Mobile QR Code QR CODE : The Transactions of the Korean Institute of Electrical Engineers

The Transactions of the Korean Institute of Electrical Engineers

ISO Journal TitleTrans. Korean. Inst. Elect. Eng.

Main Menu

Journal Search

[

Research article

]

The Transactions of the Korean Institute of Electrical Engineers

KIEE Vol. 70, No. 5, p.764-775

ISSN (print) :

1975-8359

ISSN (online) :

2287-4364

Received : 19 April 2021Revised : 20 April 2021Accepted : 23 April 2021

DOI :

http://doi.org/10.5370/KIEE.2021.70.5.764

ANN-Based Diagnostic Method on Multiple Open-Switch Fault for Three-Phase PWM Converters

ANN에 기반한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 방법

김원재 (Won-Jae Kim) ¹iD 김상훈 (Sang-Hoon Kim) ^†iD

(Dept. of Electrical and Medical Convergent Engineering, Kangwon National University, Korea. E-mail: kw1029j@kangwon.ac.kr)

^†Corresponding Author : Dept. of Electrical and Electronics Engineering, Kangwon National University, Korea.

E-mail : kshoon@kangwon.ac.kr

License :

This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/3.0/) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.(www.kiee.or.kr).

Abstract

For single and double open-switch faults in three-phase PWM (Pulse Width Modulation) converters, there are 21 types of fault modes depending on faulty switches, causing secondary faults in peripherals. In this paper, for diagnosing those fault modes, two-step technique based on ANNs using dc and THDs (Total Harmonics Distortions) of phase currents is proposed. Those dc and THDs are obtained through an ADALINE (Adaptive Linear Neuron) in real-time. In the first step, the ANN categorizes fault modes into six sectors in the three-phase plane. In the second step, the ANN localizes fault modes in each sector. Especially, the fault modes of both switches in the same legs are localized by comparing the number of the sampled zero current of the fault currents. The proposed method allows a real-time diagnosis with a simple and an high accuracy for the multiple open-switch faults and operates online. Simulations and experiments for a 3.7kW three-phase PWM converter confirmed the validity of the proposed diagnostic method.

Key words

Adaptive Linear Neuron, Artificial Neural Network, Fault Diagnosis, Open-Switch Fault, Three-Phase PWM Converter, Two-Step Technique

1. 서 론

3상 PWM(Pulse Width Modulation) 컨버터는 단위 역률로 운전이 가능하여 신재생 에너지, 양방향 전력전송 및 가변속 제어와 같이 직류 전원 제어를 요구하는 응용 분야에서 전기 에너지의 효율적인 사용을 위해 그 수요가 증가하고 있다⁽¹⁾. 이러한 전력변환 시스템의 구성 요소 중 IGBT(Insultated Gate Bipolar Transistor)와 같은 제어 가능한 전력용 반도체 스위치의 고장은 약 38%로 높은 비율을 차지한다⁽²⁾.

IGBT의 고장은 넓은 범위에서 단락고장, 개방고장 및 간헐적 게이트 오동작(Intermittent gate-misfiring fault)로 나눌 수 있다⁽³⁾. IGBT의 단락고장의 경우 큰 과전류로 인해 고장 스위치가 파괴되거나, 차단기 또는 퓨즈와 같은 보호회로에 의해 시스템이 계통과 분리되어 시스템의 운전이 중단된다. 개방고장의 경우에는 단락고장과 달리 과전류가 발생하지 않으므로 보호회로에 의한 감지가 어려우며, 장시간 동안 고장 운전이 지속될 수 있다. 이로 인해, 주변 기기에 개방고장으로 인한 2차 고장이 발생할 수 있다. 따라서, 전력변환 시스템의 구동 신뢰성을 향상시키기 위해서는 반도체 스위치의 개방고장을 진단하는 방법이 필수적으로 요구된다. 그러나 기존의 연구는 3상 DC-AC PWM 인버터의 스위치 개방고장에 관한 연구가 주로 진행되었으며^(4-¹⁵⁾, 3상 AC-DC PWM 컨버터의 스위치 개방고장에 대한 연구는 미비하다. 스위치 개방고장으로 인한 고장 전류의 패턴은 AC-DC 컨버터와 DC-AC 인버터가 다르므로, 3상 AC-DC PWM 컨버터의 스위치 개방고장을 진단하기 위해서는 별도의 진단 방법이 요구된다.

기존에 AC-DC 컨버터의 스위치 개방고장을 진단하기 위해 스위치 개방고장으로 인한 고정자 전류 벡터의 순시적인 위상각 변화를 이용한 방법이 제안되었다⁽¹⁶⁾. 이 방법은 스위치의 개방고장으로 인한 왜곡된 상전류를 실시간으로 감지하므로, 진단 시간이 빠르다는 장점이 있다. 그러나, 데드타임 효과로 인해 상전류에 왜곡이 발생한 경우 정확한 진단이 어려울 수 있으며, 전류 벡터의 순시적인 위상각 변화를 얻기 위해 미분을 사용하므로 노이즈에 의해 진단 성능이 저하될 수 있다. 이러한 미분으로 인한 성능 저하를 방지하기 위해 개방고장으로 인해 발생하는 상전류의 영전류 구간을 이용한 방법 제안되었다⁽¹⁷⁾. 그러나, 개방고장과 유사하게 영전류 구간을 발생시키는 영전류 클램핑(Zero-current clamping)이 존재하는 경우 정확한 진단이 어려울 수 있다. 단일 스위치 및 두 개의 스위치 개방고장 진단을 위해서는 증가된 고장모드 수로 인해 복잡하고 정교한 알고리즘이 요구된다. 이를 위해 전류 유사도 분석(Current similarity analysis)을 기반으로 진단하는 방법이 제안되었다⁽¹⁸⁾. 그러나 전류의 재구성 및 형태 분석(Current reconstruction and shape analysis)을 위해 많은 연산을 요구하는 단점이 있다.

3상 PWM 컨버터에서 단일 스위치 및 두 개의 스위치 개방고장을 포함하는 다중 스위치 개방고장은 고장이 발생한 스위치에 따라 21가지의 고장모드가 존재한다. 기존의 진단 방법들은 수학적 분석에 기반하므로, 다중 스위치 개방고장의 증가된 고장모드를 진단하기 위해서 많은 연산과 복잡한 알고리즘이 요구되며, 높은 정확도의 진단 성능을 얻기 어렵다.

최근에는 전력변환 시스템의 고장 진단에서 높은 진단 성능을 위해 인공지능(Artificial Intelligence, AI) 기반의 진단 방법들이 제안되었다^(20-²³⁾. 인공신경망(Artificial Neural Network, ANN)은 AI의 한 분야로 데이터 학습을 통해 패턴 인식과 회귀 분석에서 탁월한 성능을 보인다. 이러한 이유로, 다중 스위치 개방고장 진단을 위해 ANN을 이용한 진단 방법들이 제안되었다^(24-²⁶⁾. 이러한 방법들은 고장 전류의 패턴을 학습하여 고장을 진단하므로, 고장 진단을 위한 수학적 모델을 요구하지 않는다는 장점이 있다. 그러나, 다중 스위치 개방고장의 증가된 고장모드를 진단하기 위해 복잡한 구조의 ANN이 설계되었으며, 많은 연산량을 요구한다는 단점이 여전히 남아있다. 그러므로, 실시간으로 다중 스위치 개방고장을 진단하기 위해서는 높은 진단 성능을 갖는 간단한 구조의 ANN의 설계가 요구된다.

