선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 요구된다. 본 연구에서는 뉴로-퍼지 모델을 이용한 추론 방법을 제안하였다.
- 따라서 수치 데이터를 이용한 퍼지-뉴로모델링 이용하여 추론 모델을 설계한다. 본 연구에서는 저주파 성분에서 고주파 성분까지 5개 그룹별 진동 신호 분석 결과로부터 압연기 고장의 분류를 위한 특징 데이터를 구하였다. 일정 간격의 이산 데이터를 취득하여 변화량을 평균값으로 정량화 하였다.
- 본 연구의 내용은 광양 제철의 생산 플랜트의 일부인 압연기 베어링의 베어링 파손 고장 데이터를 취득하여 고장의 진행 상태에 대한 진단 모델의 설계에 대한 연구이다. 진동 데이터의 분석 결과 연구 보고된 일반적 고장 형태와는 다른 고장의 특징을 보여주고 있어 기존의 보고된 연구 결과의 적용이 어려움을 알 수 있었다.
제안 방법
- 데이터 수집 장치로는 Analog Instrument사의 데이터 수집 장치를 180586으로 구성하였으며, 샘플링 시간은 4kHz로 하였다. 고속 데이터 수집을 위해 수집 방법은 일정 시간 간격으로 하였으며, 고장 발생 전의 데이터로부터 고장 상태 동안 데이터를 수집하였다. 수집된 데이터는 5개의 그룹으로 분류하였다.
- 모든 회전 기계의 결함 탐지 단계에서는 회전기 계가 작동하는 동안 일어날 가능성이 있는 모든 종류의 결함을 탐지하는 것이 바람직하다. 기존의 제안된 방법은 충격 주파수를 검출하는 스펙트럼 분석을 적용하여 결함의 특징을 추출하였다. 스펙트럼 분석에서도 포락선 검출 방법은 지금까지 연구된 내용에서 기계의 결함 탐지에 특히 유용한 방법으로 제시되었다[1-3].
- 진동 데이터의 분석 결과 연구 보고된 일반적 고장 형태와는 다른 고장의 특징을 보여주고 있어 기존의 보고된 연구 결과의 적용이 어려움을 알 수 있었다. 따라서 본 연구에서는 웨이브렛을 이용한 신호의 분석으로부터 특정 대역의 분할과 각 대역의 신호의 크기 누적치의 변화를 특징 입력으로 하여 퍼지 신경망 모델을 설계하고 실측 데이터를 적용하여 타당성을 입증하였다. 그 결과 그림4-6에서 신뢰성 있는 추적 결과를 보여주고 있어 타당성이 입증되었다.
- 본 연구에서는 압연기 베어링의 상태 진단의 변수로 베어링의 진동 신호를 이용한 진동 분석 방법을 적용하였다. 진동 분석 방법에는 Kutorsis[l], Bivelope Technique[5], FFT[8], Cepstium[7], Cres-Factor [8] 등이 있으며, 이 방법에 의한 회전체의 상태 진단 및 모니터링이 많이 연구되고 있으며, 이 방법은 진동 신호로부터 축차적으로 일정 기간 내의 주파수 스펙트럼 분포 형태를 분석하여 베어링의 상태에 대한 정보를 얻어 회전체의 상태를 진단한다.
- 웨이브렛 변환의 특징은 필터링 기능을 이용한 잡음 제거 기능을 갖고 있어[1, 2], 잡음의 영향을 최소화할 수 있으므로 비선형 시스템에 보다 적합한 특성을 갖게 된다[2, 3]. 본 연구에서는 웨이브렛 변환을 이용하여 신호의 잡음을 제거하고 실시간으로 각 스케일 값에 의해 분석된 신호를 고장 패턴 입력으로 하여 비선형 시스템에 적합한 뉴로-퍼지 진단 모델을 설계하였다.
- 본 연구에서는 잡음을 포함하는 압연기의 진동 신호를 웨이브렛을 이용하여 잡음을 제거하고 제거된 신호로부터 일정 크기 이상의 진동 신호를 분석하여 각 채널별 3차원(평균값, 빈도 수, 시간)의 고장 상태진단을 위한 패턴 데이터를 구하였다.
