• Proceedings of the KAIS Fall Conference
• /
• 2006.05a
• /
• pp.449-452
• /
• 2006

본 논문에서는 전장부품에서 중요한 연결 장치인 커넥터의 고장 모드를 분석하기 위한 방법으로 HALT(Highly Accelerated Life Test)를 이용해 관측된 고장 데이터를 기반으로 ReliaSoft사의 소프트웨어인 ALTA PRO를 이용하여 분석하고자 한다. 커넥터를 이루는 주재료는 플라스틱과 금속으로 구성되어 있어 습도에 대한 반응 보다 열 변화와 진동에 의해 고장이 발생 한다. 이러한 커넥터의 특성을 고려하여 HALT는 온도와 진동 스트레스를 이용한 복합 스트레스 시험을 실시하였다. HALT에 사용된 시료는 20핀 커넥터 5개로 74시간 동안 시험하였으며, 9개의 핀에서 부러지는 고장이 관측 되었다. 관측된 고장 데이터를 단일 스트레스에 의한 고장으로 분석하기위해 시험에 사용된 온도와 진동 스트레스를 개별 스트레스로 하여 ALTA PRO를 이용하여 분석하였다. 분석을 위한 수명-스트레스관계식은 스텝 스트레스에 적합한 Cumulative Damage 선택하였으며 Likelihood Function을 이용 최적 분포는 Weibull 분포임을 확인하였다, ALTA Pro를 이용한 분석 결과 열에 대한 Mean Life는 2444.03 시간이며, 진동에 대한 Mean Life는 1784.27시간으로 진동에 대한 Mean Life가 659.76 시간만큼 작은 것을 확인 하였다. 고장 데이터를 이용한 수명 예측에서 Mean Life가 작다는 것은 스트레스에 의해 고장이 빠르게 발생 했다는 것을 의미한다. 가속수명시험을 통해 관측된 커넥터의 고장은 핀이 부러지는 현상이며, 고장에 대한 주요 원인으로 온도 스트레스 보다 Mean Life가 낮은 진동 스트레스인 것으로 판단된다.

• The KIPS Transactions:PartD
• /
• v.8D no.4
• /
• pp.387-392
• /
• 2001

This Many software projects collect grouped failure data (failures in some failure interval or in variable time interval) rather than individual failure times or failure count data during the testing or operational phase. This paper presents the neural network (NN) modeling for grouped failure data that is able to predict cumulative failures in the variable future time. The two variant models of cascade-correlation learning (CasCor) algorithm are presented. Suggested models are compared with other well-known NN models and statistical software reliability growth models (SRGMs). Experimental results show that the suggested models show better predictability.

• Journal of Convergence for Information Technology
• /
• v.12 no.5
• /
• pp.15-20
• /
• 2022

This research studied the evaluation of reliability among the software quality characteristics: suitability, reliability, usability, portability, maintainability, performance efficiency, security, and compatibility. It proposes a quantitative evaluation of reliability in the measurement of software quality. This study introduces a method for measuring the failure rate included in maturity during reliability evaluation, which is one of the characteristics of software quality, and is a study with experimental data on how the failure rate changes depending on the form of failure data. Focusing on software testing, the failure rate was measured and compared according to the type of failure data by applying it to the software reliability growth model, focusing on the number of failures per day. The failure rate was measured around the failure time found through the 6-day test, and the failure rate was compared with the failure rate proposed by the international standard ISO/IEC 25023 using the measurement results, and the application was reviewed according to the data type.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2006.05a
• /
• pp.208-211
• /
• 2006

본 논문에서는 3상 유도전동기의 고장진단을 수행하기 위해 패턴인식에 기반을 둔 진단 알고리즘을 제안한다. 실험 장치는 유도전동기 구동의 고장신호를 얻기 위하여 구축하였으며, 취득된 데이터를 이용하여 진단 알고리즘을 구축하였다. 취득된 데이터 중에서 진단을 위해 사용될 훈련데이터는 퍼지 기반 클러스터링 기법을 이용하여 신뢰성 높은 데이터를 선택하여 고장별 신호를 추출하였다. 진단 알고리즘으로는 데이터를 주성분 분석기법을 적용하였으며, 최종 분류를 위해 Euclidean 기반 거리척도 기법을 이용하였다. 다양한 부하 및 고장신호에 대하여 제안된 방법을 적용하여 타당성을 검증하였다.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2022.06a
• /
• pp.110-110
• /
• 2022