본 논문에서는 높은 정확도 및 적은 연산으로 3상 PWM 컨버터의 다중 스위치 개방고장을 진단하기 위해 3상 전류의 직류 성분 및 THD(Total Harmonics Distortion)를 이용하는 ANN 기반의 실시간 진단이 가능한 two-step 진단 방법을 제안한다. 진단에 사용되는 3상 전류의 직류 성분 및 THD를 얻기 위해 ADALINE(Adaptive Linear Neuron)을 적용하여 3상 전류의 직류 및 고조파 성분의 크기를 추출하였다. 제안된 진단 방법의 첫 번째 step에서는 얻어진 3상 전류의 직류 성분을 기반으로, ANN을 이용하여 다중 스위치 개방고장 모드를 3상 전류 평면에서 6개의 영역으로 분류한다. 두 번째 step에서는 3상 전류의 직류 성분 및 THD를 기반으로, 각 영역에서 ANN을 이용하여 개방고장이 발생한 스위치를 진단한다. 특별한 경우로, 한 상에서 두 개의 스위치 모두에 개방고장이 발생한 경우는 직류 성분의 크기를 이용하여 고장모드를 분류하며, 3상 전류에서 샘플링된 영전류 수를 비교하여 개방고장이 발생한 스위치를 진단한다. 제안된 two-step 방법으로 간단한 구조의 ANN 설계가 가능하며, ANN 구현을 위한 별도의 FPGA(Field Pro- gramable Gate Array) 없이 컨버터 구동을 위한 기존의 컨트롤러를 사용하여 온라인으로 실시간 진단이 가능하다. 제안된 방법의 효용성을 검증하기 위해 부하 전력 3.7kW의 3상 PWM 컨버터를 대상으로 시뮬레이션 및 실험을 진행하였다.

2. 3상 PWM 컨버터의 스위치 개방고장 분석

2.1 개방고장 시 고정자 전류

컨버터의 스위치 개방고장은 게이트 드라이버 회로의 개방 또는 제어 회로의 열화에 의한 단선 등에 의해 발생할 수 있다⁽³⁾. 전력변환 시스템의 반도체 스위치 개방고장이 발생한 경우, 고장 스위치를 통한 전류의 흐름이 제한되어 고정자 전류에 왜곡이 발생한다. 예를 들어, 인버터에서 스위치 개방고장이 발생한 경우, 개방고장 스위치의 도통이 불가능하여 고장 상의 전류는 양 또는 음의 전류만 흐르게 된다⁽⁵⁾. 그러나, 컨버터의 경우 역병렬 다이오드를 통한 전압의 정류가 가능하여 고장 전류의 패턴이 인버터와는 다르다^(16-¹⁸⁾. 그림 1은 3상 PWM 컨버터의 S1 스위치(a상 위쪽)에 개방고장이 발생한 상황을 보여준다.

그림. 1. 3상 PWM 컨버터의 S1 스위치 개방고장

Fig. 1. Open-fault of S1 switch in three-phase PWM converter

이러한 상황에서 3상 고정자 전류 및 전압이 그림 2에 나타나 있다. S1 스위치에 개방고장이 발생한 경우, a상의 양의 전류는 D1 다이오드를 통해 흐를 수 있으며, S4 스위치(a상 아래쪽)와 D1의 on-off 동작으로 정상적인 운전이 가능하다. 반대로, a상의 음의 전류는 S1 스위치와 D4 다이오드의 on-off 동작을 요구한다. 그러나, S1 스위치는 개방고장으로 인해 on-off 동작이 불가능하므로, 정상적으로 음의 전류를 발생시키기 어렵다. 이로 인해, a상 전류가 양에서 음으로 변화할 때 a상에 영전류 구간이 발생한다. 그러나, 그림 2에 나타난 것처럼 컨버터의 경우 역병렬 다이오드를 통한 전압의 정류가 가능하다. a상의 전압이 다른 두 상의 전압보다 작은 경우 D4 다이오드를 통해 음의 전류가 흐를 수 있다. 이의 결과로, 고정자 전류에 왜곡이 발생하며, 상전류에 직류 및 고조파 성분이 존재하게 된다. 이러한 직류 및 고조파 성분은 개방고장이 발생한 스위치에 따라 다르다. 따라서, 본 논문에서 개방고장이 발생한 스위치에 따른 상전류의 직류 및 고조파 성분을 분석하였다.

그림. 2. 3상 PWM 컨버터의 S1 스위치 개방고장 시 3상 전류 및 입력 전압

Fig. 2. Three-phase currents and input voltages when the open-fault of S1 switch in three-phase PWM converter

표 1. 단일 스위치 개방고장에 대한 직류 성분의 부호

Table 1. Sign of DC compoennts for single open-switch faults

Fault switch	Phase			Angle (deg.)	Sec. number
Fault switch	a	b	c	Angle (deg.)	Sec. number
S1	+	-	+	270 to 330	1
S2	+	-	-	330 to 30	2
S3	+	+	-	30 to 90	3
S4	-	+	-	90 to 150	4
S5	-	+	+	150 to 210	5
S6	-	-	+	210 to 270	6

2.2 단일 스위치 개방고장

앞서 설명한 것과 같이, 스위치의 개방고장이 발생한 경우 3상 전류에 직류 성분이 발생한다. 표 1은 컨버터의 단일 스위치 개방고장 시 3상 고정자 전류에 포함된 직류 성분의 부호를 나타낸다. 단일 스위치 개방고장의 경우 개방고장이 발생한 스위치에 따라 6개의 고장모드(6개의 영역)가 존재하며, 고장모드에 따라 3상 전류에 발생하는 직류 성분의 부호가 다른 것을 알 수 있다. 이를 이용하여, 3상 전류 평면에서 6개의 영역을 나누어 단일 스위치 개방고장을 진단하는 방법이 제안되었다^(5-⁷⁾. 예를 들어, S1 스위치에 개방고장이 발생한 경우, 직류 성분의 부호는 (+-+)이며, 그림 3에 나타난 것과 같이 직류 성분은 전류 평면에서 270~330도 범위에 존재하게 된다. 즉, Sec1에 존재한다. 따라서, 전류 평면에서 직류 성분의 위치가 Sec1에 존재하는 경우, a상의 위쪽 스위치(S1 스위치)의 개방고장으로 진단할 수 있다.

그림. 3. 표 1의 영역

Fig. 3. Sectors of Table 1

그러나, 단일 및 두 개의 스위치의 개방고장을 포함하는 다중 스위치 개방고장의 경우 개방고장이 발생한 스위치에 따라 21가지 고장모드가 존재하므로, 증가된 고장모드 수로 인해 표1에 정의된 각 영역에는 두 개 스위치의 개방고장 모드를 포함하여 여러 개의 고장모드가 존재할 수 있다. 이로 인해, 다중 스위치 개방고장의 경우 상전류에 포함된 직류 성분의 부호만으로 고장모드를 명확하게 진단하는 것은 어렵다. 따라서, 각 영역에서 고장모드를 명확하게 진단할 수 있는 별도의 방법이 요구된다.

