추론할 때 한 데이터당 GPU에 활성화되는 메모리를 비교해 보았다. Table 5를 통하여, FFT+FC가 다른 모델에 비해 압도적으로 적은 모델 활성화 메모리를 지닌다는 것을 확인하였다. 이는 FFT+ FC 모델의 입력이 저주파수의
FFT이기 때문에, 시계열을 이용하는 1차원 CNN 및 시간-주파수 성분을 이용하는 ResNet 및 ResNet+DSC 보다 모델 활성화 메모리가
적은 것이다. 모델 활성화 메모리가 적으면, 모델 연산에 필요한 컴퓨팅 자원이 많이 필요하지 않음으로, 제품 설계에 있어 경제적이다.
6. 분 석
Fig. 8. Vibration signal depending on status of C-GIS on time domain.
본 연구에 있어 각 open 및 close 신호는, Fig. 2와 같이 결함별로 FFT 값이 저주파 대역에서 피크 값의 크기로 차이가 명확히 나타나기 때문에, 이를 결함 분류에 용이하게 사용할 수 있다. 반면,
시계열 데이터를 그대로 시간 축에서만 비교하게 되면, Fig. 8과 같이 결함 별 차이가 두드러지게 나타나지 않는다.
Fig. 9. STFT and GradCAM of ResNet+DSC model for close and motor charging impact for
normal status.
ResNet과 ResNet+DSC [7] 를 사용한 경우, 모델이 시간-주파수 성분을 모두 활용하기 때문에, 모델이 결함 분류에 활용할 수 있는 정보가 다양하다. 실제로 Fig. 9와 같이 ResNet+DSC의 Gradient-weighted Class Activation Mapping (Grad-CAM) [16] 을 STFT와 오버랩하여 나타내면 ResNet+DSC가 impact에 해당하는 픽셀에 activate 됨을 확인할 수 있다. 이는 STFT를 활용하는
모델이, 시간-주파수 영역에서 필요 없는 정보를 모두 참조하는 것이 아닌 impact에 집중하여 결함 분류에 해당 정보를 사용하는 것을 실증한다.
주목할 만한 점은 해당 impact에서 STFT의 전주파수 영역에 걸쳐 activate가 된다는 것이다. 이를 통해 모델이 시간 축으로는 impact에만
집중하지만, 주파수 성분은 모두 참조하는 것을 확인하였다.
해당 실험을 통해, 모델이 impact에만 집중하여 결함을 분류한다면, impact를 포함하도록 충분히 큰 값으로
[
-
δ
1
,
δ
2
]
를 설정하지 않고, impact 근방의 시계열 데이터만 짧게 추출하도록 하는 것이 어떨까 하여, FFT+FC 모델의 impact 시계열 데이터 추출
시,
[
-
δ
1
,
δ
2
]
를 아주 짧게 설정하였다. 또한, 아주 짧은 추출된 시계열 데이터에 대해서 window를 나누어 STFT를 진행하며 하나의 pixel 값에 대하여
적은 수의 데이터로 FFT 값을 하기보다, 해당 추출 신호에서 최대한 주파수 해상도를 높이기 위하여 STFT 대신 추출된 신호를 모두 FFT 계산에
사용하였다. 결과적으로 Fig. 2와 같이 결함 상태별 분류가 용이 하도록 FFT 값이 도출되었다. 또한, 전처리를 통하여 도출된 FFT 값을 layer마다 모두 사용할 수 있도록,
convolution 대신 fully-connected layer 기반의 모델을 사용하여, receptive field에 제한받지 않는 모델을 설계하였다.
Fig. 10. Coherence between vibration sample by status. (Left) Coherence from 0Hz to
Nyquist frequency, (Right) Coherence in low frequency range.
본 기법의 다른 주요 특징으로는, FFT 계산 후 저주파 대역만을 결함 분류기의 입력에 활용한 것이다. 이는 저주파에서 계측된 coherence가
고주파에서의 coherence보다 높기 때문이다. 이는 Fig. 10에서 확인할 수 있다. 좌측의 sub plot을 보면 주파수가 높아질수록 coherence가 낮아지는 것을 확인할 수 있고, 이와 달리 우측의 sub
plot을 보면 저주파에서는 coherence가 거의 1에 근접한 것을 확인할 수 있다. 즉, 다시 말해, 각 데이터들의 동질성이 저주파에서 높게
나타나는 것을 확인할 수 있다.
이는 결함 분류기의 특징 공간 내 결정 경계를 설정 함에 있어 유리하게 작용할 수 있다. 하지만, 고주파수 영역에서는 coherence가 떨어져,
특징 공간 내 같은 결함 상태여도 특징 벡터 간의 정렬이 이루어지기 어렵다. 이에, 본 연구는 FFT의 저주파 대역을 사용하도록 전처리기를 설정하였다.
