• Proceedings of the Korean Society for Noise and Vibration Engineering Conference
• /
• 2008.04a
• /
• pp.407-412
• /
• 2008

원자력발전소의 안전성 확보를 위해서, 설비의 유지 관리 기법은 고장이 발생했을 때 조치하는 고장정비에서부터 고장을 미연에 방지하기 위한 예방정비, 예측정비 그리고 상태기반정비로 진행되어 가고 있다. 국내 원자력발전소에서는 고장정비와 예방 정비가 적용되고 있으며, 예측정비와 상태기반정비에 대한 연구가 수행되고 있다. 본 논문에서는 모터구동밸브, 공기구동밸브, 역지밸브 그리고 펌프에 대한 예방정비 현황과 기술 개발 동향에 대해 살펴보았다.

• Proceedings of the KIEE Conference
• /
• 2003.11b
• /
• pp.283-286
• /
• 2003

본 연구는 기존의 고장진단 기법들을 토대로 주어진 자동화 시스템에 실제 적용이 가능한 고장예측 알고리즘을 제시한다. 고장예측은 시스템이 운용되는 도중에 제한된 정보와 컴퓨터 자원을 이용하여 수행되어야 하므로 실시간 적용을 위하여 2단계로 구분하여 수행된다. 첫 번째는 실시간 고장예측 단계로서 시스템 운용 중에 시스템의 고장 징후를 탐지하는 역할을 하며, 두 번째는 오프라인 고장예측 단계로서 실시간으로 고장 징후가 탐지되면 시스템의 작동을 멈춘 후 고장의 징후를 분류하고 식별하는 역할을 수행한다 원활한 고장예측 알고리즘을 도출하기 위해 자동화 시스템의 이산사건 모델과 연속시간 모델을 수립하였으며, 이들을 통합한 공정모델에 대하여 하이브리드 시뮬레이션 환경을 구축하였다. 제안된 기법은 자동화 시스템의 공정모델에 기구부, 모터부에 대한 고장모델을 부가하여 컴퓨터 시뮬레이션을 통하여 타당성을 검증하였다.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• 2022.06a
• /
• pp.1305-1307
• /
• 2022

자동차 부품의 결함은 시스템 전체의 성능 저하 및 인적 물적 손실이 발생할 수 있으므로 생산라인에서의 불량 검출은 매우 중요하다. 따라서 정확하고 균일한 결과의 불량 검출을 위해 딥러닝 기반의 고장 진단 시스템이 다양하게 연구되고 있다. 하지만 제조현장에서는 정상 샘플보다 비정상 샘플의 발생 빈도가 현저히 낮다. 이는 학습 데이터의 클래스 불균형 문제로 이어지게 되고, 이러한 불균형 문제는 고장을 판별하는 분류 모델의 성능에 영향을 끼치게 된다. 이에 본 연구에서는 모터의 동작음으로부터 불량 모터를 판별하는 불량 검출 시스템 설계를 위한 데이터 불균형 해결 방법을 제안한다. 자동차 사이드 미러 모터의 동작음을 학습 및 테스트를 위한 데이터 셋으로 사용하였으며 손실함수 계산 시 학습 데이터 셋의 클래스별 샘플 수 가 반영되는 label-distribution-aware margin(LDAM) loss 와 Inception, ResNet, DenseNet 신경망 모델의 비교 분석을 통해 불균형 데이터를 처리할 수 있는 가능성을 보여주었다.

• Proceedings of the KIEE Conference
• /
• 2002.07d
• /
• pp.2310-2312
• /
• 2002

전류 신호에 대한 고속 퓨리에 변환(FFT)은 유도전동기의 고장 검출에 널리 사용되어 왔다. 본 논문에서는 고정자 전류 스펙트럼 중에서 회전자 고장에 의해서 많은 영향을 받는 주파수 성분들로 특징 벡터를 구성하고, 이를 단순한 산술 연산만으로 처리함으로써 회전자 고장을 검출한다. 제안한 방법에서는 고장의 유무를 검출하기 위해서 기준 벡터와 입력 고정자 전류 신호로부터 추출된 특징 벡터 간의 차이 신호만을 이용하기 때문에 신경망에 의한 고장 검출 알고리즘 등에 비해서 훨씬 적은 계산량 만으로도 모터의 고장을 효율적으로 검출할 수 있다.

