• 한국정보처리학회논문지
• /
• 제7권12호
• /
• pp.3821-3828
• /
• 2000

많은 소프트웨어 프로젝트는 시험이나 운영단계에서 고장 시간이나 고장 수 데이타 보다는 그룹 고장 데이타 (여러 고장 간격에서 또는 가변적인 시간 간격에서의 고장 들)가 수집된다. 본 논문은 그룹 고장 데이타에 대해 가변적인 미래의 시간에서 누적 고장 수를 예측할 수 있는 신경망 모델을 제시한다. 신경망의 입-출력으로 무엇을 선택하고 어떤 순서로 훈련을 수행하느냐에 따라 신경망의 예측력에 영향을 미친다. 따라서, 신경망의 입-출력에 대한 11개의 훈련제도가 고려되었으며, 모델의 성능을 평가하기 위해 다음 단계 평균 상대 예측 오차 (AE)와 정규화된 AE (NAE) 측도에 의해 최적의 훈련제도가 선택되고, 다른 잘 알려진 신경망 모델과 통계적 소프트웨어 신뢰성 성장 모델과 비교되었다. 실험 결과, 가변적인 미래의 시간 간격에서 누적 고장 수를 예측하기 위해서는 신경망 모델에 가변 시간간격 정보가 필요함을 보였다.

• 대한기계학회논문집A
• /
• 제39권6호
• /
• pp.631-638
• /
• 2015

본 연구에서는 고체 로켓 추진 기관의 신뢰성 분석을 위해 준-정량적 FMECA를 수행하였다. 준-정량적 FMECA는 고장모드 및 영향 분석(FMEA)과 치명도 분석(CA)를 포함하는 분석 기법으로서, FMECA 수행을 위해서 FMEA는 고체 로켓 추진 기관을 43개의 부품으로 나누어 각 부품에 대하여 도출된 총 137개의 고장모드에 대해 수행하였다. 또한 일부 고장모드의 고장률 데이터를 이용하여 치명도 분석을 수행하였다. 준-정량적 FMECA 수행을 통하여 고체 로켓 추진 기관의 각 부품에서 발생 할 수 있는 잠재적 고장모드와 고장원인 및 영향을 분석, 정리할 수 있었으며, 우선적인 개선 조치가 필요한 중요 고장모드를 확인할 수 있었다.

• 융합정보논문지
• /
• 제7권6호
• /
• pp.201-207
• /
• 2017

수전설비의 고장은 산업과 가정 등 전력을 사용하는 모든 곳에 정전사고를 발생시켜 많은 불편과 문제의 원인이 되고 있다. 수전설비 고장의 주요 원인으로는 노후화를 비롯하여 태풍, 지진을 비롯한 자연재해와 동물 등으로 파악되고 있다. 현재는 수전설비의 온도가 높아지면 고장이 발생한다는 추측만으로 온도의 고온이 지속되는 것을 모니터링한다. 따라서 적기에 수전설비의 고장에 대응하기 어려운 측면이 존재하는 것이 사실이다. 이 논문에서 제안하는 수전설비 모니터링 시스템은 갑작스런 자연재해 등으로 인한 고장을 제외한 일반적인 고장에 대해 효율적으로 대응하는 방안으로 제안한다. 수전설비 모니터링 시스템은 열 감지 센서를 부착하여 수전설비를 실시간으로 감시하고, 감시한 데이터를 수집하여 인공신경망을 이용한 학습을 통해 축적된 정보를 이용하여 고장을 예측한다. 인공신경망의 학습과 실험을 통하여 제안 방식이 효율적임을 보였다.

• 한국컴퓨터정보학회논문지
• /
• 제16권3호
• /
• pp.141-147
• /
• 2011

본 논문은 유도전동기의 고장검출 및 진단을 위한 효율적인 2-단계 고장예측 알고리즘을 제안한다. 첫 번째 단계에서는 고장 패턴 추출을 위해 선형 예측 부호화 (Linear Predictive Coding: LPC) 기법을 사용하고, 두 번째 단계에서는 고장 패턴 매칭을 위해 동적시간교정법 (Dynamic Time Warping: DTW)을 사용한다. 유도전동기에서 정상 및 각종 이상 상태의 조건을 발생시켜 추출한 샘플링 주파수 8kHz, 샘플링 시간 2.2초의 정상상태 및 비정상 상태의 진동데이터 8개를 사용하여 모의 실험한 결과, 제안한 고장예측 알고리즘은 기존의 고장진단 알고리즘보다 약 45%의 정확도 향상을 보였다. 또한 TI사의 TMS320F2812 DSP를 내장한 테스트베드 시스템을 제작하여 제안한 고장예측 알고리즘을 구현하고 검증하였다.