표 2. 다중 스위치 개방고장의 고장 모드

Table 2. Fault modes for multiple open-switch fault

Fault mode	Fault number	Fault mode	Fault number	Fault mode	Fault number
S1	1	S4S5	8	S1S5	15
S1S6	2	S4S6	9	S2	16
S2S6	3	S4	10	S1S2	17
S3	4	S3S4	11	S1S3	18
S2S3	5	S3S5	12	S1S4	19
S2S4	6	S6	13	S3S6	20
S5	7	S5S6	14	S2S5	21
Sec. number	Fault mode	Sec. number	Fault mode	Sec. number	Fault mode
1	S1	3	S3	5	S5
	S2S6		S2S4		S4S6
	S1S4		S2S5		S3S6
	S1S6		S3S4		S4S5
	S1S2		S2S3		S5S6
2	S2	4	S4	6	S6
	S1S3		S3S5		S1S5
	S1S2		S3S4		S5S6
	S2S3		S4S5		S1S6

2.3 다중 스위치 개방고장

다중 스위치 개방고장의 고장 스위치에 따른 21가지 고장모드가 표 2에 나타내었다. 다중 스위치 개방고장의 경우 3상 고정자 직류 성분의 부호는 표 1의 단일 스위치 개방고장과 유사하게 개방고장이 발생한 스위치에 따라 다르다. 예를 들어, S1 스위치에 개방고장이 발생한 경우 고정자 전류의 직류 성분 부호는 (+-+)이며, Sec1에 존재한다. S5 스위치에 개방고장이 발생한 경우는 직류 성분의 부호가 (-++)이며, Sec5에 존재한다. 반면에, S1 및 S5 스위치 모두에 개방고장이 발생한 경우, 직류 성분의 부호는 각 스위치의 고장에 따른 직류 성분의 합으로 주어지므로 (+-+), (-++) 또는 (--+)이 될 수 있다.

그러므로 S1S5 고장모드의 경우 직류 성분이 3상 전류 평면에서 Sec1, Sec5 또는 Sec6에 존재할 수 있다. 마찬가지로, S2 스위치에 개방고장이 발생한 경우, 직류 성분의 부호는 (+--)이며, S1 및 S2 스위치 모두에 개방고장이 발생한 경우, 직류 성분의 부호는 (+-+) 또는 (+--)가 될 수 있다. 즉, 직류 성분이 3상 전류 평면에서 Sec1 또는 Sec2에 존재한다. 그림 4는 3상 전류 평면에서 부하 전력 3.7kW 컨버터의 다중 스위치 개방고장으로 인한 직류 성분의 위치를 보여준다. 컨버터의 사양은 표 3에 나타나 있다. 그림 4로부터 S1S5 고장모드는 직류 성분이 210~270도 사이, 즉, Sec6에 존재함을 알 수 있다. 반면에, S1S2 고장모드의 경우는 직류 성분이 300~0도 사이, 즉 Sec1과 Sec2의 두 영역에 걸쳐서 존재한다.

각 영역에 포함된 다중 스위치 개방고장의 모든 고장모드가 표 2에 나타나 있다. 증가된 고장모드로 인해 각 영역에 4개 이상의 고장모드가 포함됨을 알 수 있다. 이로 인해, 다중 스위치 개방고장을 진단하기 위해서는 각 영역에서 실제로 개방고장이 발생한 스위치를 진단할 수 있는 별도의 방법이 필수적으로 요구된다. 그러나, 표 1의 영역을 기반으로 각 영역에서 고장을 진단하는 경우 한 개의 영역이 아닌 두 영역에 걸쳐서 존재하는 고장모드들의 모호성으로 인해 진단 성능이 저하될 수 있다. 따라서, 각 영역에서 정확한 진단을 위해서는 고장모드가 두 개의 영역이 아닌 한 영역에 명확하게 포함될 필요성이 있다.

이를 위해, 본 논문에서는 21가지 고장모드를 새로운 영역으로 분류하며, 이 영역을 기반으로 고장모드를 진단하는 ANN에 기반한 two-step 방법을 제안한다. 제안된 two-step 방법의 첫 번째 step에서는 다중 스위치 개방고장의 21가지 고장모드를 3상 전류 평면에서 새롭게 정의된 영역, 즉 Sec0-$6'$으로 3개씩 분류한다. 두 번째 step에서는 각 영역의 3가지 고장모드 중 실제로 발생한 고장모드로 진단한다. 이러한 two-step 방법을 위해 두 개의 ANN이 직렬로 사용된다. 첫 번째 step에서는 3상 전류의 직류 성분을 기반으로 3-2-1 구조의 ANN을 이용하여 고장모드를 Sec$1'$-$6'$으로 3개씩 분류한다. 그러한 다음, 두 번째 step에서 3상 전류의 직류 성분 및 THD를 기반으로 6-4-3 구조의 ANN을 이용하여 각 영역에서 개방고장이 발생한 스위치를 진단한다. 특별한 경우로, 한 상에서 두 개의 스위치 모두에 개방고장이 발생한 경우는 직류 성분의 크기를 이용하여 Sec0로 분류하며, 3상 전류의 영전류 샘플 수를 비교하여 개방고장이 발생한 스위치를 진단한다. 제안된 two-step 방법으로 간단하고 정확한 진단이 가능하다.

그림. 4. 다중 스위치 개방고장에 따른 직류 성분의 위치

Fig. 4. Location of dc components due to the multiple open-switch fault

3. 제안된 다중 스위치 개방고장 진단 방법

ANN은 학습을 통한 패턴 인식 또는 회귀 분석 분야에 주로 사용되는 방법이다. 그림 5에 일반적인 ANN의 구조가 나타나 있다.

그림. 5. 일반적인 ANN의 구조

Fig. 5. General structure of an ANN

ANN은 입력층(Input layer), 은닉층(Hidden layer) 및 출력층(Output layer)으로 구성되며, 각 층은 입력 신호의 활성화 여부를 결정하는 뉴런들이 존재한다. 이러한 뉴런은 일반적으로 시그모이드(Sigmoid) 또는 하이퍼볼릭 탄젠트 함수와 같은 수학적 모델로 표현된다. 또한, 각 층 사이에는 뉴런에 의해 활성화된 신호를 증폭하는 가중치가 존재한다. 이러한 가중치의 값은 오류 역전파 알고리즘과 같은 학습 기법으로 결정된다⁽²⁷⁾. ANN은 이러한 뉴런과 가중치의 작용으로 패턴 인식과 분류에서 탁월한 성능을 보인다. 패턴 인식에 사용되는 ANN의 경우 출력은 표 2의 영역 또는 고장모드와 같은 패턴의 레이블(Label)로 설정된다. 입력은 요구되는 출력 레이블의 특징을 잘 반영할 수 있는 이용 가능한 정보들로 설정된다. 예를 들어, 스위치의 개방고장을 진단할 때, 왜곡이 발생하는 전류의 정보가 입력으로 사용될 수 있다.

은닉층과 은닉 뉴런의 수는 ANN의 입력이 요구되는 출력의 특징을 얼마나 잘 반영하는지에 따라 결정된다. 예를 들어, 요구되는 출력의 고유한 특징을 잘 반영하는 데이터를 입력으로 사용하면, 은닉층과 은닉 뉴런의 수를 줄일 수 있다. 따라서, 개방고장 진단을 위한 ANN을 설계할 때 각 개방고장 모드의 고유한 특징을 잘 반영하는 물리적 변수를 입력으로 선택하는 것이 중요하다. 3상 PWM 컨버터의 스위치 개방고장은 상전류의 왜곡을 발생시키므로, 왜곡된 상전류의 정보는 개방고장 진단을 위한 ANN의 입력으로서 좋은 선택지가 수 있다.

