도메인 지식 기반 심층 신경망을 활용한 강건한 전력 변압기 고장 진단
본문
- Conference
- 한국PHM학회 2025년도 정기학술대회
- Date
- 2025-06-25
- Presentation Type
- 구두
초록
본 연구에서는 용해 가스 분석(dissolved gas analysis; DGA)을 이용한 전력 변압기 고장 진단을 위 해 Duval 방법과 심층 신경망(deep neural network; DNN) 기법을 연결하는 새로운 프레임워크 BDD(Bridging Duval’s method with DNN)를 제안한다. 제안된 BDD 는 다음 세 가지 주요 특징을 지닌다. 첫째, 실제 산업 현장에서 얻어지는 대부분의 DGA 데이터가 라벨이 없는 문제를 해결하기 위해 Duval 방법을 적용하여 의사 라벨링(pseudo-labeling) 정보를 생성하고, 이를 DNN 의 학습 지식으로 활용한다. 둘째, 의사 라벨링된 데이터는 항상 정확한 정답을 보장하지 않는다는 점에 착안하여, 노이즈가 포함된 라벨에도 강건하도록 보조 정규화 과제(auxiliary regularization task)를 갖는 새로운 DNN 구조를 제안한다. 셋째, 대량의 의사 라벨링된 소스 DGA 데이터로 사전 학습된 DNN 모델을 희소 라벨링된 타깃 DGA 데이터 진단에 활용하기 위해 파라미터 전이 학습(parameter transfer learning) 기법을 적용한다. 네 가지 사례 연구는 다음과 같다: (i) 기존 기법과의 비교, (ii) 특징 공간 분석을 통한 파라미터 고정(parameter freezing)의 효과 검증, (iii) 노이즈가 포함된 라벨에 대한 정규화 과제의 강건성 평가, (iv) 하이퍼파라미터 영향 분석. 실험 결과, 제안된 BDD 는 Duval 방법의 약한 감독, 보조 정규화 과제, 파라미터 전이 학습 을 통해 기존 기법들을 능가하는 진단 성능을 보임을 확인하였다.
- 이전글가상 결함 신호의 물리 정보를 활용한 딥러닝 기반 베어링 진단기법 개발 25.06.24
- 다음글실시간 얼굴 추적과 3D 유사도 검사를 통한 차량 영상 이상자 감지 프레임워크 25.06.24