• Journal of Intelligence and Information Systems
• /
• v.5 no.2
• /
• pp.29-42
• /
• 1999

현재 산업의 고도상장과 함께 주기적으로 고장을 진단하여야 하는 기기의 수와 종류도 급속도로 증가하고 있다. 이에 따라 여러 산업 분야에서 고장진단 시스템의 이용이 늘고 있는 추세이다. 이러한 고장진단 시스템은 경험적 고장진단 방식과 모델기반 고장 진단 방식으로 크게 나눌 수 있다. 경험적 고장진단 방식은 전문가가 경험한 사실의 범주에서는 신속하게 고장의 원인을 진단할 수 있지만 전문가가 경험하지 못했던 상황에 대해서는 융통성 있게 진단하지 못한다. 한편 기기의 물리적 기능적 지식을 기반으로 하는 모델기반 고장진단 방식을 변화하는 상황에 적절하게 대처하여 고장의 원인을 진단할 수 있다. 그러나 모델기반 고장진단 방식을 기기의 구조로부터 증상들을 추론하여 원인을 파악하므로 탐색 범위가 넓어 진단속도가 늦다는 단점이 있다. 본 연구에서는 이러한 경험적 고장진단 방식과 기기의 모델기반 고장진단 방식의 장점을 결합하여 신속하고 정확하게 고장진단을 할 수 있는 통합방식 고장진단 시스템을 제시한다. 통합방식 고장진단 시스템은 대상 기기의 진단 상태에 따라서 동적으로 적절한 진단 방식을 선택하기 위해서 블랙보드 추론기관을 이용한다. 또한 각 진단방식이 생성하는 가설 및 사실들을 효과적으로 통합하여 추론하기 위해서 제어지식을 정의하여 적용한다. 그리고 사용자와 진단 시스템간에 원활한 의사소통을 위해서 멀티미디어 기반 인터페이스를 채용하여 통합방식 진단 시스템을 구축한다.

• Transactions of the Korean Society of Mechanical Engineers A
• /
• v.41 no.10
• /
• pp.931-940
• /
• 2017

This paper describes a predictive fault diagnosis algorithm for autonomous vehicles based on a kinematic model that uses a sliding mode observer. To ensure the safety of autonomous vehicles, reliable information about the environment and vehicle dynamic states is required. A predictive algorithm that can interactively diagnose longitudinal environment and vehicle acceleration information is proposed in this paper to evaluate the reliability of sensors. To design the diagnosis algorithm, a longitudinal kinematic model is used based on a sliding mode observer. The reliability of the fault diagnosis algorithm can be ensured because the sliding mode observer utilized can reconstruct the relative acceleration despite faulty signals in the longitudinal environment information. Actual data based performance evaluations are conducted with various fault conditions for a reasonable performance evaluation of the predictive fault diagnosis algorithm presented in this paper. The evaluation results show that the proposed diagnosis algorithm can reasonably diagnose the faults in the longitudinal environment and acceleration information for all fault conditions.

• Journal of Intelligence and Information Systems
• /
• v.4 no.1
• /
• pp.103-114
• /
• 1998

본 논문은 화력발전소 적용을 위한 경보처리 기반 고장진단 전문가 시스템(APDX(Alarm Processing and Diagnosis Expert System)개발에 관하여 논의한다. 본 연구에서 제시된 경보처리 알고리즘은 근본적으로는 경보 인과관계 트리를 사용하고 있으나 최종 원인 경보선택에 있어서는 경보 발생시간과 경보 우선순위 Meta-Rul를 활용한다. 경보처리 모듈에서 처리된 원인경보를 근거로 하여 본 원인경보와 관련된 고장부위를 진단하게 된다. 진단모듈에서는 경보에 관련된 센서들과 고장들 사이의 관계를 정상적으로 모델링하고 센서들의 트랜드를 정성적 해석기로 분석하여 증가, 정상, 감소의 세가지 상태에 대한 신뢰도를 출력한다. 또한 각 경보로부터 고장이 예상되는 고장타입을 센서 천이도로 모델링하여 진단에 활용된다. 최종적으로 추론모듈에서 퍼지(Fuzzy) 추론 알고리즘을 이용하여 모델된 고장 타입과 계산된 고장과의 매칭과정을 통하여 진단을 수행하게 되며, 계산 창 (Window)를 변경하면서 고장을 재 확인하게 된다.

• Proceedings of the Korea Society for Simulation Conference
• /
• 1999.10a
• /
• pp.169-169
• /
• 1999