그러나, 왜곡된 3상 고정자 전류는 교류 형태의 가공되지 않은 데이터이다. 교류 형태의 전류는 개방고장 상황과 정상운전 시의 공통된 특징으로, 고정자 전류를 직접 입력으로 사용하는 경우, 고장 진단을 위해 많은 수의 은닉층과 은닉 뉴런을 요구할 수 있다. 결과적으로, 복잡한 구조의 ANN으로 인해 연산량 크게 증가할 수 있다. 앞서 언급했듯이, 고장모드에 따라 상전류에 포함된 직류 및 고조파 성분이 다르게 나타난다. 따라서, 본 논문에서는 각 고장모드의 고유한 특징으로서 3상 전류의 직류 및 고조파 성분을 ADALINE(Adaptive Linear Neuron) 통해 추출하였으며, 얻어진 직류 성분 및 THD를 개방고장 진단을 위한 ANN의 입력으로 사용하였다. 이를 통해, 간단한 구조 및 높은 진단 성능의 ANN 설계가 가능하다.

3.1 ADALINE을 이용한 3상 전류의 직류 및 고조파 성분 추출

ADALINE은 선형 시스템의 출력 또는 복잡한 신호의 선형 분리를 위해 주로 사용된다⁽²⁸⁾. ADALINE은 간단한 알고리즘으로 입력의 가중치를 실시간으로 추정할 수 있다는 장점이 있다. 이러한 장점으로 인해, ADALINE을 이용하여 전류의 직류 및 고조파 성분을 추정하는 경우, 적은 연산으로도 순시적인 3상 전류의 직류 및 고조파 성분을 얻을 수 있다. ADALINE의 구조가 그림 6에 나타나 있다.

그림. 6. ADALINE의 구조

Fig. 6. Structure of ADALINE

ADALINE의 출력은 다음과 같은 식으로 표현된다.

(1)

$\hat y =W_{0}x_{0}+W_{1}x_{1}+\cdots +W_{i}x_{i}$

여기서, $W_{i}$는 입력의 가중치이다. 가중치는 실제 신호 $y$와 추정값 $\hat y$의 오차가 영이 되도록 LMS(Least Mean Square) 알고리즘 통해 결정된다. 추정 오차가 영이 되면, 식 (1)에 의해 신호 $y$는 선형적으로 분리된다. 제안된 진단 방법에서는 3상 전류의 직류 및 고조파 성분을 얻기 위해 ADALINE이 사용되었다. 제안된 ADALINE은 3상 전류를 추정하며, 출력은 다음과 같이 표현된다.

(2)

$$ \begin{aligned} \hat{i}_{v}= & W_{v 0}+W_{v s 1} \sin (\omega t)+W_{v c 1} \cos (\omega t) \\ & +W_{v s 2} \sin (2 \omega t)+W_{v c 2} \cos (2 \omega t) \\ & +W_{v s 3} \sin (3 \omega t)+W_{v c 3} \cos (3 \omega t) \\ & +\cdots+W_{v s k} \sin (k \omega t)+W_{v c k} \cos (k \omega t),(v=a, b, c) \end{aligned} $$

여기서, $k$는 고조파의 차수이다. 식 (2)로부터, 실제 전류와 추정된 전류의 오차가 영이 되는 경우, 가중치는 전류의 직류 및 각 고조파 성분의 크기가 됨을 알 수 있다. 이로부터 전류의 직류 성분 및 THD는 각각 다음 식으로 얻을 수 있다.

(3)

$I_{v_{-}dc}=W_{v0}$

(4)

$THD_{v}=\dfrac{\sqrt{\sum_{K=2}^{k}(W_{vs K}^{2}+W_{vc K}^{2})}}{\sqrt{W_{vs1}^{2}+W_{vc1}^{2}}}$

그림 7은 S1S6 고장모드에 대해서 식 (3)과 (4)를 통해 얻은 3상 전류의 직류 및 THD를 보여준다. 실제 값과 비교하기 위해 FFT 분석을 통해 얻은 직류 및 THD 값을 함께 표시하였다. 그림 7을 통해 식 (3)과 (4)의 결과가 실제 값과 정확하게 일치하는 것을 알 수 있다.

그림. 7. S1S6 고장모드에 대한 3상 전류의 직류 성분 및 THD

Fig. 7. dc component and THD of three-phase currents for the S1S6 fault mode

3.2 첫 번째 step의 ANN을 이용한 고장모드의 분류

다중 스위치 개방고장의 경우, 증가된 고장모드 수(21가지 고장모드)로 인해, 표 2와 같이 각 영역에는 최대 5개의 고장모드가 존재한다. 이로 인해, 각 영역에서 최대 5개의 고장모드 중 실제로 개방고장이 발생한 스위치를 진단하기 위한 별도의 방법이 요구된다. 또한, 두 영역에 걸쳐서 존재하는 고장모드의 모호성으로 인해, 표 1의 영역을 기반으로 고장모드를 진단하는 경우 진단 성능이 저하될 수 있다. 본 논문에서는 이러한 고장모드의 영역의 모호성을 해소하고 각 영역에서 적은 수의 고장모드를 진단할 수 있도록 첫 번째 step에서 고장모드를 새로운 영역으로 3개씩 명확하게 분류하는 ANN에 기반한 방법을 제안한다. 첫 번째 step의 분류 결과를 기반으로 두 번째 step에서는 최대 5개의 고장모드가 아닌 3가지 고장모드만 진단할 수 있으므로, 간단하고 정확한 진단 알고리즘 설계가 가능하다.

그림 8은 3상 전류 평면에서 표현된 표 1의 Sec1, Sec2 및 Sec6의 고장모드에 대한 직류 성분을 보여준다. 부하 조건은 0.2pu에서 1.0pu까지 0.2pu 간격이다. 그림 8로부터 알 수 있듯이, 두 영역에 존재하는 고장모드 즉, S1S6 및 S1S2 고장모드(주황색 및 녹색)는 직류 성분이 두 영역의 경계 근처에 존재함을 알 수 있다. 이러한 고장모드들의 영역의 모호성으로 인해, 표 1 기반의 영역을 기준으로 고장모드를 진단하는 경우 진단 성능이 저하될 수 있다. 그러나, 그림 8의 점선으로 표시된 새로운 경계로 영역을 구분하는 경우, 고장모드가 새로운 영역에 명확하게 포함됨을 알 수 있다. 또한, 영역에 3개의 고장모드만 존재하므로, 영역에서 적은 수의 고장모드 즉, 3개의 고장모드만 진단할 수 있다는 장점이 있다.

그림. 8. Sec1, Sec2 및 Sec6의 고장모드에 따른 직류 성분

Fig. 8. DC components according to fault modes in Sec1, Sec2 and Sec6

이러한 새로운 영역으로 고장모드를 분류하기 위해 그림 9의 입력층 뉴런 3개, 히든층 뉴런 2개, 및 출력층 뉴런 1개로 구성된 3-2-1 구조의 ANN을 이용하였다. 3-2-1 구조의 ANN을 이용한 고장모드의 분류 과정은 다음과 같다. 그림 8에 주어진 점선과 같이 두 고장모드 사이의 경계를 선정한다. 본 논문에서는 S2S6 및 S1S2 고장모드(황색 및 녹색) 사이의 경계가 선택되었다. 실제 구동 환경에서는 스위칭 및 센싱 노이즈가 발생할 수 있으므로 고장모드를 명확하게 구분하기 위해서는 이러한 경계를 두 고장모드의 중간(두 고장모드와 경계의 거리가 최대가 되는 곳)에 위치시키는 것이 중요하다. 이를 위해 기계학습 방법인 서포트 벡터 머신(Support Vector Machine, SVM)이 사용될 수 있다⁽²⁹⁾. 그러나 이 방법은 복잡한 수학적 기법이 사용되므로, 본 논문에서는 간단한 방법인 ANN을 통한 학습을 이용하였다.

