본 논문에서는 유도전동기 고장진단을 위하여 계층적인 하이브리드 뉴럴네트웍을 제안하였다. 시스템의 입출력 데이터에 근거하여 패턴을 분류할 때 단계별 변환 및 분류 기법을 이용하였다. 제안된 방법에서는 실험에 측정된 전류값을 주기별로 주성분분석(PCA) 기법을 이용하여 입력차원을 축소한 후 이를 조건부 FCM으로 방사기저함수의 초기치를 최적화하는데 사용하였다. 이는 주성분분석이 가지는 특성을 이용하여 데이터의 특징을 나누었으며 이를 뉴럴네트웍의 학습 기능을 이용하여 고장검출 모델의 최종 성능을 개선하는 것이다. 이를 실제 계측된 유도전동기 데이터를 이용하여 실험한 결과 제안된 방법의 성능이 기존의 방법들에 비하여 우수함을 알 수 있었다.
In this paper, we propose a hierarchical hybrid neural network for detecting faults of induction motor. Implementing the classifier based on the input and output data, we apply appropriate transform and classification method at each step. In the proposed method, after obtaining the current of state of motor for each period, we transform it by Principle Component Analysis(PCA) to reduce its dimension. Before the training process, we use the conditional Fuzzy C-means(FCM) for obtaining the initial parameters of neural network for more effective learning procedure. From the various simulations, we find that the proposed method shows better performance to detect and diagnosis of induction motor and compare than other methods.
