• 한국신뢰성학회지:신뢰성응용연구
• /
• 제15권4호
• /
• pp.262-269
• /
• 2015

Accelerated degradation mechanism of the heat-resistant steel for high temperature plant was analysed in terms of microstructure and hardness. In order to simulate the microstructure of the steel actually used at $540^{\circ}C$ in the field, isothermal exposure was carried out at $630^{\circ}C$ up to 4,800 hours. The artificial degradation mechanism was comparatively verified to successfully simulate degradation of the long-time used field material. For the artificially degraded specimens, databases including size and aspect ratio of carbide, chemical composition (i.e., Cr/Mo ratio) of grain boundary carbide were built up. These degradation parameters were suggested as fingerprints for PHM (i.e., prognostics health management) of power plants.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2019년도 제60차 하계학술대회논문집 27권2호
• /
• pp.11-12
• /
• 2019

본 논문에서 에스컬레이터 기계실 내부 전동기, 감속기, 구동 체인의 IoT 소음 및 진동 센서를 부착하여 에스컬레이터 운영중 실시간 상태 감시가 가능한 IoT 기반 에스컬레이터 고장 예지 시스템을 제안한다. IoT 소음 및 진동 센서는 에스컬레이터 운영 중 발생하는 소음 및 진동 데이틀 수집하여 PHM(Prognostics and Health Management) 서버로 전송하며, 서버에서는 진단 알고리즘을 통해 고장 유 무를 판단한다. 소음 데이터를 이용한 체인 피치 길이 알고리즘을 검증하기 위하여 실제 체인의 길이를 측정한 결과 값과 비교한 결과 99.8% 정확도를 가지며, 진동 데이터를 이용하여 전동기, 감속기의 상태 판단을 위한 알고리즘 검증을 위해 AST 사의 진동 센서와 비교한 결과 약간의 오차는 발생하지만 ISO 10816-3을 기준으로 한 판단 결과 값은 동일한 결과 값을 가지는 것을 확인하였다.

• 한국정보전자통신기술학회논문지
• /
• 제12권3호
• /
• pp.242-250
• /
• 2019

본 논문에서는 인공신경망(Artificial Neural Network) 모델 중, 시계열 데이터의 변환을 위한 모델인 Seq2Seq(Sequence to Sequence) 모델을 이용한 산업용 로봇 고장 예지 기술에 대하여 제안한다. 제안 방법은 고장 예지를 위한 추가적인 센서의 부착 없이 로봇 자체적으로 측정 가능한 관절 별 전류와 각도 값을 데이터로 사용하였고, 측정된 데이터를 모델이 학습할 수 있도록 전처리한 후, Seq2Seq 모델을 통해 전류를 각도로 변환하도록 지도 학습 하였다. 고장 진단을 위한 이상 정도(Abnormal degree)는 예측 각도와 실제 각도 간의 단위시간 동안의 RMSE(Root Mean Squared Error)를 사용하였다. 제안 방법의 성능평가는 로봇의 정상 및 결함 조건을 달리한 상태에서 측정한 테스트 데이터를 이용하여 수행되었고 이상 정도가 임계값 넘어가면 고장으로 분류하게 하여, 실험으로부터 96.67% 고장 진단 정확도를 보였다. 제안 방법은 별도의 추가적인 센서 없이 고장 예지 수행이 가능하다는 장점이 있으며, 로봇에 대한 깊은 전문지식을 요구하지 않으면서 수행할 수 있는 방법으로 높은 진단 성능과 효용성을 실험으로부터 확인하였다.

• 해양환경안전학회지
• /
• 제27권7호
• /
• pp.1088-1097
• /
• 2021

기계 장비의 진동 데이터는 필연적으로 노이즈를 포함하고 있다. 이러한 노이즈는 기계 장비의 유지보수를 진행하는데 악영향을 끼친다. 그에 따라 데이터의 노이즈를 얼마나 효과적으로 제거해주냐에 따라 학습 모델의 성능을 좌우한다. 본 논문에서는 시계열 데이터를 전처리 함에 있어 특성추출 과정을 포함하지 않는 Denoising Auto Encoder 기법을 활용하여 데이터의 노이즈를 제거했다. 또한 기계 신호 처리에 널리 사용되는 Wavelet Transform과 성능 비교를 진행했다. 성능비교는 고장 탐지율을 계산하여 진행했으며 보다 정확한 비교를 위해 분류 성능 평가기준 중 하나인 F-1 Score를 계산하여 성능 비교를 진행했다. 고장을 탐지하는 과정에서는 One-Class SVM 기법을 활용하여 고장 데이터를 탐지했다. 성능 비교 결과 고장 진단율과 오차율 측면에서 Denoising Auto Encoder 기법이 Wavelet Transform 기법에 비해 보다 좋은 성능을 나타냈다.

• 한국항해항만학회지
• /
• 제46권4호
• /
• pp.367-374
• /
• 2022

본 연구는 자율운항 선박의 연료 계통 펌프와 청정기를 대상으로 고장을 진단 사례를 제시하였다. 계측된 신호의 시간종속성을 반영한 심층학습(Deep learning) 알고리즘 적용 절차를 구성하고, 장비의 정상 운전상태와 고장 상태에서 계측한 진동 신호를 고장 패턴 학습에 사용하였다. 특히, 진동 신호에 내포된 열화의 시간 종속성을 반영할 수 있는 방법을 찾고자 하였으며, 슬라이딩 윈도우 연산 과정을 가진 Conv1D를 이용하여고장의 시간 종속성을 반영하였다. 또한 계측된 신호의 차수를 2차원에서 3차원으로 확장하여 시간 영역의 특징을 반영할 수 있는 데이터 전처리과정을 고안하였다. Conv1D 알고리즘의 적층과 변수를 결정하는 과정에서 그리드 탐색 기법을 사용하여 초매개변수의 최적 값을 결정하였다. 마지막으로 제안한 데이터 전처리 방법과 시계열 데이터의 시간 종속성을 반영한 Conv1D 모델이 이상 감지 및 고장 진단에 타당성이 있음을 확인하였다.