- 볼 베어링의 결함을 탐지할 수 있는 두 가지 방법으로 저주파수 영역에서 충격율의 기본 주파수를 찾고, 고주파수 영역에서 충격 주파수의 고조파성 분을 분석 하는 방법을 적용한다. 본 연구에서는 전자의 방법을 적용한 결함 탐지를 시도하였다.
- 그러나 이 방법은 축차적 방법의 단점 때문에 순간적으로 변화는 신호의 정보를 실시간으로 취득하지 못한다. 본 연구에서는 진동 신호를 웨이브렛을 이용하여 시간축상에서 실시간으로 분석하여 상태 진단에 필요한 진단 패턴을 취득하였다. 모든 회전 기계의 결함 탐지 단계에서는 회전기 계가 작동하는 동안 일어날 가능성이 있는 모든 종류의 결함을 탐지하는 것이 바람직하다.
- 조기에 기계의 상태 악화를 발견하는 것은 고장 진단 및 경향 해석시 중요한 정보를 제공하기 때문이다. 볼 베어링의 결함을 탐지할 수 있는 두 가지 방법으로 저주파수 영역에서 충격율의 기본 주파수를 찾고, 고주파수 영역에서 충격 주파수의 고조파성 분을 분석 하는 방법을 적용한다. 본 연구에서는 전자의 방법을 적용한 결함 탐지를 시도하였다.
- 그러나 이 방법은 축차적인 분석으로 실시간 적용이 어렵고, 고장의 미소한 변화를 분석하는 것이 불가능하다. 압연기 베어링의 동작 환경이 대단히 열악하고 복잡하여 진동 신호에 포함된 잡음 신호의 영향이 대단히 크므로 이러한 단점을 해결하기 위해서는 실시간 처리가 가능한 웨이브렛 해석 방법을 적용하였다.
- 데이터 취득 장치로부터 읽어 들인 진동 신호를 웨이브렛을 이용하여 실시간으로 분해해서 특정 대역의 신호 변화량에 대한 정보를 얻는다. 얻어진 정보를 입력 데이터로 이용하여 퍼지 모델을 설계하고 신경망을 이용하여 학습시키는 퍼지 신경망 진단 모델을 구성한다.
- 일정 간격의 이산 데이터를 취득하여 변화량을 평균값으로 정량화 하였다. 입력 변수는 5개 변수의 변화와 압연기 고장간의 상관성을 이용하여 압연기 고장 진단 모델을 설계한다.
대상 데이터
- 분석하는 시스템을 구성하였다. 데이터 수집 장치로는 Analog Instrument사의 데이터 수집 장치를 180586으로 구성하였으며, 샘플링 시간은 4kHz로 하였다.
- 측정된 신호는 각 고장 발생 동안 1024개의 데이터를 간헐적으로 취득된 데이터를 대상으로 분석하였다. 그림 3-1과 같이 측정된 신호를 그림 3-2와 같이 측정된 신호를 웨이브렛을 이용한 저역과 고역의 5개의 채널로 분석된 결과를 보여주고 있다.
데이터처리
- 본 연구에서는 저주파 성분에서 고주파 성분까지 5개 그룹별 진동 신호 분석 결과로부터 압연기 고장의 분류를 위한 특징 데이터를 구하였다. 일정 간격의 이산 데이터를 취득하여 변화량을 평균값으로 정량화 하였다. 입력 변수는 5개 변수의 변화와 압연기 고장간의 상관성을 이용하여 압연기 고장 진단 모델을 설계한다.
이론/모형
- 따라서 수치 데이터를 이용한 퍼지-뉴로모델링 이용하여 추론 모델을 설계한다. 본 연구에서는 저주파 성분에서 고주파 성분까지 5개 그룹별 진동 신호 분석 결과로부터 압연기 고장의 분류를 위한 특징 데이터를 구하였다.