본 연구는 자율운항 선박의 원격 고장 진단 기법 개발의 일부로 수행되었다. 특히, 엔진 연료 계통 장비로부터 계측된 시계열 데이터로부터 상태 진단을 위한 알고리즘 구현 결과를 제시하였다. 엔진 연료 펌프와 청정기를 가진 육상 실험 장비로부터 진동 시계열 데이터 계측하였으며, 이상 감지, 고장 분류 및 고장 예측이 가능한 심층 학습(Deep Learning) 및 기계 학습(Machine Learning) 알고리즘을 구현하였다. 육상 실험 장비에 고장 유형 별로 인위적인 고장을 발생시켜 특징적인 진동 신호를 계측하여, 인공 지능 학습에 이용하였다. 계측된 신호 데이터는 선행 발생한 사건의 신호가 후행 사건에 영향을 미치는 특성을 가지고 있으므로, 시계열에 내포된 고장 상태는 시간 간의 선후 종속성을 반영할 수 있는 학습 알고리즘을 제시하였다. 고장 사건의 시간 종속성을 반영할 수 있도록 순환(Recurrent) 계열의 RNN(Recurrent Neural Networks), LSTM(Long Short-Term Memory models)의 모델과 합성곱 연산 (Convolution Neural Network)을 기반으로 하는 Conv1D 모델을 적용하여 예측 정확성을 비교하였다. 특히, 합성곱 계열의 RNN LSTM 모델이 고차원의 순차적 자연어 언어 처리에 장점을 보이는 모델임을 착안하여, 신호의 시간 종속성을 학습에 반영할 수 있는 합성곱 계열의 Conv1 알고리즘을 고장 예측에 사용하였다. 또한 기계 학습 모델의 효율성을 감안하여 XGBoost를 추가로 적용하여 고장 예측을 시도하였다. 최종적으로 연료 펌프와 청정기의 진동 신호로부터 Conv1D 모델과 XGBoost 모델의 고장 예측 성능 결과를 비교하였다

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2013.07a
• /
• pp.153-154
• /
• 2013

토목 및 건설, 건축 등의 현장에서 많이 사용되는 가설기기들은 기계의 자체적인 기계고장 뿐만 아니라 야외 현장의 환경에 따른 기후의 변화에도 고장이 발생할 수 있다. 이러한 고장들을 사후약방문의 형식으로 고장이 발생하는 경우에만 수리 후 사용한다면 시간적/경제적으로 많은 손실이 있을 것이다. 그러나 가설기기들의 종류별 기기적 특징을 미리 시스템화하여 발생할 수 있는 고장을 사전에 방지하고 예방한다면 불필요한 손실을 미연에 막을 수 있다. 따라서 본 논문에서는 가설기기들과 관련된 각종 빅 데이터를 이용하여 피로도를 예측하여 고장이 발생하기 전에 사전에 예방할 수 있는 시스템을 제안한다.

• Journal of the Korean Institute of Intelligent Systems
• /
• v.11 no.2
• /
• pp.101-108
• /
• 2001

본 논문에서는 배전선로에서 발생하는 여러 고장유형을 판별하기 위해서 적응형 퍼지추론 시스템을 적용하는 새로운 기법을 제시하였다. 배전선로의 고장과 고장유사현상 데이터를 추출하기 위해서 EMTP를 이용하여 RL부하, 아크로부하, 컨버터부하가 있는 배전계통을 구성하고 여러 형태의 고장과 고장유사현상에 대해 시뮬레이션을 하였다. 이를 통해 얻은 전류 파형으로부터 기본파성분, 영상분전류, 짝수 고조파성분의 합, 홍수 고조파성분의 합, 그리고 비정규 고조파성분의 합의 5개의 입력변수를 추출하고 학습을 통해서 각 입력변수의 소속함수의 소속도를 자동으로 결정하였다. 이 적응형 퍼지추론 시스템을 이용한 기법을 평가하기 위해서 학습시와 다른 고장상황을 모의하여 얻은 데이터와 실증시험 데이터를 이용하였다. 결과적으로 제안한 기법은 배전선로에서 발생하는 고장유형을 빠르고 정확하게 판별할 수 있었다.