최근 산업 플랜트의 공정제어 시스템은 복잡하고 대규모화되어 고장 발생시 경제적 손실과 위험성이 증폭되어 규정된 안정서와 신뢰성 확보가 필수적이라 할 수 있다. 고장검출 및 진단기법은 시스템의 신뢰성을 높이기 위한 효과적인 방안을 연구하는 것으로 현대에 들어서 많은 학자들의 관심을 끌고 있으며 실제 계통에 점차적으로 응용되고 있다. 현재까지 개발된 고장검출 및 진단기법은 사용된 프로세스 모델의 형태, 고장검출 진단 알고리즘에 따라 다양하게 분류 될 수 있으며 일반적으로 사용된 모델에 따라 크게 1) 정량적 모델에 근거한 해석적 기법, 2) 정성적 모델에 근거한 기법, 3) 지식기반 진단 기법으로 구분 할 수 있다. 이중 정량적 모델 기법은 대상계통의 수학적 모델에 근거하여 운전 데이터를 분석함으로서 고장검출 진단을 수행하는 해석적 기법으로서 근본적으로 계통의 정확한 수학적 모델을 요구하므로 불확실성을 포함한 계통 및 비선형성이 강한 계통등에는 적용이 곤란하다. 정성적 모델 및 지식기반 기법은 정량적 진단 기법과는 달리 대상 프로세스에 대한 수학적 모델 대신에 운전자의 경험과 프로세스 변수간의 상호 작용 및 고장의 전파과정, 고장원인과 증상과의 직접적인 관계에 대한 구조적 지식에 근거한 것으로 고장원인에 대한 계통의 동작을 추론 할 수 있으며, 상황 변화에 따른 영향을 예측할 수 있다. 본 논문에서는 정성적 모델 및 지식기반 기법에 근거한 고장검출 및 진단 기술을 화력 발전소 보일로 프로세스에 적용하여 정성적 시뮬레이션에 의한 설비의 고장을 조기에 발견하여 고장 파급으로 인한 발전 정지 및 설비의 손상 확대를 방지하고 고장 발생시 신속한 원인 규명 및 후속 조치관련 정보들을 운전원에게 제공할 목적으로 현재 전력원에서 개발중인 지능형 경보시스템에 대하여 기술하고자 한다.음과 같이 설명하였다. 서로 상반되는 것들이 다음과 같이 설명하였다. 서로 상반되는 것들이 부딛힘이 없이 공존하고 일상의 논리가 무시된다. 부정, 의심이 없고 확실한 것이 없다. 한 대상에 가졌던 생각이 다른 대상에 옮겨간다(displacement). 한 대상이 여러 대상이 갖고 있는 의미를 함축하고 있다(condensation). 시각적인 순서가 무시된다. 마음속의 생각과 외부의 실제적인 일을 구분하지 못한다. 시간 상의 순서가 있다가 없다가 한다. 차례로 일어나야 할 일이 동시에 한꺼번에 일어난다. 대상들이 서로 비슷해지고 동시에 있을 수 없는 대상들이 함께 나타난다. 사고의 정상적인 구조가 와해된다. Matte-Blance는 무의식에서는 여러 독립된 대상들간의 구분을 없애며, 주체와 객체를 하나로 보려는 대칭화(symmetrization)의 경향이 있기 때문에 이런 변화가 생긴다고 하였다. 또 대칭화가 진행되면 무한대의 느낌을 갖게 되어, 전지(moniscience), 전능(omnipotence), 무력감(impotence), 이상화(idealization)가 나타난다. 그러나 무의식에 대칭화만 있는 것은 아니며, 의식의 사고양식인 비대칭도 어느 정도 나타나며, 대칭화의 정도에 따라, 대상들이 잘 구분되어 있는 단계, 의식수준의 감정단계, 집단 내에서의 대칭화 단계, 집단간에서의 대칭화 단계, 구분이 없어지는 단계로 구분하였다.systems. We believe that this taxonomy is a significant contribution because it adds clarity, completeness, and "global perspective" to workflow architectural discussions. The vocabulary suggested here

• Journal of the Korean Institute of Intelligent Systems
• /
• v.10 no.2
• /
• pp.94-102
• /
• 2000

This paper presents a new FDI scheme based on dynamic fuzzy model(DFM) for the unknown nonlinear system, which can detect and isolate process faults continuously over all ranges of operating condition. The dynamic behavior of a nonlinear process is represented by a set of local linear models. The parameters of the DFM are identified by an on-line methods. The residual vector of the FDI system is consisted of the parameter deviations from nominal model and the set of grade of membership values indicating the operating condition of the nonlinear process. The detection and isolation of faults are performed via a neural network classifier that are learned the relationship between the residual vector and fault type. We apply the proposed FDI scheme to the FDI system design for a two-tank system and show the usefulness of the proposed scheme.

• Journal of the Korean Institute of Intelligent Systems
• /
• v.12 no.6
• /
• pp.503-510
• /
• 2002

This paper presents a fault diagnosis method using neural network-based multi-fault models and statistical method to detect and isolate faults in nonlinear systems. In the proposed method, faults are detected when the errors between the system output and the neural network nominal system output cross a predetermined threshold. Once a fault in the system is detected, the fault classifier statistically isolates the fault by using the error between each neural network-based fault model output and the system output. From the computer simulation results, it is verified that the proposed fault diagonal method can be performed successfully to detect and isolate faults in a nonlinear system.

• Proceedings of the Korean Society for Noise and Vibration Engineering Conference
• /
• 2005.11a
• /
• pp.279-284
• /
• 2005

Knowledge based fault diagnosis has a limitation in determining the cause and scheme for the fault, because it detects faults from signal pattern only Therefore, model-based fault diagnosis is requested to determine the fault by analyzing output of the equipment from its dynamic model. This research shows a method how to devise the automaton of system as a model for normal and faulty condition through the reduction of handling data by quantization of vibration signals and the example which is concerning to the bearing of ATM. The developed model based fault diagnosis was applied to detect the faulty bearing of ATM, which results.

• 전기의세계
• /
• v.48 no.4
• /
• pp.21-27
• /
• 1999

• 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 Korea Information Processing Society Conference
• /
• 2021.05a
• /
• pp.404-407
• /
• 2021

석유개발 현장에서 시추장비의 고장으로 인한 장비교체 및 시추시간 증가는 막대한 비용소모를 발생시킨다. 본 논문은 딥러닝 기반의 시추장비 중 드릴비트의 동력을 구동시키는 디젤엔진의 고장 요소를 분류하고 이 요소에 따른 고장여부를 판별하는 딥러닝 기반의 이상 예측 및 진단 모델을 개발하였다. 또한 제안한 모델의 우수성을 확인하기 위해 로지스틱 회귀분석 분류모델과의 예측성능 비교분석도 수행하였다.