The Journal of the Acoustical Society of Korea (한국음향학회지)

The Acoustical Society of Korea (한국음향학회)
권호 표지
DOI QR코드

DOI QR Code

Feature Vector Extraction and Classification Performance Comparison According to Various Settings of Classifiers for Fault Detection and Classification of Induction Motor

유도 전동기의 고장 검출 및 분류를 위한 특징 벡터 추출과 분류기의 다양한 설정에 따른 분류 성능 비교

  • Received : 2011.07.08
  • Accepted : 2011.09.22
  • Published : 2011.11.30
Download PDF
⟨ Previous Next ⟩

Abstract

The use of induction motors has been recently increasing with automation in aeronautical and automotive industries, and it playes a significant role. This has motivated that many researchers have studied on developing fault detection and classification systems of an induction motor in order to minimize economical damage caused by its fault. With this reason, this paper proposed feature vector extraction methods based on STE (short-time energy)+SVD (singular value decomposition) and DCT (discrete cosine transform)+SVD techniques to early detect and diagnose faults of induction motors, and classified faults of an induction motor into different types of them by using extracted features as inputs of BPNN (back propagation neural network) and multi-layer SVM (support vector machine). When BPNN and multi-lay SVM are used as classifiers for fault classification, there are many settings that affect classification performance: the number of input layers, the number of hidden layers and learning algorithms for BPNN, and standard deviation values of Gaussian radial basis function for multi-layer SVM. Therefore, this paper quantitatively simulated to find appropriate settings for those classifiers yielding higher classification performance than others.

최근 항공 산업, 자동차 산업 등의 산업 현장에서 유도 전동기의 사용이 증대되고 있으며, 유도 전동기는 산업 현장에서 중요한 역할을 하고 있다. 따라서 유도 전동기의 고장으로 인한 피해를 최소화하기 위해 유도 전동기의 고장 검출 및 분류 시스템의 개발이 중요한 문제로 대두되고 있다. 이와 같은 이유로 본 논문에서는 유도 전동기의 고장을 조기에 검출하고 진단하기 위해 에너지 (short-time energy)와 특이치 분해와 이산 코사인 변환과 특이치 분해를 이용한 특징 벡터 추출 방법을 제안하였고, 이를 역 전파 신경 회로망과 다층 서포트 벡터 머신의 입력으로 이용하여 유도 전동기의 고장을 유형별로 분류하였다. 하지만 본 논문에서는 역 전파 신경 회로망과 다층 서포트 벡터 머신을 분류기로 사용함에 있어 역 전파 신경 회로망은 신경망을 구성하는 입력 뉴런 수, 은닉 뉴런 수, 학습 알고리즘에 의해 분류 성능이 달라지며, 다층 서포트 벡터 머신은 커널 함수로 사용한 가우시안 방사 기저 함수의 표준 편차 값에 따라 분류 성능이 달라지는 점을 고려하여 여러 가지 조건하에서의 실험을 통해 높은 분류 성능을 보이는 설정 방법을 제시하였다.