그림. 9. 고장모드 분류를 위한 3-2-1 구조의 ANN

Fig. 9. ANN of a 3-2-1 structure for the categorization of the fault modes

그림 9의 3-2-1 구조의 ANN 출력은 다음 식과 같이 표현된다.

(5)

$$ \begin{aligned} & \text { Sector }=\operatorname{sigmoid}\left(W_{2 s} \cdot \tanh (X)+\text { Bias }_{h}\right) \\ & \left(\text { where } X=W_{1 s} \cdot I_{D C}+\text { Bias }_{x}\right) \end{aligned} $$

(6)

$sigmoid(y)=\dfrac{1}{1+e^{-y}}$

(7)

\begin{align*} I_{DC}=\left(\begin{aligned}\begin{aligned}I_{as_{-}dc}\\I_{bs_{-}dc}\end{aligned}\\I_{cs_{-}dc}\end{aligned}\right) \end{align*}

(8)

$$ W_{1 s}=\left(\begin{array}{lll} W_{1 s}(11) & W_{1 s(12)} & \left.W_{1 s(13}\right) \\ W_{1 s}(21) & W_{1 s(22)} & W_{1 s}(23) \end{array}\right) $$

(9)

$$ \begin{aligned} & W_{2 s}=\left(W_{2 s(11)} W_{2 s(12)}\right) \end{aligned} $$

여기서, $I_{DC}$는 ANN의 입력이며, $W_{1s}$, $W_{2s}$는 학습을 통해 얻어지는 가중치 행렬이다. 학습 데이터는 S2S6 및 S1S2 고장모드의 직류 성분이며, 시뮬레이션을 통해 노이즈를 포함한 833개의 학습 데이터셋을 얻었다. 학습을 위한 EPOCH는 10으로 설정되었다. 3-2-1 구조의 ANN은 이러한 데이터셋을 학습하여, 그림 8의 점선으로 주어진 경계를 출력한다. 그러한 다음, 그림 10에 나타난 것과 같이, ANN을 통해 얻어진 경계를 전류 평면에서 $60^{\circ}$씩 이동하여 고장모드 분류를 위한 새로운 영역 즉, Sec$1'$-$6'$을 얻는다. 특별한 경우로서, 한 상에서 두 개의 스위치 모두 개방고장이 발생한 경우, 즉, S1S4, S3S6 및 S2S5 고장모드의 경우는 직류 성분이 원점 부근에 존재하므로, 그림 8의 점원을 이용하여 Sec0로 분류한다. 이 경우 점원의 반지름은 임계값(Threshold)이며, 개방고장 발생 시 직류 성분의 크기가 임계값보다 작은 경우 Sec0로 분류한다.

그림. 10. 제안된 ANN에 기반한 첫 번째 step 방법의 영역 및 고장모드 분류 결과

Fig. 10. Sec1'-6' and fault modes by the first step method based on ANN

그림 11은 Sec$1'$, Sec$2'$ 및 Sec0의 자세한 사항을 보여준다. 제안된 첫 번째 step 방법으로 Sec$1'$ 및 Sec$2'$에 3개의 고장모드만 포함되며, a상의 두 개 스위치의 개방고장 즉, S1S4 고장모드는 Sec0로 분류됨을 알 수 있다. 모든 고장모드에 대한 제안된 방법의 결과가 그림 10에 나타나 있다. 모든 영역에 3개의 고장모드만 포함됨을 알 수 있다. 이러한 첫 번째 step의 분류를 기반으로 두 번째 step에서 3가지 고장모드만 진단할 수 있으므로, 간단 및 정확한 진단 알고리즘 설계가 가능하다.

그림. 11. Sec$1'$, Sec$2'$ 및 Sec0의 고장모드

Fig. 11. Fault modes in Sec$1'$, Sec$2'$ and Sec0

3.3 ANN을 이용한 고장모드의 진단

첫 번째 step 방법으로 얻어진 새로운 영역에 포함된 3개의 고장모드를 진단하기 위해 두 번째 step에서 입력층 뉴런 6개, 히든층 뉴런 4개, 및 출력층 뉴런 3개로 구성된 6-4-3 구조의 ANN이 설계된다. 6-4-3 구조의 ANN은 적은 수의 고장모드 즉, 3개의 고장모드만 진단하므로 간단하고 적은 연산을 요구하며 정확한 진단이 가능하다. 그림 12에 본 논문의 두 번째 step에서 사용된 6-4-3 구조의 ANN이 나타나 있다.

그림. 12. 고장모드 진단을 위한 6-4-3 구조의 ANN

Fig. 12. ANN of a 6-4-3 structure for the localziation of the fault modes

그림 12의 6-4-3 구조의 ANN 출력은 다음 식과 같다.

(10)

$$ \begin{aligned} & \text { Fault Mode }=\operatorname{softmax}\left(W_{2 d} \cdot \tanh (X)+\text { Bias }_{h}\right) \\ & \left(\text { where } X=W_{1 d} \cdot I_{D C \times H D_{s}}+\text { Bias }_{x}\right) \end{aligned} $$

(11)

$soft\max(y_{i})=\dfrac{e^{y_{i}}}{\sum_{j}e^{y_{j}}}$

(12)

\begin{align*} I_{DC_{-}THDs}=\left(\begin{aligned}\begin{aligned}\begin{aligned}\begin{aligned}\begin{aligned}I_{as_{-}dc}\\I_{bs_{-}dc}\end{aligned}\\I_{cs_{-}dc}\end{aligned}\\I_{as_{-}THD}\end{aligned}\\I_{bs_{-}THD}\end{aligned}\\I_{cs_{-}THD}\end{aligned}\right) \end{align*}

(13)

$W_{1d}\in\vec{R}^{4\times 6},\: W_{2d}\in\vec{R}^{3\times 4}$

여기서, $I_{DC_{-}THDs}$는 ANN의 입력이며, $W_{1d}$, $W_{2d}$는 학습을 통해 얻어지는 가중치 행렬이다. 학습 데이터는 Sec$1'$에 포함된 3가지 고장모드 즉, S1, S1S6 및 S2S6 고장모드의 3상 전류의 직류 성분 및 THD이며, 시뮬레이션을 통해 노이즈를 포함한 833개의 학습 데이터셋을 얻었다. 학습을 위한 EPOCH는 20으로 설정되었다. 6-4-3 구조의 ANN은 이러한 데이터셋을 학습하여, 3가지 고장모드 중 실제로 개방고장이 발생한 스위치를 진단한다. 예를 들어, S1, S1S6 또는 S2S6 고장모드가 발생한 경우, ANN은 각각 100, 010 또는 001을 출력한다. Sec$2'$-$6'$의 경우에도 동일한 방법을 적용하여 고장모드를 진단한다.