7. 결 론
본 연구를 통하여, C-GIS의 VCB에서 발생하는 impact를 활용하여 C-GIS의 결함 분류를 수행하였다. 이에 있어, 각 impact를 추출하고,
FFT를 수행한 다음, 저주파수 영역을 추출하는 전처리기를 개발하였다. 이후 fully connected layer 기반의 결함 분류기를 사용하여
결함 분류를 진행하였다. 실험에는 두 개의 C-GIS인 C-GIS A와 C-GIS B에서 센서 종류 및 센서 설치 위치에 따른 총 4개의 센서를 이용해
진동 신호를 계측하여 데이터셋을 구성하였다. 이후, 같은 학습 방법을 사용하여 선행 연구 결함 분류기들과 성능을 비교하였다. 실험 결과, 제안한 FFT+FC
모델이 선행 연구에서 제안한 모델들에 비해, overload가 발생하지 않는 센서를 최적 위치에 설치하여 계측한 데이터셋에서 가장 좋은 결함 분류
정확도를 보임을 확인하였다. 추가로, 모델 활성화 메모리를 비교해 보았을 때, 제안한 FFT+FC 모델이 압도적으로 적음을 보였다. 이를 통하여 우리는
경제적이면서도 분류 성능이 좋은 진동 신호 기반 C-GIS 조작기 결함 분류 알고리즘을 제안하였다.
추후 연구는 같은 결함 상태여도 다양한 인가 원인 및 심각도에 따른 결함 분류가 가능한지 확인하여, 다양한 결함 인가 원인 및 심각도에 대해 강건한
결함 분류기 개발을 고려해볼 수 있다. 또한, 단순히 지도 학습 기반 결함 분류가 아닌 비지도 학습 혹은 자기 지도 학습 기반 정상 기반 이상 진단을
고려해 볼 수 있다. 마지막으로 진동 신호뿐만 아니라 다른 신호를 같이 계측한 뒤, 멀티 모달 모델을 만들어 결함 분류기가 다양한 모달리티의 데이터를
활용하여 더 다양한 결함 종류로부터 결함 분류가 가능하게 할 수 있다.
Acknowledgements
This work was supported by HD Hyundai Electric.
References
J. Xue, 2009, A New Method of Fault Diagnosis for High Voltage Circuit Breakers Based
on Vibration Signals
C. Liu, 2024, Fault Diagnosis of Circuit Breaker Vibration Signals Based on MTF +
CNN
A. Janssen, D. Makareinis, C.-E. Sölver, 2013, International Surveys on Circuit-Breaker
Reliability Data for Substation and System Studies, IEEE Transactions on Power Delivery,
Vol. 29, No. 2, pp. 808-814
J. Gong, Y. Tan, 2024, State Assessment Method of Circuit Breaker Based on Vibration
Characteristic Domain
Z. Wang, 2009, Use Vibration Monitoring to Identify Circuit Breakers for Condition
Assessment
A. Boyaci, O. Becker, I. Amihai, 2021, Vibration Monitoring for Medium-Voltage Circuit
Breaker Drives Using Artificial Intelligence, Vol. 2021, No. 6
W. Yi, Y.-H. Park, J. Park, 2025, Vibration Signal based Fault Classification Algorithm
for C-GIS Switchgear Operator
K.-J. Park, Y.-H. Park, 2025, Optimal Sensor Placement for Mode Shape Reconstruction
Using Kriging and SEFI, pp. 334-335
S. Ioffe, C. Szegedy, 2015, Batch Normalization: Accelerating Deep Network Training
by Reducing Internal Covariate Shift
V. Nair, G. E. Hinton, 2010, Rectified Linear Units Improve Restricted Boltzmann Machines,
pp. 807-814
, 352C34 ICP® Accelerometer
, 353B15 ICP® Accelerometer
D. P. Kingma, J. Ba, 2014, Adam: A Method for Stochastic Optimization, arXiv preprint
arXiv:1412.6980
K. He, X. Zhang, S. Ren, J. Sun, 2016, Deep Residual Learning for Image Recognition,
pp. 770-778
F. Chollet, 2017, Xception: Deep Learning with Depthwise Separable Convolutions, pp.
1251-1258
Ramprasaath R. Selvaraju, 2017, Grad-cam: Visual explanations from deep networks via
gradient-based localization, pp. 618-626
저자소개
Wonjun Yi is a Ph.D. Candidate in the Department of Electrical Engineering at the
Korea Advanced Institute of Science and Technology (KAIST). His research focuses on
fault classification and anomaly detection using deep learning.
Hyunjun Kim is a Ph.D. Candidate in the Department of Mechanical Engineering at the
Korea Advanced Institute of Science and Technology (KAIST). His research focuses on
dynamics, vibration analysis, model reduction, and damage detection.
Kangmin Jang is a Master’s student in Mechanical Engineering at KAIST. His research
focuses on vibration analysis and dynamic response prediction of mechanical structures
using AI-based modeling techniques.
Sung Won Park received BS and MS in Mechanical Engineering from Seoul National University
in 1997 and 1999 respectively. He is a senior researcher and the head of distribution
equipment research department at HD Hyundai Electric.
Yong-Hwa Park received BS, MS, and PhD in Mechanical Engineering from KAIST in 1991,
1993, and 1999, respectively. In 2000, he joined to Aerospace Department at the University
of Colorado at Boulder as a research associate. From 2003-2016, he worked for Samsung
Electronics in the Visual Display Division and Samsung Advanced Institute of Technology
(SAIT) as a Research Master in the field of micro-optical systems with applications
to imaging and display systems. From 2016, he joined KAIST as professor of NOVIC+
(Noise & Vibration Control Plus) at the Department of Mechanical Engineering devoting
to research on vibration, acoustics, vision sensors, and condition monitoring with
AI. His research fields include structural vibration; condition monitoring from sound
and vibration using AI; health monitoring sensors; and 3D sensors, and lidar for vehicles
and robots. He is the conference chair of MOEMS and miniaturized systems in SPIE Photonics
West since 2013. He is a vice-president of KSME, KSNVE, KSPE, and member of IEEE and
SPIE.