• 한국정밀공학회:학술대회논문집
• /
• 한국정밀공학회 2004년도 춘계학술대회 논문요약집
• /
• pp.280-280
• /
• 2004

기계의 소음 및 진동은 환경요인과 함께 기계의 정밀도 향상 및 고장진단과 관련하여 가장 중요한 분야중 하나이다. 특히 기계의 구동원으로 가장 많이 사용되고 모터는 기계설비이면서도 전기적인 현상으로 작동하기 때문에 설비보전의 사각지대로 나타나고 있다. 또한, 진동으로 모터의 전기적인 결함을 분석하기에는 미흡한 부분이 나타나기 때문에 모터 전용분석 기법을 사용하여 전동기의 전기적 결함을 분석하면 보다 정확한 진단이 가능하다. 현재 일부 생산 현장에서는 모터를 진단하기 위해 진동, 온도, 전류 등의 측정기법 들을 이용하여 분석하고 있다.(중략)

• 기계저널
• /
• 제24권6호
• /
• pp.428-436
• /
• 1984

기계 시스템이 점차 복잡해지는 현재의 추세에서 진동 분석기술은 기계 설계자와 사용자에게 모두 필수적인 도구로서 등장하고 있으며, 이에 따라서 분석기술도 단순한 진동 레벨측정이나 주파수 분석의 단계를 넘어서서 점차 복잡한 신호처리를 요구하고 있다. 본 논문에서는 기계 진동분석에 의한 상태진단과 결함탐지 기술에 대한 기본적인 개념을 설명하고, 이 기술의 응용에 따르는 실질적인 문제들을 실제 측정예와 병행하여 논술하고자 한다.

• 융합신호처리학회논문지
• /
• 제21권3호
• /
• pp.121-126
• /
• 2020

소리 기반 기계 고장 진단은 기계의 음향 방출 신호에서 비정상적인 소리를 자동으로 감지하는 것이다. 수학적 모델을 사용하는 기존의 방법은 기계 시스템의 복잡성과 잡음과 같은 비선형 요인이 존재하기 때문에 기계 고장 진단이 어려웠다. 따라서 기계 고장 진단의 문제를 딥러닝 기반 이미지 분류 문제로 해결하고자 한다. 본 논문에서 스펙트로그램 이미지를 이용한 CNN 기반 자동화 기계 고장 진단 기법을 제안한다. 제안한 방법은 기계의 결함 시 발생하는 주파수상의 특징 벡터를 효과적으로 추출하기 위해 STFT를 사용하였으며, STFT에 의해 검출된 특징 벡터들은 스펙트로그램 이미지로 변환하여 CNN을 이용해 기계의 상태별로 분류한다. 그 결과는 제안한 방법은 효과적으로 결함을 탐지할 뿐만 아니라 소리 기반의 다양한 자동 진단 시스템에도 효과적으로 활용될 수 있다.

• Journal of Chest Surgery
• /
• 제25권9호
• /
• pp.921-924
• /
• 1992

기계판막의 가장 빈번하고 치명적인 결함이 판막혈전이다. 판막혈정의 적절한 조기 치료를 위해서는 조기진단이 선행되어야만 한다. Cineradiography는 조기에 손쉽고, 빠르게 기계판막의 기능장애를 진단하는 방법으로 사료되며 저자들은 42세된 남자 환자에서 29mm Carbomedics 판막으로 승모판막 치환술을 시행한 1례와 58세된 여자 환자에서 승모판막 및 대동맥판막에 각각 25mm, 19mm Carbomedics 판막으로 치환술 후 각각 18개월, 20개월 후 기계판막 혈전이 발생하여 cineradiography로 손쉽게 진단하여 치료하였으므로 보고하는 바이다.

• 융합신호처리학회논문지
• /
• 제20권2호
• /
• pp.78-83
• /
• 2019

소리 기반 기계 고장 진단은 기계의 음향 방출 신호에서 비정상적인 소리를 자동으로 감지하는 것이다. 수학적 모델을 사용하는 기존의 방법은 기계 시스템의 복잡성과 잡음과 같은 비선형 요인이 존재하기 때문에 기계 고장 진단이 어려웠다. 따라서 기계 고장 진단의 문제를 패턴 인식 문제로 해결하고자 한다. 본 논문에서 DWT와 인공신경망 기반 패턴 인식 기법을 이용한 자동화 기계 고장 진단 기법을 제안한다. 기계의 결함을 효과적으로 탐지하기 위해 DWT를 이용해 대역별 분해 후 최상위 고주파 부대역과 최하위 저주파 부대역을 제외한 나머지 부대역의 PSD를 구하여 인공신경망 기반 분류기의 입력으로 사용한다. 그 결과 본 연구에서 제안한 방법은 효과적으로 결함을 탐지할 뿐만 아니라 소리 기반의 다양한 자동 진단 시스템에도 효과적으로 활용될 수 있음을 보여준다.