Sec0의 고장모드 즉, 한 상에서 두 개의 스위치 모두에 개방고장이 발생한 경우, 진단을 위해 3상 고장자 전류의 영전류 구간을 이용한다. 그림 13은 a상의 두 개의 스위치에 개방고장이 발생한 경우, 즉, S1S4 고장모드의 경우 3상 고정자 전류를 보여준다. 개방고장이 발생한 a상의 전류에 영전류 구간이 발생한 것을 알 수 있다. 따라서, 이 경우 전류의 한 주기 동안 샘플링된 영전류 수를 비교하여 고장모드를 진단한다. 전류의 한 주기 동안 샘플링된 영전류 수는 다음과 같이 얻는다.

(14)

$$ \delta_{x}=\left\{\begin{array}{l} \text { if }\left|i_{x}\right| <\epsilon, 1 \\ \text { else, } \end{array} \quad x=a, b, c\right. $$

(15)

$\gamma_{x}=\sum_{N}\delta_{x}$

여기서, $i_{x}$는 3상 고정자 전류이다. 식 (14)를 통해, 3상 고정자 전류가 거의 영인 경우 $\delta_{x}$는 1, 그 외에는 0을 출력한다. 전류 한 주기 동안 샘플링된 영전류 수 $\gamma_{x}$는 식 (15)와 같이 고정자 전류의 한 주기 동안 $\delta_{x}$의 합으로 주어진다. S1S4 고장모드의 경우 $\gamma_{a}$의 값이 다른 상의 $\gamma_{b}$, $\gamma_{c}$보다 크므로, $\gamma_{x}$값을 비교하여 고장모드를 진단할 수 있다.

그림. 13. a상의 두 개 스위치 모두에 개방고장이 발생한 경우에 대한 3상 고정자 전류

Fig. 13. Three-phase currents for both switches open-fault in the a-phase leg

그림 14에 제안된 ANN에 기반한 two-step 방법의 블록도가 나타나 있다. 제안된 방법은 수식(5)-(13)을 통해 온라인으로 실시간 진단을 수행한다. 3상 전류의 직류 및 고조파 성분은 ADALINE을 통해 얻어지며, 직류 성분의 크기가 임계값과 비교된다. 직류 성분의 크기가 임계값보다 큰 경우, 3-2-1 구조의 ANN이 활성화된다. 이 경우, 3-2-1 구조의 ANN을 통해 고장모드가 Sec$1'$-$6'$으로 분류된다. 그러한 다음, 6-4-3 구조의 ANN은 고장모드의 영역 정보와 3상 전류의 직류 및 THD를 이용하여 영역 내에서 실제로 개방고장이 발생한 스위치를 진단한다. 직류 성분의 크기가 임계값보다 작은 경우, 고장모드가 Sec0로 분류되며, 3상 전류의 한 주기 동안 샘플링된 영전류 수를 비교하여, 개방고장이 발생한 스위치를 진단한다.

그림. 14. 제안된 다중 스위치 개방고장 진단 방법의 블록도

Fig. 14. Block diagram of the proposed diagnostic method for multiple switches open-fault

4. 시뮬레이션 결과

제안된 진단 방법의 효용성을 검증하기 위해 PSIM 프로그램을 이용하여 부하 전력 3.7kW의 3상 PWM 컨버터를 대상을 시뮬레이션을 진행하였다. 시뮬레이션에 사용된 컨버터의 파라미터가 표 3에 나타나 있다. Two-step 방법의 ANN의 학습 데이터는 3상 전류의 직류 성분 및 THD이며, 부하조건 0.2pu에서 1.0pu까지 0.2pu 간격으로, 노이즈를 포함하여 총 833개의 데이터셋이 얻어진다. 21가지 고장모드를 진단하기 위한 고장번호가 표 2에 정리되어 있다.

표 3. 3상 PWM 컨버터의 파라미터

Table 3. Three-phase PWM converter parameters

Quantity	Value	Quantity	Value
Input voltage	3 190V	Input grid frequency	60Hz
DC-link voltage	330V	Load power	3.7kW
Input reactor	4mH	DC-link Capacitor	2200uF
Switcing frequency	5kHz	PWM method	SVPWM

제안된 진단 방법의 절차는 다음과 같다. 먼저, 직류 성분의 크기가 0.02A를 초과하는 경우 개방고장 상황이 감지된다. 개방고장이 감지된 경우, 전류의 한 주기 $T_{0}$ 이후에 제안된 방법으로 고장모드가 첫 번째 step에서 Sec0-$6'$의 영역으로 분류되고, 두 번째 step에서 고장모드를 진단한다.

부하 조건 0.6pu에서 S1S6 고장모드에 대한 제안된 방법의 시뮬레이션 결과가 그림 15에 나타나 있다. 제안된 방법으로 첫 번째 step에서 고장모드를 Sec$1'$으로 분류하였으며, 두 번째 step에서 S1S6 고장모드(고장번호 2)로 정확하게 분류하였음을 알 수 있다.

같은 부하 조건에서, S1S4 고장모드에 대한 시뮬레이션 결과가 그림 16에 나타나 있다. 제안된 방법으로 고장모드를 Sec0으로 분류하였으며, 전류의 한 주기 동안 샘플링된 영전류의 수를 비교하여 S1S4 고장모드(고장번호 19)로 정확하게 진단함을 알 수 있다.

그림. 15. S1S6 고장모드에 대한 제안된 진단 방법의 시뮬레이션 결과

Fig. 15. Simulation result of the proposed diagnostic method for the S1S6 fault mode

그림. 16. S1S4 고장모드에 대한 제안된 진단 방법의 시뮬레이션 결과

Fig. 16. Simulation result of the proposed diagnostic method for the S1S4 fault mode

5. 실험 결과

제안된 ANN에 기반한 진단 방법의 효용성을 검증하기 위해 시뮬레이션에서 사용된 동일한 3상 PWM 컨버터를 대상으로 실험을 진행하였다. 실험에 사용된 3상 PWM 컨버터 시스템이 그림 17에 나타나 있다. 컨버터 구동을 위해 150MHz 시스템 클록으로 동작하는 Texas Instrument 사의 TMS320F28335 DSC(Digital Signal Controller)와 Fuji Electronic 사의 IGBT module 7MBP50VDA120-50이 사용되었다. 부하를 위해서는 Itech Electronics 사의 DC 전자로드 IT8312를 사용하였다.

그림. 17. 실험에 사용된 3상 PWM 컨버터 구동 시스템

Fig. 17. Three-phase PWM converter drive system for experiments

학습 데이터는 시뮬레이션에서 사용된 동일한 데이터셋을 사용하였다. 제안된 방법의 진단 정확도를 평가하기 위해, 21가지 고장모드에 대해 부하 조건 0.1pu에서 1.0pu까지 0.1pu 간격으로 총 210회의 실험을 진행하였다. 제안된 방법은 수식(5)-(13)을 통해 온라인으로 실시간 진단을 수행한다.

그림 18-20은 부하 조건 0.6pu에서 각각 Sec$6'$의 3가지 고장모드 즉, S6, S5S6 및 S1S5 고장모드에 대한 제안된 진단 방법의 실험 결과를 보여준다. 고장이 감지된 후, 전류의 한 주기 $T_{0}$ 이후에 제안된 방법을 통해 S6 스위치 개방고장에 대해서 S6 고장모드(고장번호 13)로 정확하게 진단한 것을 알 수 있다. 또한, S5 및 S6의 스위치 개방고장과 S1 및 S5 스위치 개방고장에 대해서도, 각각 S5S6 및 S1S5 고장모드(고장번호 14, 15)으로 정확하게 진단하였다.

