정지 좌표계 d-q축 전류의 직류 성분(IV_dc)을 획득하고, 전류의 전 고조파 왜곡률(Total Harmonic Distortion, THD)(THDv)을 추정하는 단계;상기 d-q축 전류의 직류 성분(IV_dc)을 미리 학습된 제1 인공 신경망(Artificial Neural Networks, ANN)에 적용하여 전류 벡터 각도에 따른 개방고장 유형을 복수의 섹터로 그룹화하는 단계; 및 상기 d-q축 전류의 직류 성분(IV_dc) 및 상기 전류 전 고조파 왜곡률(THDv)을 미리 학습된 제2 인공 신경망에 적용하여 그룹화된 복수의 섹터 내에서 개방고장이 발생한 스위치를 진단하는 단계; 를 포함하고,상기 그룹화하는 단계는,각각 3가지의 개방고장 유형을 포함하는 6개의 섹터로 그룹화하고,각 상에 연결된 두 개의 스위치 모두 개방고장이 발생할 경우는, 상기 6개의 섹터가 아닌 새롭게 정의된 0섹터로 그룹화하며,상기 진단하는 단계는,상기 6개의 섹터 및 상기 0섹터를 포함한 총 7개의 섹터 중 어느 하나의 섹터로부터 개방고장이 발생한 스위치를 진단하는, 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 방법.

제1항에 있어서,상기 추정하는 단계 이전에,하기 [수학식 1]로 정의된 적응 신경망 모델을 이용하여, 상기 d-q축 전류의 직류 성분(IV_dc) 획득에 적용할 가중치(W)를 산출하는 단계를 더 포함하는, 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 방법.[수학식 1]여기서, 는 추정 입력 전류, W는 가중치, k는 고조파 차수.

제2항에 있어서,상기 가중치(W)를 산출하는 단계는,실제 입력 전류 값과 추정 입력 전류 값의 차이가 0이 되도록 하는 가중치(W)를 산출하는 단계인, 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 방법.

제2항에 있어서,상기 추정하는 단계는,하기 [수학식 2]를 이용하여 상기 d-q축 전류의 직류 성분(IV_dc)을 획득하고, 하기 [수학식 3]을 이용하여 상기 전류의 전 고조파 왜곡률(THDv)을 추정하는, 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 방법.[수학식 2][수학식 3]

제1항에 있어서,상기 제1 인공 신경망의 구조는, 상기 d-q축 전류의 직류 성분(IV_dc) 각각을 입력 노드로 하는 입력 레이어, 각각 하나의 히든 레이어 및 출력 레이어를 포함하고,상기 출력 레이어는,6개의 섹터에 대한 경계선 정보를 출력 노드로 하는, 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 방법.

제5항에 있어서,상기 제2 인공 신경망의 구조는,상기 d-q축 전류의 직류 성분 및 d-q축 전류의 전 고조파 왜곡률 각각을 입력 노드로 하는 입력 레이어, 적어도 둘 이상의 노드를 포함하는 히든 레이어 및 출력 레이어를 포함하고,상기 출력 레이어는,상기 6개의 섹터 중 어느 하나의 섹터에 포함된 3가지 개방고장 유형에서 개방고장이 발생한 적어도 하나의 스위치 정보를 출력 노드로 하는, 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 방법.

제4항에 있어서,상기 그룹화하는 단계는,상기 d-q축 전류의 직류 성분(IV_dc) 크기가 기 설정된 크기보다 작은지 비교하는 단계와,비교 결과, 상기 d-q축 전류의 직류 성분(IV_dc) 크기가 기 설정된 크기보다 작을 경우, 해당 개방고장 유형을 상기 0섹터로 분류하는 단계를 포함하는, 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 방법.

제7항에 있어서,상기 진단하는 단계는,개방고장 유형의 섹터가 0섹터일 경우,한 주기 내에서 a상, b상 및 c상에 발생하는 영전류의 수를 카운트하는 단계와,카운트된 영전류의 수가 가장 높은 어느 하나의 상을 개방고장이 발생한 상으로 판단하는 단계를 포함하는, 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 방법.

제1항에 있어서,상기 추정하는 단계 이전에,상기 제1 및 제2 인공 신경망 구조를 학습하는 단계를 더 포함하는 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 방법.