• 한국통신학회:학술대회논문집
• /
• 한국통신학회 1995년도 추계종합학술발표회 논문집
• /
• pp.541-544
• /
• 1995

• 한국통신학회:학술대회논문집
• /
• 한국통신학회 1991년도 춘계종합학술발표회논문집
• /
• pp.192-196
• /
• 1991

• 예술인문사회 융합 멀티미디어 논문지
• /
• 제7권4호
• /
• pp.551-559
• /
• 2017

본 논문에서는 베어링 고장진단 성능을 개선하기 위해 실시간 학습 방법을 제안한다. 기존 베어링 고장진단의 문제점은 학습되지 않은 상태에 대해 올바른 분류를 할 수 없다는 점이다. 제안한 4단계 실시간 학습 방법은 새로운 상태를 실시간으로 인지 및 학습하여 새로운 상태의 데이터를 올바르게 분류할 수 있다. 1단계에서는 학습 정보에서 각 클래스의 무게중심과 그 클래스 내 각 특징벡터 사이의 유클리디안 거리를 계산하여 각 클래스별로 거리의 최대값을 계산한다. 2단계에서는 새로 취득된 데이터의 특징벡터와 각 클래스의 무게중심 사이의 유클리디안 거리를 계산하고 각 클래스별 최대 허용 거리와 비교한다. 3단계에서는 새로 취득된 데이터들과 각 클래스 내 무게중심 사이의 거리가 각 클래스의 최대 허용 거리보다 모두 클 경우 새로운 상태의 데이터로 인지하고 새로운 상태 인지 횟수를 증가시킨다. 마지막 4단계에서는 새로운 상태 인지 회수가 10보다 클 경우 새로운 상태의 클래스를 생성하기 위해 새로운 상태로 인지된 10개의 데이터를 새로운 상태의 클래스로 지정하고 분류기를 재학습시킨다. 제안한 방법의 성능을 검증하기 위해 실제 베어링 결함 데이터를 사용하여 제안한 실시간 학습 방법의 효율성을 검증하였다.

• 한국통신학회논문지
• /
• 제22권9호
• /
• pp.1867-1879
• /
• 1997

DREAM-S는 ATM 네트워크용 교환 시스템에서 응용 프로그램들의 교환기 운용 데이터에 대한 실시간 처리 요구를 지원하기 위한 분산 주기억장치 상주 데이터베이스 시스템(Main Memory Database Systems)이다. DREAM-S는 클라이언트-서버 구조를 가지면서 서버 프로세서에만 디스크가 연결되어 있으며, 대량의 데이터로부터 원하는 데이터를 신속히 검색하기 위하여 T- Tree 색인 구조를 제공한다. 본 논문에서논 DREAM-S에서 T- Tree 색인 구조에 대한 회복 기법를 제안한다. 주기억장치 상주 데이터베이스는 디스크 상주 데이터베이스 보다 뛰어난 성능을 제공하지만 시스템 고장 시(정전 등과 같은 오류) 주기억장치에 저장된 모든 데이터(릴레이션과 색인 구조)가 파손될 수 있다. 따라서 고장 후 파손된 주기억장치 데이터베이스를 신속히 정상 데이터베이스 상태로 회복하는 회복 기법이 필수적이다. 제안된 회복 기법에서는 T-Tree 색인 구조를 각 프로세서의 주기억장치에만 유지하도록 함으로서 ATM 교환기 시스템의 성능에서 병복 현상을 일으킬 수 있는 서버 프로세서의 디스크 출입 오버헤드를 줄인다. 또한, 시스템 고장 후 서버와 모든 클라이언트 시스템들이 병렬 처리 방식으로 각자의 T- Tree(들)를 회복하도룩 함으로서 클라이언트 개수가 많은 경우에도 신속한 회복이 가능하도록 하였다.

• 한국데이터정보과학회:학술대회논문집
• /
• 한국데이터정보과학회 2003년도 춘계학술대회
• /
• pp.127-131
• /
• 2003

본 연구에서는 국내 A 사의 자동차용 와이퍼 모터의 수명분포를 와이블이라 가정하고 이를 추정하였다. 와이퍼 모터의 고장에 영향을 미치는 요인은 성능시험 요인과 수명시험 요인이 있는데, 이들 요인별 시험 조건을 국내와 관련 규격을 중심으로 정리하였다.

• 디지털융복합연구
• /
• 제13권12호
• /
• pp.143-149
• /
• 2015

본 연구는 소프트웨어 NHPP 신뢰성 모형 (Goel--Okumo 모형, 지연된 S-형태 신뢰성모형 및 레일리분포 모형)의 예측능력을 분석하는 것을 목적으로 한다. 예측 능력분석은 두 가지 요인으로 분석이 될 것이다. 하나는 사용 가능한 고장자료에 대한 적용성의 정도이고 다른 하나는 예측능력 정도이다. 각 모형의 모수 추정은 고장시간자료의 첫 번째 고장시점부터 80%가 되는 고장시간 자료를 사용하고 기법은 최우추정법을 이용 하였다. 모형의 예측 능력의 비교에 있어서는 가능한 고장 데이터의 마지막 20%가 되는 선택된 자료를 이용하였다. 이 연구를 통하여 소프트웨어 관리자들에게 소프트웨어 고장분석을 하는데 사전정보로 활용 할 수 있다.