• 한국소음진동공학회:학술대회논문집
• /
• 한국소음진동공학회 2003년도 춘계학술대회논문집
• /
• pp.23-35
• /
• 2003

회전기계의 결함발생은 기계의 여러 상태변화에 의한 결과이며, 이 때 발생하는 증상(현상) 또한 다양하고 복잡하기 때문에 기계의 특성을 파악하고 원인을 추정하기 위해서는 매우 전문적인 지식과 오랜 경험이 필요하다. 실제 산업현장에서 사용되는 각종 회전기계들은 고성능화, 복잡화 및 전문가의 부족으로 인해, 결함발생 시 원인과 발생현상의 관계를 명확히 표현하기에는 어려움이 있다. 이에 최근에는 진단에 관한 전문적인 지식을 구조적으로 표현할 수 있는 전문가 시스템(expert system)의 도입을 위한 연구가 활발히 이루어지고 있다.(중략)

• 대한기계학회논문집A
• /
• 제38권2호
• /
• pp.205-210
• /
• 2014

기계시스템의 결함을 진단하기 위한 방법으로 패턴인식 기법이 널리 사용되고 있다. 진동신호의 변화를 감지하여 기계시스템의 건전성을 판단하는 방법이 패턴인식 기법이다. 대표적 패턴 인식기법으로 최근 은닉 마르코프 모델과 인공신경망이 여러 분야에서 사용되고 있다. 본 연구에서는 결함진단에 은닉 마르코프 모델과 인공신경망을 혼합한 방법이 제시되었으며 결함진단 대상 구조물로는 크랙을 가진 회전하는 풍력터빈 블레이드가 선정되었다. 본 연구에서는 크랙발생 여부뿐만 아니라 그 위치 및 크기도 동시에 진단하고자 하였다. 아울러서 본 연구에서는 일정 주파수들을 갖는 모멘트를 대상 구조물에 가함으로써 외부 잡음에도 불구하고 높은 결함진단 확률을 가질 수 있도록 하였다.

• 기계저널
• /
• 제25권2호
• /
• pp.122-129
• /
• 1985

진동신호 측정 및 해석과 병행하여 구조 해석용 컴퓨터 소프트웨어의 활용은 결함 진단 기술을 더욱 다양하게 할 수 있으며 궁국에 가서는 컴퓨터 시뮬페이션에 의하여 결함 여부 및 위치색 출을 더욱 효과적으로 수행할 수 있다. 물론 이를 위하여는 컴퓨터 모델링 기술의 개발, 시스템 Indentification 문제, 시스템의 선형화 문제, 경계조건의 변화를 모델링하는 문제등 제반 문제점이 선결되어져야 한다. 진동신호 측정 및 분석에 의한 결함탐지 및 컴퓨터 소프트웨어 활용에 관한 상호관계를 도표로 표시하면 그림 1과 같다.

• 소음진동
• /
• 제14권1호
• /
• pp.18-23
• /
• 2004

균열 현상은 모든 필터에서 발생하였다. 1997년 9월 원심 압축기 B에서 발생한 지나친 진동현상으로 여러 필터 중 한 필터가 부서져 임펠러 흡입부로 빨려 들어갔다. 1997년 10월 기동중에 선회실속 문제가 임펠러에서 발생하였고, 이 원인은 임펠러 eye가 부분적으로 막혔기 때문이었다. 압축기 입구와 출구의 전체 유량과 압력 상태는 정상이었기 때문에 어떠한 서지현상도 anti-surge 시스템에 의해서 감지되지 않았다. 고장상태를 진단함으로써 압축기의 재가동을 방지하여 필터들이 부서졌다는 것을 확인하게 되었다. 이번 기계 점검과정을 통하여 원격진단의 중요성을 확인하였으며, 이에 회사는 원격서비스(remote service) 계약을 체결하여 현재 원격 진단 서비스 점검이 계약 기간에 따라 정기적으로 이루어지고 있다. 이와 같이 기계에 대한 정기적인 점검을 실시하는 목적은 기계의 결함이나 고장문제를 조기에 발견함으로써 중대한 고장으로의 진행을 사전에 예방하거나 또는 최소화하는데 있다.

• 한국항해항만학회:학술대회논문집
• /
• 한국항해항만학회 2023년도 춘계학술대회
• /
• pp.275-276
• /
• 2023

산업 현장의 기계 시설물 고장 문제는 큰 인명피해와 경제적 손실을 초래할 수 있기 때문에, 기계 시설물의 상태를 기반하여 고장을 진단하는 것은 대단히 중요하다. 따라서, 본 연구에서는 전류 센서 데이터를 활용하여, 시설물의 고장 여부를 진단할 수 있는 알고리즘을 제안한다. 본 연구에 활용된 전류 센서 데이터는 x, y, z축을 가진 3상 전류 데이터로 구성되어 있으며, 2kHz로 1초간 샘플링 되어 있다. 본 연구에서는 2차원적 특성을 가지는 전류 센서 데이터를 분석하기 위해 CNN(Convolution Neural Network)을 활용한다. 시설물의 고장진단에 가장 적합한 모델을 선정하기 위해 CNN의 대표적인 백본 네트워크를 활용하여, 결과를 비교하였다. 실험 결과, 본 연구에서 구성한 후보 백본 네트워크 중 ResNet의 분류 정확도가 98.5%로 가장 높게 나타났다.