정지 좌표계 d-q축 전류의 직류 성분(IV_dc)을 획득하고, 전류의 전 고조파 왜곡률(Total Harmonic Distortion, THD)(THDv)을 추정하는 추정부;상기 d-q축 전류의 직류 성분(IV_dc)을 미리 학습된 제1 인공 신경망(Artificial Neural Networks, ANN)에 적용하여 전류 벡터 각도에 따른 개방고장 유형을 복수의 섹터로 그룹화하는 그룹화부; 및상기 d-q축 전류의 직류 성분(IV_dc) 및 상기 전류 전 고조파 왜곡률(THDv)을 제2 인공 신경망 구조에 적용하여 그룹화된 복수의 섹터 내에서 개방고장이 발생한 스위치를 진단하는 진단부; 를 포함하고,상기 그룹화부는,각각 3가지의 개방고장 유형을 포함하는 6개의 섹터로 그룹화하고,각 상에 연결된 두 개의 스위치 모두 개방고장이 발생할 경우는, 상기 6개의 섹터가 아닌 새롭게 정의된 0섹터로 그룹화하며,상기 진단부는,상기 6개의 섹터 및 상기 0섹터를 포함한 총 7개의 섹터 중 어느 하나의 섹터로부터 개방고장이 발생한 스위치를 진단하는, 인공지능을 이용한 3상PWM 컨버터의 다중 스위치 개방고장 진단 장치.

제10항에 있어서,상기 추정부는,하기 [수학식 1]로 정의된 적응 신경망 모델을 이용하여 상기 d-q축 전류의 직류 성분(IV_dc) 획득에 적용할 가중치(W)를 산출하는, 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 장치.[수학식 1]여기서, 는 추정 입력 전류, W는 가중치, k는 고조파 차수.

제11항에 있어서,상기 추정부는,실제 입력 전류 값과 추정 입력 전류 값의 차이가 0이 되도록 하는 가중치(W)를 산출하는, 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 장치.

제11항에 있어서,상기 추정부는, 하기 [수학식 2]를 이용하여 상기 d-q축 전류의 직류 성분(IV_dc)을 획득하고, 하기 [수학식 3]을 이용하여 상기 전류의 전 고조파 왜곡률(THDv)을 추정하는, 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 장치.[수학식 2][수학식 3]

제10항에 있어서,상기 제1 인공 신경망의 구조는, 상기 d-q축 전류의 직류 성분(IV_dc) 각각을 입력 노드로 하는 입력 레이어, 각각 하나의 히든 레이어 및 출력 레이어를 포함하고,상기 출력 레이어는,6개의 섹터에 대한 경계선 정보를 출력 노드로 하는, 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 장치.

제14항에 있어서,상기 제2 인공 신경망의 구조는,상기 d-q축 전류의 직류 성분 및 d-q축 전류의 전류 전 고조파 왜곡률 각각을 입력 노드로 하는 입력 레이어, 적어도 둘 이상의 노드를 포함하는 히든 레이어 및 출력 레이어를 포함하고,상기 출력 레이어는,상기 6개의 섹터 중 어느 하나의 섹터에 포함된 3가지 개방고장 유형에서 개방고장이 발생한 적어도 하나의 스위치 정보를 출력 노드로 하는, 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 장치.

제13항에 있어서,상기 그룹화부는상기 d-q축 전류의 직류 성분(IV_dc) 크기가 기 설정된 크기보다 작은지 비교하고,비교 결과, 상기 d-q축 전류의 직류 성분(IV_dc) 크기가 기 설정된 크기보다 작을 경우, 해당 개방고장 유형을 상기 0섹터로 분류하는, 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 장치.

제16항에 있어서,상기 진단부는,개방고장 유형의 섹터가 0섹터일 경우, 한 주기 내에서 a상, b상 및 c상에 발생하는 영전류의 수를 카운트하고, 카운트된 영전류의 수가 가장 높은 어느 하나의 상을 개방고장이 발생한 상으로 판단하는, 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 장치.

제10항에 있어서,상기 제1 및 제2 인공 신경망 구조를 학습하는 학습부를 더 포함하는 인공지능을 이용한 3상 PWM 컨버터의 다중 스위치 개방고장 진단 장치.