주조 산업에서 고주파 유도 용해로는 생산성 증대와 제조 환경 개선에 많은 영향을 주고 있으나 산업재해 관리 관점에서는 주조 제조공장 용해로에 의한 화재, 폭발, 파열로 인한 산업 재해 사고가 빈번하게 발생하고 있다. 특히 중소기업형 주조 제조 공장에는 항상 위험에 노출되어 있어 이에 대한 대책이 필요한 상황이다. 현재 미국과 독일의 고주파 유도(Induction) 용해로의 해외 설비 제조회사들은 설비상태를 사전에 이상감지 하여 설비의 잔존 수명을 예측하고, 대형 산업재해 사고를 방지하기 위하여 이상 신호 감지를 위한 ...
주조 산업에서 고주파 유도 용해로는 생산성 증대와 제조 환경 개선에 많은 영향을 주고 있으나 산업재해 관리 관점에서는 주조 제조공장 용해로에 의한 화재, 폭발, 파열로 인한 산업 재해 사고가 빈번하게 발생하고 있다. 특히 중소기업형 주조 제조 공장에는 항상 위험에 노출되어 있어 이에 대한 대책이 필요한 상황이다. 현재 미국과 독일의 고주파 유도(Induction) 용해로의 해외 설비 제조회사들은 설비상태를 사전에 이상감지 하여 설비의 잔존 수명을 예측하고, 대형 산업재해 사고를 방지하기 위하여 이상 신호 감지를 위한 IoT 센서를 접목한 데이터 수집 기술과 보전주기와 이상감지 신호를 분석하여 인공지능 예측 학습모델등 지능화 연구 활동이 이루지고 있다. 그래서 본 연구의 이상 감지 예지보전 모니터링 시스템이 제조공장에 적용되면, 주조 산업의 산업재해 위험 감소와 상용 S/W 국산화 대체효과를 거둘 수 있을 것이다.
본 논문은 MLP모델을 활용한 고주파 유도 용해로 이상감지 예지보전 모니터링 시스템을 구현하였다. 고주파 용해로의 전기적인 기계적인 특징을 분석하여 설비 운영 상태 값의 데이터를 실시간으로 수집하기 위하여 IoT 센서 정착과 PLC모듈에 디지털 컨버터 디바이스를 장착하여 안정적이고 정확하게 수집하는 설비 연동 Interface 기능을 구현하였다. 생산 가동률에 따라 차이는 있지만 월 평균 20만 건 정도의 설비 상태 데이터를 수집하는 서비스가 가동되고 모니터링이 되고 있다. 수집한 데이터를 안정적으로 전송되고 보관하기 위하여 PLC Repository Master 서버를 독립적으로 구축하고, 용해로 설비의 이상감지 모니터링과 예측 학습모델을 이용하여 데이터를 분석하고 분산처리 할 수 있게 구성되어 있다. 수개월 이상 수집한 설비운영 상태 데이터를 데이터 전처리 단계 과정을 수행하여, 설비 이상감지와 관계가 있는 18개 데이터에 대해 상관관계를 분석하였다. 그 중에서 6개 Input 데이터를 최종 선별하여 예측 학습모델을 이용하여 10회의 학습 실험에서 91%의 예측 정확도 결과를 도출하였다.
향후, 체계적으로 수집된 설비 이력 데이터를 지속적으로 저장 및 모니터링 관리를 통해 시계열 데이터가 확보되면, 시계열 분석의 학습모델을 연구하여, 향후에는 LSTM 예측 학습모델로 업그레이드하여 발전 할 수 있을 것으로 본다.
주조 산업에서 고주파 유도 용해로는 생산성 증대와 제조 환경 개선에 많은 영향을 주고 있으나 산업재해 관리 관점에서는 주조 제조공장 용해로에 의한 화재, 폭발, 파열로 인한 산업 재해 사고가 빈번하게 발생하고 있다. 특히 중소기업형 주조 제조 공장에는 항상 위험에 노출되어 있어 이에 대한 대책이 필요한 상황이다. 현재 미국과 독일의 고주파 유도(Induction) 용해로의 해외 설비 제조회사들은 설비상태를 사전에 이상감지 하여 설비의 잔존 수명을 예측하고, 대형 산업재해 사고를 방지하기 위하여 이상 신호 감지를 위한 IoT 센서를 접목한 데이터 수집 기술과 보전주기와 이상감지 신호를 분석하여 인공지능 예측 학습모델등 지능화 연구 활동이 이루지고 있다. 그래서 본 연구의 이상 감지 예지보전 모니터링 시스템이 제조공장에 적용되면, 주조 산업의 산업재해 위험 감소와 상용 S/W 국산화 대체효과를 거둘 수 있을 것이다.
