[논문 리뷰] Review for AI-based Open-Circuit Faults Diagnosis Methods in Power Electronics Converters

Chuang Liu, Lei Kou외 3명|arXiv (Cornell University)|2022. 09. 26.

Multilevel Inverters and Converters인용 수 8

한 줄 요약

이 논문은 전력 전자 변환기에서 개로 고장을 진단하기 위한 AI 기반 방법을 검토하며, 정상적인 작동 중의 일시적 고장 특징과 함께 랜덤 포레스트를 조합한 하이브리드 접근 방식을 제안하여 삼상 시스템에서 정확도를 향상시킨다. 고장 탐지의 핵심 과제를 규명하고 스마트 그라이드 및 항공우주 응용 분야에서 전력 시스템의 지능형 고장 진단을 위한 향후 연구 방향을 제시한다.

ABSTRACT

Power electronics converters have been widely used in aerospace system, DC transmission, distributed energy, smart grid and so forth, and the reliability of power electronics converters has been a hotspot in academia and industry. It is of great significance to carry out power electronics converters open-circuit faults monitoring and intelligent fault diagnosis to avoid secondary faults, reduce time and cost of operation and maintenance, and improve the reliability of power electronics system. Firstly, the faults features of power electronic converters are analyzed and summarized. Secondly, some AI-based fault diagnosis methods and application examples in power electronics converters are reviewed, and a fault diagnosis method based on the combination of random forests and transient fault features is proposed for three-phase power electronics converters. Finally, the future research challenges and directions of AI-based fault diagnosis methods are pointed out.

연구 동기 및 목표

• 지능형 진단을 지원하기 위해 전력 전자 변환기의 고장 특성을 분석하기 위해.
• 기존의 AI 기반 고장 진단 기법과 전력 변환기에서의 응용을 검토하기 위해.
• 삼상 변환기용으로 랜덤 포레스트와 일시적 고장 특징을 조합한 새로운 하이브리드 고장 진단 방법을 제안하기 위해.
• 전력 시스템의 AI 기반 고장 진단에서 중요한 연구 과제와 향후 연구 방향을 규명하기 위해.

제안 방법

• 저자는 전력 전자 변환기에서 발생하는 개로 고장 동안 생성된 일시적 고장 특징을 분석한다.
• 랜덤 포레스트와 추출된 일시적 고장 특징을 통합하여 분류를 위한 하이브리드 고장 진단 모델을 제안한다.
• 고장 발생 중 전류 및 전압 신호에서 특징을 추출하여 랜덤 포레스트 분류기 학습에 사용한다.
• 다양한 고장 조건 하에서 삼상 전력 전자 변환기에서 방법을 검증한다.
• 스위칭 전이 동안의 신호 이탈을 분석하고 고장 패턴을 식별하여 고장 탐지를 수행한다.
• 모델은 시뮬레이션 및 실험 데이터를 사용하여 학습 및 테스트하여 진단 정확도와 강건성 평가를 수행한다.

실험 결과

연구 질문

• RQ1 개로 고장 조건 하에서 전력 전자 변환기에서 구별 가능한 일시적 고장 특징은 무엇인가?
• RQ2 랜덤 포레스트와 같은 AI 기법을 사용하여 일시적 신호 특징을 효과적으로 개로 고장을 분류할 수 있는가?
• RQ3 랜덤 포레스트와 일시적 특징 추출을 조합한 방법이 단독 기법보다 성능 향상은 어떻게 이루어지는가?
• RQ4 AI를 활용한 전력 변환기에서 실시간으로 신뢰성 있게 고장을 진단하는 데 있어 주요 과제는 무엇인가?
• RQ5 전력 시스템에서 AI 기반 고장 진단의 강건성과 일반화 능력을 향상시키기 위해 필요한 향후 연구 방향은 무엇인가?

주요 결과

• 랜덤 포레스트와 일시적 고장 특징을 조합한 제안된 하이브리드 방법은 기존 방법보다 높은 고장 탐지 정확도를 달성한다.
• 전류 및 전압 신호에서 추출한 일시적 고장 특징은 개로 고장을 식별하는 신뢰할 수 있는 지표를 제공한다.
• 랜덤 포레스트 분류기는 삼상 변환기의 다양한 고장 시나리오에서 강력한 일반화 능력을 보였다.
• 연구는 실생활 AI 기반 고장 진단에서 데이터 품질, 실시간 처리, 모델 해석 가능성 문제를 주요 과제로 규명했다.
• 향후 연구는 설명 가능한 AI, 전이 학습, 기존 전력 시스템 보호 체계와의 통합에 중점을 두어야 한다.
• 이 리뷰는 스마트 그라이드 및 항공우주 응용 분야에서 전력 변환기 신뢰성을 향상시키기 위해 지능적이고 적응형 고장 진단 시스템의 필요성이 점점 커지고 있음을 강조한다.