Keywords

References

  1. 김승석, 이대종, 박장환, 유정웅, 전명근, "조건부 FCM과 방사 기저 함수 네트웍을 이용한 유도 전동기 고장 검출", 한국지능시스템학회 논문지, 14권, 7호, 878-882쪽, 2004.
  2. V. Sugumaran, V. Muralidharan, and K. I. Ramachandran, "Feature Selection Using Decision Tree and Classification through Proximal Support Vector Machine for Fault Diagnosis of Roller Bearing," Mechanical Systems and Signal Processing, vol. 21, pp. 930-942, 2007. https://doi.org/10.1016/j.ymssp.2006.05.004
  3. F. Li, G. Meng, L. Ye, and P. Chen, "Wavelet Transform-based Higher-order Statistics for Fualt Diagnosis in Rolling Element Bearings," J. Vibration and Control, vol. 14, no. 11, pp. 1691-1709, 2008. https://doi.org/10.1177/1077546308091214
  4. 이대종, 조재훈, 윤종환, 전명근, "유효 주파수 선택과 선형판별분석기법을 이용한 유도 전동기 고장 진단 시스템", 한국지능시스템학회 논문지, 20권, 3호, 380-387쪽, 2010.
  5. 정병훈, 신대철, "전류 분석을 이용한 유도 전동기의 결함 분석 알고리듬 개발", 한국소음진동공학회 논문집, 14권, 8호, 675-683쪽, 2004.
  6. 정병훈, 신대철, "전류 신호를 이용한 유도 전동기의 회전자봉 결함 검출에 관한 연구", 한국소음진동공학회 논문집, 12권, 4호, 287-293쪽, 2002.
  7. 한형섭, 조상진, 정의필, "신경회로망 기반 고장 진단 시스템을 위한 고장 신호별 특징 벡터 결정 방법", 한국소음진동공학회 논문집, 20권, 11호, 1009-1017쪽, 2010.
  8. H. Ocak, and K. A. Loparo, "Estimation of the Running Speed and Bearing Defect Frequencies of an Induction Motor from Vibration Data," Mechanical Systems and Signal Processing , vol. 18, pp. 515-533, 2004. https://doi.org/10.1016/S0888-3270(03)00052-9
  9. F. V. Nelwamondo, and T. Marwala, "Faults Detection Using Gaussian Mixture Models, Mel-Frequency Cepstral Coefficients and Kurtosis," IEEE Int 'l Conf. Systems, Man and Cybernetics (SMC'06), pp. 290-295, 2006.
  10. K. M. Silva, B. A. Souza, and N. S. Brito, "Fault Detection and Classification in Transmission Lines Based on Wavelet Transform and ANN," IEEE Trans. Power Delivery , vol. 21, pp. 2058-2063, 2006. https://doi.org/10.1109/TPWRD.2006.876659
  11. F. V. Nelwamondo, T. Marwala, and U. Mahola, "Early Classifications of Bearing Faults Using Hidden Markov Models, Gaussian Mixture Models, Mel-frequency Cepstral Coefficients and Fractrals," J. Innovative Computing, Information and Control, vol. 2, no. 6, pp. 1281-1299, 2006.
  12. M. Ge, G. C. Zhang, and Y. Yu, "Feature Extraction from Energy Distribution of Stamping Processes Using Wavlet Transform," J. Vibration and Control, vol. 8, pp. 1323-1032, 2002.
  13. S. Poyhonen, "Support Vector Machine Based Classification in Condition Monotoring of Induction Motors," Thesis Presented at Helsinki University of Technology, 2004.
  14. M. Deriche, "Bearing Fault Diagnosis Using Wavelet Analysis," 2005 Int 'l Conf. Comput., Commu., and Signal Processing with Special Track on Biomedical Engineering (CCSP 2005), pp. 197-201, 2005.
  15. N. Mehla, and R. Dahiya, "An Approach of Condition Monitoring of Induction Motor Using MCSA," J. Systems Applications, Engineering and Development, vol. 1, pp. 13-17, 2007.
  16. 양보석, 김광진, 한천, "진동 및 전류 신호의 데이터 융합을 이용한 유도 전동기의 결함 진단", 한국소음진동공학회 논문집, 14권, 11호, 1091-1100쪽, 2004.
  17. G. Strang, "Linear Algebra and Its Application," Thomson, 4/E, 2006.
  18. L. Lu, H. -J. Zhang, and H. Jiang, "Content Alalysis for Audio Classification and Segmentation," IEEE Trans. Speech and Audio Processing, vol. 10, no. 7, pp. 504-516, 2002. https://doi.org/10.1109/TSA.2002.804546
  19. D. Li, I. K. Sethi, N. Dimitrova, and T. McGee, "Classification of General Audio Data for Content-based Retrieval," Pattern Recognition Letters, vol. 22, no. 5, pp. 533-544, 2001. https://doi.org/10.1016/S0167-8655(00)00119-7
  20. N. Ahmed, T. Natarajan, and K. R. Rao, "Discrete Cosine Transform," IEEE Trans. Comput., pp. 90-93, 1974.
  21. S. Haykin, "Neural Networks: A Comprehensive Foundation ," Prentice-Hall, New Jersey, pp. 156-248, 1999.
  22. I. A. Basheer, and M. Hajmeer, "Artificial Neural Network: Fundamentals, Computing Design, and Application," J. Microbiological Methods, vol. 43, no. 1, pp. 3-31, 2000. https://doi.org/10.1016/S0167-7012(00)00201-3
  23. C. Bishop, "Neural Networks for Pattern Recognition," Oxford University Press, New York, 1995.
  24. S. Dreiseitl, and L. Ohno-Machado, "Logistic Regression and Artificial Neural Network Classification Models: A Methodology Review," J. Biomedical Informatics, vol. 35, pp. 352-359, 2002. https://doi.org/10.1016/S1532-0464(03)00034-0
  25. C. J. C. Burges, "A Tutorial on Support Vector Machines for Pattern Recognition," J. Knowledge Discovery and Data Mining, vol. 2, pp. 121-167, 1998. https://doi.org/10.1023/A:1009715923555

Cited by

  1. An Effective Feature Extraction Method for Fault Diagnosis of Induction Motors vol.18, pp.7, 2013, https://doi.org/10.9708/jksci.2013.18.7.023
  2. Highly reliable state monitoring system for induction motors using dominant features in a two-dimension vibration signal vol.19, pp.3-4, 2013, https://doi.org/10.1080/13614568.2013.832407