• Proceedings of the KIEE Conference
• /
• 2002.07d
• /
• pp.2350-2352
• /
• 2002

1970년대에 제작되어진 전기기관차는 대부분이 기계적인 방식을 많이 채택하였고 디지털 기술의 미비로 아날로그방식을 이용해서 DC모터나 브레이크 기기 등을 제어했다. 이들 장치들은 고장의 판단 여부를 외관이나 릴레이의 접점이 on/off 되었는지를 시각적으로 확인한 후 판별 하였고 또한 이러한 고장을 찾는다 하더라도 고장의 원인이나 고장난 부분을 찾아낸다는 것이 매우 어려웠다. 또한 기관차의 운행 기록을 할 수 없기 때문에 기관차의 운행시 주변 상황이나 시스템의 운용 상황들을 알 수 없었다. 따라서 본 시스템을 이용하여 기관차의 운행 도중에 발생되는 모든 상황을 디스크에 기록하며 또한 디스크의 내용을 분석할 수 있도록 하여 운행 중에 고장이 발생하면 고장 시점부터 시스템과 주변상황들을 기록하여 기관차를 검수하는 검수원들이 보다 빠르고 효과적으로 기관차를 분석하고 고장을 진단하여 기관차를 유지보수 할 수 있도록 전기기관차의 모니터링 시스템을 개발하였다.

• Journal of the Korean Society of Manufacturing Process Engineers
• /
• v.20 no.12
• /
• pp.85-91
• /
• 2021

In our daily life, artificial intelligence performs simple and complicated tasks like us, including operating mobile phones and working at homes and workplaces. Artificial intelligence is used in industrial technology for diagnosing various types of equipment using the machine learning technology. This study presents a fault mode effect analysis (FMEA) of start motors using machine learning and big data. Through multiple data collection, we observed that the primary failure of the start motor was caused by the melting of the magnetic switch inside the start motor causing it to fail. Long-short-term memory (LSTM) was used to diagnose the condition of the magnetic locations, and synthetic data were generated using the synthetic minority oversampling technique (SMOTE). This technique has the advantage of increasing the data accuracy. LSTM can also predict a start motor failure.

• Proceedings of the KIEE Conference
• /
• 2006.07d
• /
• pp.1836-1837
• /
• 2006

본 논문에서는 차량용 전자제어식 주차 브레이크(Electric Parking Brake, EPB) 시스템의 고장 허용 제어(fault tolerant control)를 위한 고장 안전 기법(fail-safe logic)을 제안한다. 고장 안전 기법의 구현을 위하여 EPB 구동 모터에 흐르는 전류 리플을 측정하여 센서리스 위치 추정을 한다. 추정값과 홀 센서의 출력을 비교하여 잔차(residual)를 발생하고, 이를 이용하여 시스템 내부의 고장을 진단하고 고장 안전 기법을 통하여 전체 시스템의 오작동을 방지한다. 시스템 오작동을 방지하기 위한 고장 안전 기법에 대하여 정의하고 모의실험을 통하여 내부 시스템의 고장이 발생 시 이 기법이 고장을 진단하고 시스템을 안전하게 운영할 수 있음을 확인하였다.

• Proceedings of the Korean Nuclear Society Conference
• /
• 2002.10a
• /
• pp.91.2-91
• /
• 2002

• Proceedings of the KIEE Conference
• /
• 2000.07a
• /
• pp.175-181
• /
• 2000

월성원자력4호기가 '99.06.09일 11:53분 경 전출력 소외전원상실시험시 주발전기 병입차단기 및 기동용변압기 차단기의 트립과 동시에 예상 밖의 13.8Kv 원자로 냉각재펌프모터#3(9.000HP)이 순시과전류 보호계전기(50Y) 동작으로 트립되어 이로 인한 냉각재 저유량으로 원자로 제1정지계통이 동작되고 원자로가 비상정지 되어 동 시험이 실패되었음. 이 비정상적인 고장은 예비디젤발전기의 수동 기동 병입과 터빈 수동 정지 및 주발전기 트립후 적절한 조치로 소내전원은 정상적으로 복구되었음. 이에 대해 냉각재펌프모터#3의 순시과전류 동작 원인을 유도전동기의 전원상실 후 발생되는 잔류전압(Residual Voltage)과 공급 모선전압(Bus Voltage) 측면에서 분석하며, 모터의 회전속도, 위상각, 잔류전압크기 변화 및 신속개방 절체시 냉각재펌프모터의 돌입 기동전류를 계산하고, PSS/E 프로그램을 사용한 간략한 모의 사례로 검증하였으며 이에 대한 재발방지를 위한 대책을 제시함.

• Journal of the Korea Institute of Information and Communication Engineering
• /
• v.6 no.2
• /
• pp.294-299
• /
• 2002

This paper presents a faults diagnosis technique of induction motors based on a neural network. Only stator current is measured, transformed by using FFT and normalized for the training. Healthy, bearing fault, stator fault and rotor end-ring fault motors are prepared to obtain the learning data and diagnose the several faults. For more effective diagnosis, the load rate is changed by 100%, 60%, 30% of full load and the obtained are applied to the teaming process. The experimental results show the proposed method is very detectable and applicable to the real diagnosis system.