모터 베어링 및 태양열 아크 오류

모터 드라이브 및 태양광 시스템을 안정적으로 작동하려면 잘못된 경고를 줄이면서 모터 베어링 이상 징후 및 실제 오류를 모니터링하기 위해 빠르고 예측 가능한 시스템 오류를 감지해야 합니다. 에지 AI 기반 MCU가 모니터링할 수 있는 두 가지 유형의 오류는 다음과 같습니다.

• 모터 베어링 오류는 전기 모터의 베어링에 비정상적인 상태 또는 열화가 있을 때 발생합니다. 이러한 오류를 감지하는 것은 예기치 않은 고장을 방지하고, 가동 중지 시간을 줄이고, 유지 관리 비용을 줄이는 데 필수적입니다.
• 태양열 아크 오류는 전기가 공기와 같은 의도하지 않은 경로를 통해 흐를 때 발생하는 아크 방전 오류입니다. 태양열 아크 오류는 절연 고장, 느슨한 연결 또는 태양광 시스템의 기타 오류로 인해 발생하는 경우가 많습니다.합니다. 방전으로 인해 강한 열이 발생하여 화재 또는 전기 시스템이 손상될 수 있습니다. 태양열 아크 오류를 모니터링하고 감지하면 위험한 상황을 방지하고 태양광 시스템의 안전과 안정성을 보장하는 데 도움이 될 수 있습니다.

반응형 모니터링 기능이 없으면 시스템이 실제 고장 또는 잘못된 알람으로 인해 예상치 못한 가동 중지 시간 또는 시스템 오류가 발생하여 작동 효율과 운전자 안전에 영향을 미칠 수 있습니다. 예를 들어, 태양광 인버터의 잘못된 경보로 인해 시스템 가동 중지 시간이 발생하여 검사가 필요하여 생산성에 영향을 미칠 수 있습니다. 실시간으로 아크를 감지하지 못하면 화재 또는 시스템 손상의 위험이 높아질 수 있습니다.

일부 모터 베어링 오류를 모니터링하는 방법에 실시간 제어, 진동 분석을 통한 모니터링, 온도 모니터링 및 음향 측정을 위한 MCU 외에 여러 장치를 사용합니다. 이와 같은 개별적 기반 접근 방식은 데이터를 기반으로 하는 규칙 기반 감지를 사용하여 잠재적 고장을 모니터링합니다. 이 경우 수동으로 해석해야 하며 초기 단계 오류를 놓치거나 오류 유형을 정확하게 감지하지 못할 수 있습니다.

마찬가지로 아크 오류를 감지하는 일반적인 방법은 주파수 영역의 전류 신호를 분석한 후 임계값 기반 규칙을 적용하여 아크 오류 신호를 감지하는 것입니다. 그러나 두 방법 모두 시스템에 대한 전문성이 높아야 하며 적응력과 감도가 제한되어 감지 정확도가 제한됩니다. 또한 모터 제어를 위한 전용 실시간 제어 MCU 외에 오류 모니터링을 위해 개별 장치를 시스템에 추가하면 시스템 복잡성이 높아질 수 있습니다.

TMS320F28P550SJ와 같은 실시간 MCU에서 CNN 모델을 로컬로 실행하는 통합 에지 AI 기반 오류 감지 기능은 오류 감지 속도를 개선하여 오경보를 방지하는 동시에 더 나은 예측형 유지 관리를 제공하는 데 도움이 될 수 있습니다. 에지 AI를 통해 이러한 시스템은 환경에 학습하고 적응하여 실시간 제어를 최적화하고, 전반적인 시스템 안정성, 안전 및 효율성을 높이는 동시에 가동 중지 시간을 줄입니다. 그림 2에서 확인하시기 바랍니다.

CNN 모델이 실시간 제어 시스템의 오류 모니터링 및 감지를 개선하는 방법

모터 베어링 및 아크 오류 감지를 위한 CNN 모델은 진동 신호와 같은 원시 센서 데이터로부터 복잡한 패턴을 학습한 다음 베어링 오류를 나타내는 미세한 변화를 감지할 수 있습니다.

CNN 모델은 모터 진동 신호, 태양광 DC 전류 또는 배터리 전압 및 전류와 같은 원시 또는 사전 처리된 센서 데이터를 통해 자율적으로 학습할 수 있기 때문에 오류 감지 및 예측형 유지 보수를 위한 센서 데이터 분석에서 탁월한 성능을 발휘합니다. 수동 개입 없이 유의미한 기능을 직접 추출하면 강력하고 정확하게 감지할 수 있습니다.한 감지가 가능합니다. 한편, 가변 작동 조건 및 다양한 하드웨어 변화를 나타내는 센서 데이터, FFT(Fast Fourier Transform)와 같은 다양한 전처리 알고리즘을 활용하여 모델의 적응성, 노이즈 내성 및 신뢰성을 높이고 총 감지 또는 추론 지연을 줄일 수 있습니다.

CNN은 대량의 데이터를 효율적으로 처리하고 다양한 작동 조건에서 잘 작동할 수 있기 때문에 산업 환경에서 실시간 모니터링 및 예측 유지보수에 유용합니다. 이러한 환경에서 CNN 모델을 활용하면 모터 베어링 오류를 조기에 보다 효과적으로 감지할 수 있어 장비 신뢰성과 운영 효율성을 높일 수 있습니다.

모터 드라이브의 경우, CNN은 진동 또는 전류 신호로 인한 베어링 마모 또는 로터 불균형 등의 고장 패턴을 식별할 수 있습니다. 태양광 에너지 시스템에서 CNN은 아크 오류 감지를 위해 DC 전류 파형의 이상 징후를 감지할 수 있습니다. 배터리 관리 애플리케이션에서 CNN 모델은 배터리 충전 프로필 수명, 배터리 상태 모니터링 및 배터리 충전 상태 예측을 분석할 수 있습니다. 적응성은 동적 조건에서 정확한 오류 감지를 보장하며 실시간 처리는 효율성을 최적화합니다.