본 논문은 MLP모델을 활용한 고주파 유도 용해로 이상감지 예지보전 모니터링 시스템을 구현하였다. 고주파 용해로의 전기적인 기계적인 특징을 분석하여 설비 운영 상태 값의 데이터를 실시간으로 수집하기 위하여 IoT 센서 정착과 PLC 모듈에 디지털 컨버터 디바이스를 장착하여 안정적이고 정확하게 수집하는 설비 연동 Interface 기능을 구현하였다. 생산 가동률에 따라 차이는 있지만 월 평균 20만 건 정도의 설비 상태 데이터를 수집하는 서비스가 가동되고 모니터링이 되고 있다. 수집한 데이터를 안정적으로 전송되고 보관하기 위하여 PLC Repository Master 서버를 독립적으로 구축하고, 용해로 설비의 이상감지 모니터링과 예측 학습모델을 이용하여 데이터를 분석하고 분산처리 할 수 있게 구성되어 있다. 수개월 이상 수집한 설비운영 상태 데이터를 데이터 전처리 단계 과정을 수행하여, 설비 이상감지와 관계가 있는 18개 데이터에 대해 상관관계를 분석하였다. 그 중에서 6개 Input 데이터를 최종 선별하여 예측 학습모델을 이용하여 10회의 학습 실험에서 91%의 예측 정확도 결과를 도출하였다.
향후, 체계적으로 수집된 설비 이력 데이터를 지속적으로 저장 및 모니터링 관리를 통해 시계열 데이터가 확보되면, 시계열 분석의 학습모델을 연구하여, 향후에는 LSTM 예측 학습모델로 업그레이드하여 발전 할 수 있을 것으로 본다.
In the casting industry, high-frequency induction melting furnaces have a great impact on increasing productivity and improving the manufacturing environment, but from an industrial accident management perspective, industrial accidents are frequently caused by fires, explosions and ruptures caused b...
In the casting industry, high-frequency induction melting furnaces have a great impact on increasing productivity and improving the manufacturing environment, but from an industrial accident management perspective, industrial accidents are frequently caused by fires, explosions and ruptures caused by foundry furnaces. In particular, small and medium-sized casting manufacturing plants are always exposed to risks, which necessitates countermeasures. Currently, foreign production equipment manufacturers of high frequency induction melting furnaces in the U.S. and Germany want to predict the remaining life of the production equipment and prevent large industrial accidents by detecting the conditions of the production equipment in advance. And by connecting IoT sensors to detect abnormal signals and By analyzing maintenance cycles of production equipment and abnormal detection signals, intelligent research activities such as AI predictive learning models are taking place. Therefore, if the abnormal detection prediction maintenance monitoring system of this study is applied to the manufacturing plant, it will reduce the risk of industrial accidents in the casting industry and have the substitution effect of commercial S/W localization.
In this paper implemented the high frequency induced melting furnace abnormal detection and prediction maintenance monitoring system using MLP model. To collect data on the condition of production equipment operation in real time by analyzing the electrical and mechanical characteristics of high-frequency melting furnaces, It were implemented production equipment interlocking interface function that collects digital converter devices from IoT sensors and PLC modules in a stable and accurate method. Although it depends on production operation rate, a service that collects about 200,000 monthly production equipment status data is operational and monitored. The PLC Repository Master server is established independently for reliable transmission and storage of the collected data, and the data can be analyzed and distributed processing using the abnormal detection monitoring and predictive learning model of the melting furnace production equipment. The pre-processing phase of equipment operation data collected for more than a few months was carried out to analyze the correlation of 18 data related to the fault prediction of equipment. Of these, six input data were finally selected and the predicted accuracy results were obtained 91% in 10 times learning testing using the predictive learning model.
If time series data is secured through continuous storage and monitoring management of systematically collected production equipment history data, it is believed that the learning model of time series analysis can be studied and developed by upgrading to LSTM predictive learning model in the future.
In the casting industry, high-frequency induction melting furnaces have a great impact on increasing productivity and improving the manufacturing environment, but from an industrial accident management perspective, industrial accidents are frequently caused by fires, explosions and ruptures caused by foundry furnaces. In particular, small and medium-sized casting manufacturing plants are always exposed to risks, which necessitates countermeasures. Currently, foreign production equipment manufacturers of high frequency induction melting furnaces in the U.S. and Germany want to predict the remaining life of the production equipment and prevent large industrial accidents by detecting the conditions of the production equipment in advance. And by connecting IoT sensors to detect abnormal signals and By analyzing maintenance cycles of production equipment and abnormal detection signals, intelligent research activities such as AI predictive learning models are taking place. Therefore, if the abnormal detection prediction maintenance monitoring system of this study is applied to the manufacturing plant, it will reduce the risk of industrial accidents in the casting industry and have the substitution effect of commercial S/W localization.
In this paper implemented the high frequency induced melting furnace abnormal detection and prediction maintenance monitoring system using MLP model. To collect data on the condition of production equipment operation in real time by analyzing the electrical and mechanical characteristics of high-frequency melting furnaces, It were implemented production equipment interlocking interface function that collects digital converter devices from IoT sensors and PLC modules in a stable and accurate method. Although it depends on production operation rate, a service that collects about 200,000 monthly production equipment status data is operational and monitored. The PLC Repository Master server is established independently for reliable transmission and storage of the collected data, and the data can be analyzed and distributed processing using the abnormal detection monitoring and predictive learning model of the melting furnace production equipment. The pre-processing phase of equipment operation data collected for more than a few months was carried out to analyze the correlation of 18 data related to the fault prediction of equipment. Of these, six input data were finally selected and the predicted accuracy results were obtained 91% in 10 times learning testing using the predictive learning model.
If time series data is secured through continuous storage and monitoring management of systematically collected production equipment history data, it is believed that the learning model of time series analysis can be studied and developed by upgrading to LSTM predictive learning model in the future.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.