그림. 18. S6 고장모드에 대한 제안된 진단 방법의 실험 결과

Fig. 18. Expriment result of the proposed diagnostic method for the S6 fault mode

그림. 19. S5S6 고장모드에 대한 제안된 진단 방법의 실험 결과

Fig. 19. Expriment result of the proposed diagnostic method for the S5S6 fault mode

그림. 20. S1S5 고장모드에 대한 제안된 진단 방법의 실험 결과

Fig. 20. Expriment result of the proposed diagnostic method for the S1S5 fault mode

그림. 21. S1S4 고장모드에 대한 제안된 진단 방법의 실험 결과

Fig. 21. Expriment result of the proposed diagnostic method for the S1S4 fault mode

그림 21은 Sec0의 고장모드 즉, S1S4 고장모드에 대한 제안된 진단 방법의 실험 결과를 보여준다. 제안된 진단 방법을 통해 S1 및 S4 스위치에 개방고장이 발생한 경우 S1S4 고장모드(고장번호 19)로 정확히 진단한 것을 알 수 있다.

다중 스위치 개방고장의 모든 고장모드에 대해 부하 조건 0.1pu에서 1.0pu까지 0.1pu 간격으로 총 210회의 실험을 진행하였으며, 그 결과가 표4에 나타나 있다. 210회의 실험 중 부하 조건 0.1pu, S1S5 고장모드의 한 경우를 제외하고 정확한 진단 결과를 얻을 수 있었으며, 진단 정확도는 99.52%이다. 따라서, 제안된 진단 방법을 통해 간단한 알고리즘으로 높은 정확도의 진단이 가능하다.

표 4. 다중 스위치 개방고장의 모든 고장모드에 대한 제안된 진단 방법의 실험 결과

Table 4. Experimental reuslts for all fault modes of muliple open-switch fault through the proposed diagnostic method

고장모드	고장번호	부하 조건(pu)
고장모드	고장번호	0.1	0.2	0.3	0.4	0.5	0.6	0.7	0.8	0.9	1.0
S1	1	○	○	○	○	○	○	○	○	○	○
S1S6	2	○	○	○	○	○	○	○	○	○	○
S2S6	3	○	○	○	○	○	○	○	○	○	○
S3	4	○	○	○	○	○	○	○	○	○	○
S2S3	5	○	○	○	○	○	○	○	○	○	○
S2S4	6	○	○	○	○	○	○	○	○	○	○
S5	7	○	○	○	○	○	○	○	○	○	○
S4S5	8	○	○	○	○	○	○	○	○	○	○
S4S6	9	○	○	○	○	○	○	○	○	○	○
S4	10	○	○	○	○	○	○	○	○	○	○
S3S4	11	○	○	○	○	○	○	○	○	○	○
S3S5	12	○	○	○	○	○	○	○	○	○	○
S6	13	○	○	○	○	○	○	○	○	○	○
S5S6	14	○	○	○	○	○	○	○	○	○	○
S1S5	15	○	○	○	○	○	○	○	○	○	○
S2	16	○	○	○	○	○	○	○	○	○	○
S1S2	17	○	○	○	○	○	○	○	○	○	○
S1S3	18	X	○	○	○	○	○	○	○	○	○
S1S4	19	○	○	○	○	○	○	○	○	○	○
S3S6	20	○	○	○	○	○	○	○	○	○	○
S2S5	21	○	○	○	○	○	○	○	○	○	○
진단정확도(%)		99.52%

6. 결 론

본 논문에서는 3상 PWM 컨버터의 다중 스위치 개방고장을 진단하기 위해 3상 전류의 직류 성분 및 THD를 이용하는 ANN 기반의 two-step 진단 방법을 제안하였다. 진단에 사용되는 전류의 직류 성분 및 THD는 ADALINE을 통해 추출된 직류 및 고조파 성분을 이용하여 얻었다. 제안된 방법의 첫 번째 step에서는 직류 성분을 기반으로 ANN을 통해 고장모드를 새로운 6개의 영역으로 분류하며, 두 번째 step에서는 전류의 직류 및 THD를 기반으로 ANN을 통해 각 영역에서 고장모드를 진단하였다. 특별한 경우로, 한 상에서 두 개의 스위치에 개방고장이 발생한 경우는 직류 성분의 크기를 이용하여 분류하였으며, 고정자 전류의 한 주기 동안 샘플링된 영전류 수를 비교하여 고장모드를 진단하였다. 제안된 방법으로 간단하고 정확한 진단이 가능하다. 제안된 진단 방법의 효용성을 검증하기 위해 부하 전력 3.7kW의 3상 PWM 컨버터를 대상으로 시뮬레이션 및 실험을 진행하였으며, 99.52%의 높은 정확도로 다중 스위치 개방고장 진단이 가능하다.

Acknowledgements

This study has been worked with the support of a reasearch grant of Kangwon National University in 2020

References

S. Kim, 2017, Electric motor control DC, AC, and BLDC motors, UK: Elsevier Inc.

F. W. Fuchs, Roanoke, Some Diagnosis Methods for Voltage Source Inverters in Variable Speed Drives with Induction Machines- a Survey, IECON’03. 20th Annual Conf. of the IEEE Ind. Electron. Society, Vol. 2, pp. 1378-1385

B. Lu, S. K. Sharma, Sept/Oct 2009, A Literature Review of IGBT Fault Diagnostic and Protection Methods for Power Inver- ters, IEEE Trans. on Ind. Appl., Vol. 45, No. 5, pp. 1770-1777

R. Peuget, S. Courtine, J.-P. Rognon, Nov/Dec 1998, Fault Detection and Isolation on a PWM Inverter by Knowledge-Based Model, IEEE Trans. on Ind. Appl., Vol. 34, No. 6, pp. 1318-1326

A. M. S. Mendes, A. J. M. Cardoso, 1999, Voltage Source Inverter Fault Diagnosis in Variable Speed AC Drives, by the Average Current Park’s Vector Approach, IEEE Int. Electric Machines and Drives Conf. IEMDC’99, Seattle, Vol. wa, No. usa, pp. 704-706

A. M. S. Mendes, A. J. M. Cardoso, 1999, Fault Diagnosis in a Rectifier-Inverter System Used in Variable Speed AC Drives, by the Average Current Park’s Vector Approach, European Conf. Lausanne, Vol. switzerland, pp. 1-9

K. Rothenhagen, F. W. Fuchs, 2005, Performance of Diag- nosis Methods for IGBT Open Circuit Faults in Three Phase Voltage Source Inverters for AC Variable Speed Drives, 2005 European Conf. on Power Electron. and Appl., Vol. dresden, pp. 1-10

C. Kral, K. Kafka, 2000, Power Electronics Monitoring for a Controlled Voltage Source Inverter Drive with Induction Machines, 2000 IEEE 31st Annual Power Electron. Speci- alists Conf., Vol. galway, No. ireland, pp. 213-217

D. R. Espinoza-Trejo, D. U. Campos-Delgado, G. Bossio, et al., May 2013, Fault Diagnosis Scheme for Open-Circuit Faults in Field-Oriented Control Induction Motor Drives, IET Power Electron., Vol. 6, No. 5, pp. 869-877

F. Wu, J. Zhao, Y. Liu, Oct 2015, Symmetry-Analysis-Based Diagnosis Method with Correlation Coefficients for Open- Circuit Fault in Inverter, Electron. Lett., Vol. 51, No. 21, pp. 1688-1690