- 본 논문의 압연기 베어링의 상태 진단에서는 베어링의 진동 신호를 웨이브렛 변환 분석 방법을 적용하였다. 지금까지는 진동 신호를 축차 적으로 일정 기간 내의 주파수 스펙트럼의 분포 형태로 분석하여 베어링의 상태에 대한 정보를 얻어 회전체의 상태를 진단하는 기법이 가장 일반적인 방법이다.
- 그러나 이 방법의 단점은 복잡한 작업 환경에서 나타나는 여러가지 잡음 및 비선형적인 요인에 의해 압연기 고장 상태에 대한 신뢰성 있는 정보를 얻기가 어렵다[7]. 본 연구에서는 진동 신호 분석 방법으로 잡음 신호에 강인하고 시간축상에서 실시간 분석이 가능한 웨이브렛 변환을 이용하였다. 웨이브렛 변환이 원시 신호를 오리지날(Mother) 웨이브렛의 천이 값과 스케일값을 가변하여 여러 신호 성분으로 분해하는 것으로 시간에 따라 각각의 주파수 성분 신호의 변화 추이를 실시간으로 관측할 수 있어 순간적 변화를 검출하는데 유용하다.
성능/효과
- 따라서 본 연구에서는 웨이브렛을 이용한 신호의 분석으로부터 특정 대역의 분할과 각 대역의 신호의 크기 누적치의 변화를 특징 입력으로 하여 퍼지 신경망 모델을 설계하고 실측 데이터를 적용하여 타당성을 입증하였다. 그 결과 그림4-6에서 신뢰성 있는 추적 결과를 보여주고 있어 타당성이 입증되었다. 한정된 고장 형태에 대한 연구로 인해 다른 여러 형태의 고장에 적용에 대한 지속적인 연구가 필요하다.
- 이 방법은 신호를 실시간으로 분석하여 신호의 패턴을 분석하는데 적합한 방법이다. 스케일의 값의 변화에 따라 계수 값이 변화됨을 볼 수 있고, 그 값은 원시 신호의 변화율, 즉 주파수 성분에 비례함을 알 수 있다.
- 그리고 더 나아가 측정된 변수들의 자료로부터 압연기 베어링의 고장 원인을 파악하는 것까지도 포함된다. 예측 진단과 연계된 정비 시스템의 장점은 위험한 결과를 초래하는 예측되지 않은 대규모의 고장을 피할 수 있으며, 기계의 정밀 분해 검사(Overhaul)의 양을 최소로 줄일 수 있고, 불필요한 기계의 운전 정지를 없애고 결함이 생기는 것을 사전에 방지할 수 있어서 유지비용의 절감을 기대할 수 있으며, 예비 부품을 제때에 주문할 수 있게 하여 재고 비용을 줄일 수 있다.
- 정상 상태와 고장 상태의 신호 크기는 예상과 다르게 오히려 줄어들고 있지만 고장에 관계되는 주파수의 분포가 더욱 종합적으로 고장의 형태가 확장되고 있음을 관측할 수 있다. 이상으로 살펴볼 때 고장의 주파수 스펙트럼의 분포의 형태가 일반적인 경우와 다르지만 특정 대역으로 분류하여 크기가 비선형적이지만 고장의 진척에 따라 시간과 함께 증가하고 있는 경향을 알 수 있다.
후속연구
- 이러한 압연기 등의 회전체 베어링 상태 진단에 신뢰성을 갖기 위하여 여러가지 진단 방법이 연구되고 있으며, 이때 이용하는 변수는 온도와 소음, 진동 그리고 윤활유가 있으며 분석 방법으로는 온도 추이 분석, 소음 분석, 진동 분석, 윤활제 분석 방법이 주로 이용되고 있다. 온도 추이 분석은 급격하고 미세한 변동의 징후에 대한 사전 정보를 얻기에는 불충분하지만 고장 발생을 발견하는데 신뢰성 있는 정보를 제공할 수도 있다. 그리고 윤활제 분석 방법은 신뢰성이 높지만 윤활제의 온라인 측정이 어렵다는 단점을 갖고 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.