지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2020.11
- 수록면
- 932 - 939 (8page)
- DOI
- 10.5302/J.ICROS.2020.20.0121
이용수
이 논문의 연구 히스토리 (11)
2022
2021
2020
2019
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
One of the major problems with the existing motor failure prediction system is to assume that all motors with the same fault condition have the same or a similar signal. This is a problem that arises because it is impossible to measure all the countless types of motors and data of driving conditions and failures. It is difficult to implement a general-purpose failure prediction system with an existing system having limited data and limited output. Data that have a large difference because they do not exist in the existing system are called outlier data. In previous studies, the problem arising from the outlier data has not been considered. To solve this problem, a system designed by separating the failure diagnosis model and the failure prediction model is proposed. The diagnostic model of the proposed system can detect data that are not inside big data using a decision-tree convolution neural network (DT-CNN). By using the diagnostic model and the predictive model in series, it is possible to analyze data in a non-measured state more efficiently. Additionally, a method for averaging the outputs of the diagnostic and predictive models is proposed. Through this, the deep learning algorithm can obtain in effect of applying the filter. Furthermore, the average values can be used to confirm the long-term signal change trend. The proposed system improves the problems of the existing failure prediction and enables more practical failure prediction.
목차
Abstract
I. 서론
II. 고장 진단 모델
III. 고장 예측 모델
IV. 실험
V. 결론
REFERENCES
참고문헌 (13)
참고문헌 신청
N. Mehala and R. Dahiya, “Motor current signature analysis and its applications in induction motor fault diagnosis,” International Journal of Systems Applications, Engineering & Development, vol. 2, no. 1, pp. 29-35, 2007.
T. Petsche, A. Marcantonio, C. Darken, S. Hanson, G. Kuhn, and I. Santoso, 1996, “A neural network autoassociator for induction motor failure prediction,” Proceedings of Advances in Neural Information Processing, vol. 8. 924-930.
B. Saied and A.J. Ali, “fault prediction of deep bar cage rotor induction motor based on FEM,” Progress In Electromagnetics Research B, 53, pp. 291-314, 2013.
G. Niu, A. Widodo, J. Son, B. Yang, Hwang, and D. Kang, “Decision-level fusion based on wavelet decomposition for induction motor fault diagnosis using transient current signal,” Expert Ststems with Applications, vol. 35, no. 3, pp. 918-928, 2008.
E. Germen, M. Basaran, and M. Fidan, “Sound based induction motor fault diagnosis using Kohonen self-organizing map,” Mech. Syst. Signal Process, vol. 46, pp. 45-48, 2014.
T. Petsche, A. Marcantonio, C. Darken, S. Hanson, G. Kuhn, and I. Santoso, 1996, “A neural network autoassociator for induction motor failure prediction,” Proceedings of Advances in Neural Information Processing, vol. 8. 924-930.
B. Saied and A.J. Ali, “fault prediction of deep bar cage rotor induction motor based on FEM,” Progress In Electromagnetics Research B, 53, pp. 291-314, 2013.
G. Niu, A. Widodo, J. Son, B. Yang, Hwang, and D. Kang, “Decision-level fusion based on wavelet decomposition for induction motor fault diagnosis using transient current signal,” Expert Ststems with Applications, vol. 35, no. 3, pp. 918-928, 2008.
E. Germen, M. Basaran, and M. Fidan, “Sound based induction motor fault diagnosis using Kohonen self-organizing map,” Mech. Syst. Signal Process, vol. 46, pp. 45-48, 2014.
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
A Study on Motor Poor Maintenance Detection Based on DT-CNN
제어로봇시스템학회 국제학술대회 논문집
2019 .10
-
딥 러닝에 의한 전동기 기계적 고장 수준 결정을 위한 전동기 진동/전류 데이터 특성 분석 연구
전기학회논문지
2021 .10
-
Diagnosis of motor aging through CNN model using signal correlation
제어로봇시스템학회 국제학술대회 논문집
2020 .10
-
A Study on the GAN Algorithm Performance Improvement Method in Motor Failure Diagnosis Using Deep Learning Algorithm
전기학회논문지
2020 .11
-
K-Means와 CNN을 이용한 변화된 환경에서의 전동기 고장 진단
제어로봇시스템학회 논문지
2020 .05
-
데이터간 의미 분석을 위한 R기반의 데이터 가중치 및 신경망기반의 데이터 예측 모형에 관한 연구
멀티미디어학회논문지
2015 .04
-
차량 데이터를 활용한 LSTM-Autoencoder 기반 차량 고장 예측 모델의 성능 개선
대한전자공학회 학술대회
2023 .06
-
모터 제어기 자기 진단 기능 설계 및 구현
한국자동차공학회 춘계학술대회
2015 .05
-
모델 기반의 신뢰성 예측 방법론에 관한 연구
대한설비관리학회지
2019 .01
-
텍스트 마이닝과 딥 러닝을 활용한 고장진단: 고장원인부서 예측 알고리즘 개발
전기학회논문지
2020 .08
-
소형 IoT 디비이스를 고려한 딥 러닝 전동기 고장진단 시스템
제어로봇시스템학회 논문지
2020 .11
-
A study on modeling using big data and deep learning method for failure diagnosis of system
대한전기학회 학술대회 논문집
2019 .05
-
CNN-LSTM 기반 시계열 데이터의 이상치 분류를 위한 이미지 인코딩 방법 비교 분석
대한전자공학회 학술대회
2022 .06
-
Effects of CNN Backbone on Trajectory Prediction Models for Autonomous Vehicle
Journal of information and communication convergence engineering
2023 .12
-
Time Division 다중 모델 딥러닝을 이용한 컴퓨터시스템 장애예측
한국지능정보시스템학회 학술대회논문집
2016 .11
-
하이브리드 LSTM기반 제조로봇 고장예지 시스템의 설계 및 구현
대한설비관리학회지
2019 .01
-
정확도 향상을 위한 CNN-LSTM 기반 풍력발전 예측 시스템
신·재생에너지
2022 .06
-
Data Preprocessing Method in Motor Fault Diagnosis Using Unsupervised Learning
제어로봇시스템학회 국제학술대회 논문집
2019 .10
-
압축기 고장 유형에 따른 데이터 확인 방법 연구
환경에너지공학
2023 .12
-
Method of Estimating the Basic Failure Rate and Deriving the Failure Mode and Failure Mode Distribution Rate for Evaluating Random Hardware Failure
한국자동차공학회논문집
2020 .08
이 논문의 저자 정보
이 논문과 함께 이용한 논문
채권자대위권에 있어서의 채무자의 일신전속권
오수원
저스티스
2015
.02
시계열 데이터의 이미지 생성과 합성곱신경망을 이용한 협동로봇의 결함 검출 연구
최승환
한국정밀공학회 학술발표대회 논문집
2023
.05
오토-엔코더 알고리즘 기반 협동 로봇 실시간 고장 진단 시스템 개발
송영훈
,
박영식
,
김홍주
외 1명
대한전기학회 학술대회 논문집
2022
.07
모터 전류 신호의 경험적 모드 분석을 통한 딥러닝 기반 로봇 고장 진단 기법 개발
노영림
,
이자즈라우프
,
김흥수
대한기계학회 춘추학술대회
2022
.05
산업용 로봇의 고장 진단 방법 리뷰
장진
,
이기욱
,
장영규
외 1명
대한기계학회 춘추학술대회
2020
.12
최근 본 자료
댓글(0)
0
UCI(KEPA) : I410-ECN-0101-2020-003-001571263