J. Lee, J. Ha, 2019, On-Line Switch-Open Fault Detection of PMSM Using Artificial Neural Network, 2019 10th Int. Conf. on Power Electron. and ECCE Asia, Vol. busan, No. korea(south), pp. 1-6

Q. An, L. Sun, L. Sun, May 2015, Current Residual Vector- Based Open-Switch Fault Diagnosis of Inverters in PMSM Drive Systems, IEEE Trans. on Power Electron., Vol. 30, No. 5, pp. 2814-2827

I. Jlassi, J.O. Estima, S. K. El Khil, May/June 2017, A Robust Observer-Based Method for IGBTs and Current Sensors Fault Diagnosis in Voltage-Source Inverters of PMSM Drives, IEEE Trans. on Ind. Appl., Vol. 53, No. 3, pp. 2894-2905

Q. T. An, L. Sun, L. Sun, Aug 2013, Hardware-Circuit-Based Diagnosis Method for Open-Switch Faults in Inverters, Electron. Lett., Vol. 49, No. 17, pp. 1089-1091

L. Kou, C. Liu, G. Cai, Jan 2020, Fault Diagnosis for Open-Circuit Faults in NPC Inverter Based on Knowledge- Driven and Data-Driven Approaches, IET Power Electron., Vol. 13, No. 6, pp. 1236-1245

W. Im, J. Kim, D. Lee, Jul/Aug 2013, Diagnosis and Fault Tolerant Control of Three-Phase AC-DC PWM Converter Systems, IEEE Trans. Ind. Appl., Vol. 49, No. 4, pp. 1539-1547

T. Shi, Y. He, F. Deng, Nov 2018, Online Diagnostic Method of Open-Switch Faults in PWM Voltage Source Rectifier Based on Instantaneous AC Current Distortion, IET Electric Power Appl., Vol. 12, No. 3, pp. 447-454

F. Wu, J. Zhao, May 2017, Current Similarity Analysis-Based Open-Circuit Fault Diagnosis for Two-Level Three-Phase PWM Rectifier, IEEE Trans. on Power Electron, Vol. 32, No. 5, pp. 3935-3945

F. Wu, J. Zhao, Y. Liu, Apr 2018, Primary Source Induc- tive Energy Analysis Based Real-Time Multiple Open- Circuit Fault Diagnosis in Two-Level Three-Phase PWM Boost Rectifier, IEEE Trans. on Power Electron., Vol. 33, No. 4, pp. 3411-3423

C. Delpha, H. Chen, D. Diallo, 2012, SVM Based Diagnosis of Inverter Fed Induction Machine Drive: a New Challenge, IECON 2012-38th Annual Conf. on IEEE Ind. Electron. Society, Vol. montreal, No. qc, pp. 3931-3936

S. Khomfoi, L. M. Tolbert, Dec 2007, Fault Diagnosis and Reconfiguration for Multilevel Inverter Drive Using AI- Based Techniques, IEEE Trans. on Ind. Electron., Vol. 54, No. 6, pp. 2954-2968

T. Wang, G. Zhang, J. Zhao, et al., May 2015, Fault Diagnosis of Electric Power Systems Based on Fuzzy Reasoning Spiking Neural P Systems, IEEE Trans. on Power Syst., Vol. 30, No. 3, pp. 1182-1194

H. Yan, Y. Xu, F. Cai, Jan 2019, PWM-VSI Fault Diagnosis for a PMSM Drive Based on the Fuzzy Logic Approach, IEEE Trans. on Power Electron., Vol. 34, No. 1, pp. 759-768

D. Diallo, M. E. H. Benbouzid, D. Hamad, Sept 2005, Fault Detection and Diagnosis in an Induction Machine Drive: a Pattern Recognition Approach Based on Concordia Stator Mean Current Vector, IEEE Trans. on Energy Convers., Vol. 20, No. 3, pp. 512-519

S. Khomfoi, L. M. Tolbert, May 2007, Fault Diagnostic System for a Multilevel Inverter Using a Neural Network, IEEE Trans. on Power Electron., Vol. 22, No. 3, pp. 1062-1069

P. Sobanski, M. Kaminski, Aug 2019, Application of Artificial Neural Networks for Transistor Open-Circuit Fault Diag- nosis in Three-Phase Rectifier, IET Power Electron, Vol. 21, No. 9, pp. 2189-2200

B. Widrow, M. A. Lehr, Sept 1990, 30 Years of Adaptive Neural Networks: Perceptron, Madaline, and Backpropagation, Proc. IEEE, Vol. 78, No. 9, pp. 1415-1442

W. Winter, San Diego, MADALINE RULE II: a Training Algorithm for Neural Networks, IEEE 1988 Int. Conf. on Neural Networks, Vol. 1, pp. 401-408

C. Delpha, H. Chen, D. Diallo, 2012, SVM Based Diagnosis of Inverter Fed Induction Machine Drive: A New Chal- lenge, IECON 2012-38th Annual Conference on IEEE Industrial Electronics Society, Montreal, Vol. qc, No. canada, pp. 3931-3936

저자소개

Won Jae Kim

He received his B.S. degree in Electrical and Electronics Engineering, and his M.S. degree in Electrical and Medical Convergent Engineering, from Kangwon National University, Chuncheon, Korea, in 2017 and 2019, respectively.

He is presently working towards his Ph.D. degree in Electrical and Medical Convergent Engi- neering at Kangwon National University.

His current research interests include fault diag- nosis of power converters, efficient ac machine drives, and artificial intelligence applications in power electronics and motor drives.

Sang Hoon Kim

He received his B.S., M.S. and Ph.D. degrees in Electrical Engineering from Seoul National University, Seoul, Korea, in 1987, 1989 and 1994, respectively.

From 1994 to 1996, he was a Senior Research Engineer at Daewoo Heavy Industries Ltd., Korea, where he was involved in the development of propulsion systems for railway vehicles.

In 1997, he joined Kangwon National University, Chuncheon, Korea, where he is presently working as a Professor.

He authored the book Electric Motor Control: AC, DC, and BLDC Motors (Elsevier, 2017).

His current research interests include high-per- formance electric motor drives, power elec- tronics, and artificial intelligence (neural net- work) applications in power electronics and motor drives.

KIEEThe Transactions ofthe Korean Institute of Electrical Engineers

The Transactions of the Korean Institute of Electrical Engineers

ISO Journal TitleTrans. Korean. Inst. Elect. Eng.

Journal Search

Journal XML

Journal Information

ANN에 기반한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 방법

Abstract

Key words

1. 서 론

2. 3상 PWM 컨버터의 스위치 개방고장 분석

2.1 개방고장 시 고정자 전류

2.2 단일 스위치 개방고장

2.3 다중 스위치 개방고장

3. 제안된 다중 스위치 개방고장 진단 방법

3.1 ADALINE을 이용한 3상 전류의 직류 및 고조파 성분 추출

(1)

(2)

(3)

(4)

3.2 첫 번째 step의 ANN을 이용한 고장모드의 분류

(5)

(6)

(7)

(8)

(9)

3.3 ANN을 이용한 고장모드의 진단

(10)

(11)

(12)

(13)

(14)

(15)

4. 시뮬레이션 결과

5. 실험 결과

6. 결 론

Acknowledgements

References

저자소개

Won Jae Kim

Sang Hoon Kim

Article Information (continued)

Key words

KIEEThe Transactions of
the Korean Institute of Electrical Engineers