• Proceedings of the Safety Management and Science Conference
• /
• 2000.11a
• /
• pp.31-37
• /
• 2000

지금까지 고장예측에 관한 연구 논문들은 여러 분야에서 많이 다루어져 왔다. 그 대표적인 예측 방법 중에 하나인 FTA(Fault Tree Analysis)가 가장 많이 사용되어져 왔으며, 여러 산업분야에서 가장 활발하게 시스템 및 부품에 대한 고장 가능성 진단을 실시하여 왔다. 하지만 기존의 전통적인 FTA 방법을 사용하는데 있어서 몇 가지 문제점을 발견할 수가 있었다. 즉, 지금까지 FTA를 실시하는 과정에 있어서 시스템 및 부품에 대한 데이터의 자료가 정확하다는 전제하에 고장 값을 예측하여 왔다. 만일 시스템 및 부품에 대한 불확실한 데이터나 부정확한 자료를 동시에 가지고 있다면 지금까지 사용하여 왔던 전통적인 FTA를 사용하여 고장 값을 예측하여 정확한 값을 찾아내기란 어려운 것이라 할 수가 있다. 이와 같은 문제점을 해결하기 위해서는 본 연구에서 제시하는 Fuzzy FTA를 사용하는 것이 보다 바람직할 것이며, 이러한 방법을 사용하여 불확실하고 부정확한 데이터를 가지고 고장진단을 실시하여 고장가능성 값을 찾아내어 전체 시스템의 고장 발생 가능성을 예측하는 것이 이 논문의 목적이라 할 수가 있다.

• Journal of the Korea Safety Management & Science
• /
• v.11 no.1
• /
• pp.87-91
• /
• 2009

본 논문은 상대적으로 새로운 기법인 Parzen Density Estimation과 Multi-class SVM을 이용한 지능형 고장 탐색과 진단 방법을 제안하고 있다. 본 연구에서는 롤링 베어링을 대상으로 고장을 탐색하고 진단하기 위한 방법을 제안하는데 Parzen Density Estimation과 Multi-class SVM은 고장 클래스를 잘 표현할 수 있다. Parzen Density Estimation은 새로운 패턴 데이터의 거절과 알려진 데이터 패턴의 밀도의 평가에 의해 새로운 패턴을 찾아낼 수 있고, Multi-class SVM 기반의 방법은 여러 클래스의 고장을 support vector로 표현하여 고장 패턴을 찾아낼 수 있다. 본 연구에서는 실제의 다중 클래스를 가지는 롤링 베어링의 고장 데이터를 사용하여 고장 패턴을 탐색하는 과정을 보여주는데, 커널함수의 적절한 파라미터의 선택에 의한 Multi-class SVM 기반의 방법이 multi-layer perceptron이나 Parzen Density Estimation 방법보다 우수함을 입증한다.

• Journal of the Korean Institute of Illuminating and Electrical Installation Engineers
• /
• v.12 no.2
• /
• pp.157-157
• /
• 1998

이 논문은 브리시리스 직류전동기의 구동 인버터의 실시간 데이터를 이용한 고장진단에 관한 것이다. 구동 인버터의 고장유형을 파악하여 주요 고장증세별로 분류하고, 고장결과를 예측하여 ASCL로 시뮬레이션함으로써 지식 베이스로 구성하였다. 구동 인버터에 대해 실시간으로 감시된 데이터는 전문가 시스템의 추론기관에서 시뮬레이션된 지식베이스와 비교하게 된다. 고장이 발생하면, 운전을 중지시킨 후, 전문가 추론을 함으로써 고장원인을 진단한다. 이로써 구동 인버터에 대해 전문적인 지식을 갖고 있지 않는 사용자에게, 고장원인 제거 및 수리대책에 관한 전문가의 지식을 신속히 제공하는 것이다.