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
- 본 연구에서는 고장데이터를 여러 확률분포로 추정한 후 각각에 대한 검정을 수행하여 가장 적합한 확률분포를 선택하도록 하였다. 가장 적합한 고장확률분포의 선택을 위한 기준은 다음과 같다(1).
- 본 연구에서는 고장모드해석을 통하여 공작기계의 신뢰성 평가를 위한 신뢰성지표를 예측하고 이와 관련된 고장모드나 부품을 추출해내는 연구를 수행하였다.
- 본 연구에서는 웹상에서 공작기계 부품을 선택한 후 그 부품에 대한 고장 이력 데이터 또는 신뢰성 시험 데이터를 입력하면 여러 확률분포에 대한 해석을 수행하여 그 결과를 보여준 후 가장 최적의 고장분포함수를 선택해주는 웹 기반 고장데이터 분석 프로그램을 개발하였다. 개발된 프로그램은 누구나 인터넷으로 접속하여 신뢰성 데이터 분석을 할 수 있도록 ASP(Active Server Pages)를 사용하여 프로그래밍 되어졌고, 또한 관련된 모든 자료들은 Microsoft-Access 2000을 이용하여 데이터베이스로 구축할 수 있도록 하였다.
제안 방법
- 14의 FFT 결과 그래프에서처럼 추출된 다수의 5X 이상 고주파성분에 의하여 고장의 원인은 베어링 마모로 판별되었다. FFT 결과 IX 성분이 다소 큰 경향을 가지지만 본 연구에서 제시한 Fig. 12의 고장모드 추정 알고리즘은 고주파성분이 존재할 경우 이를 우선순위 로 두었기 때문에 고장원인을 베어링 마모로 판단하였다. 또한, 프로그램에서 입력되는 정보뿐만 아니라 출력되는 모든 정보를 데이터베이스 구축에 이용되도록 하였다.
- 6과 같이 출력해 준다. 같은 부품의 고장율이라도 고장모드별로 이를 나타내 는 고장분포함수가 다를 수 있기 때문에 고장모드별로도 고장분포함수를 검색할 수 있도록 하였다.
- 본 연구에서는 웹상에서 공작기계 부품을 선택한 후 그 부품에 대한 고장 이력 데이터 또는 신뢰성 시험 데이터를 입력하면 여러 확률분포에 대한 해석을 수행하여 그 결과를 보여준 후 가장 최적의 고장분포함수를 선택해주는 웹 기반 고장데이터 분석 프로그램을 개발하였다. 개발된 프로그램은 누구나 인터넷으로 접속하여 신뢰성 데이터 분석을 할 수 있도록 ASP(Active Server Pages)를 사용하여 프로그래밍 되어졌고, 또한 관련된 모든 자료들은 Microsoft-Access 2000을 이용하여 데이터베이스로 구축할 수 있도록 하였다. 입·출력된 모든 정보는 데이터베이스로 축적되어 추후 해당 부품의 고장율이나 평균고장시간과 같은 신뢰성 지표를 검색할 수 있도록 하였다.
- 12와 같다(11). 결정나무법을 이용하여 정확한 결과를 얻기 위해서는 회전 주파수, 위험속도 위상변화 등의 많은 데이터가 있어야 하는데 위험속도, 위상변화 등을 산업현장에서 측정하기에는 어려움이 있으므로, 본 연구에서는 진동데이터와 고장진단에 유용한 회전 주파수를 이용하여 고장모드를 결정하였다.
- 부품의 고장 이력 데이터나 신뢰성 시험 데이터와 이에 대한 고장모드를 이용하여 여러 확률 분포함수에 대한 고장율이나 평균고장시간과 같은 신뢰성 지표를 예측할 수 있는 웹 기반 해석 프로그램을 개발하였고, 관련된 모든 데이터들을 데이터베이스로 축적하도록 하였다. 기계류 시스템의 특성상 보다 정확한 고장분포함수 예측을 위하여 여러 확률 분포함수로 추정한 후, 이 중 최적의 고장분포함수를 선정하도록 하였다.
- 다음으로 고장 이력 데이터나 시험 데이터의 부족과 확보가 어려운 현실에서 이를 대체하기 위한 방법으로 작업현장에서 공작기계의 성능 정도를 측정하기 위한 여러 성능 평가항목 중, 다양한 형상오차와 운동오차를 평가할 수 있는 원운동 정밀도 시험과 주축의 진동측정 시험을 선정하였으며, 시험 데이터 해석을 통하여 고장모드와 관련된 부품을 유출해내고 이를 데이터베이스화하는 해석 프로그램을 개발하여 얻어진 모든 정보가 웹상에서 구동되도록 하였다.
- 첫 번째는 기계류 부품이나 제품의 고장 이력 데이터나 신뢰성 시험 데이터를 확보하여 해당부품을 알고 이를 통해 고장율이나 평균고장시간을 예측하고 이를 데이터베이스화하는 웹 기반(web-based) 프로그램을 개발하였다. 두 번째 연구로는 고장 이력 데이터나 신뢰성 시험 데이터가 거의 전무한 실정에서 이를 대체하기 위한 방법으로 원운동 정밀도 시험과 주축 진동시험의 공작기계 성능시험과 고장모드와의 상관관계를 통해 고장모드와 부품을 파악할 수 있고 이와 관련된 모든 정보를 데이터베이스화되도록 하는 웹상에서 구동되는 해석 프로그램을 개발하였다.
- 4와 같이 출력 된다(4). 또한, 세 가지 확률분포함수에서 오차가 가장 작은 확률 분포함수가 화면 하단에 제시되도록 하여 평균고장시간과 같은 최적의 신뢰성 지표를 알 수 있도록 하였다.
- 먼저 신뢰성 평가에 있어 가장 중요한 시스템의 신뢰성 지표를 예측하기 위하여 고장데이터 분석과 이를 데이터베이스화하는 연구를 수행하였다. 부품의 고장 이력 데이터나 신뢰성 시험 데이터와 이에 대한 고장모드를 이용하여 여러 확률 분포함수에 대한 고장율이나 평균고장시간과 같은 신뢰성 지표를 예측할 수 있는 웹 기반 해석 프로그램을 개발하였고, 관련된 모든 데이터들을 데이터베이스로 축적하도록 하였다.
- 본 연구에서 개발된 웹 기반 프로그램들은 고속지능형 가공시스템 개발의 공작기계 신뢰성 평가 및 웹 기반 RA(Reliability Assurance) 네트워크 시스템 구축을 위한 RDB (Reliability Database)서비스, 신뢰성 Document, 고장모드 해석, 평가분석 지원, 신뢰성 평가 장비의 5개 서브시스템 중에서 신뢰성 데이터와 고장모드를 해석하는 모듈로서 사용자에게 다양한 신뢰성 평가와 정보를 쉽게 이용할 수 있도록 웹 서비스를 지원하는 기능을 수행하도록 개발되었다(3).
- 본 연구에서는 머시닝센터 구성 부품을 바탕으로 공작기계류 신뢰성 평가를 위하여 두 가지 방법으로 고장모드분석을 수행하였다. 첫 번째는 기계류 부품이나 제품의 고장 이력 데이터나 신뢰성 시험 데이터를 확보하여 해당부품을 알고 이를 통해 고장율이나 평균고장시간을 예측하고 이를 데이터베이스화하는 웹 기반(web-based) 프로그램을 개발하였다.
- 먼저 신뢰성 평가에 있어 가장 중요한 시스템의 신뢰성 지표를 예측하기 위하여 고장데이터 분석과 이를 데이터베이스화하는 연구를 수행하였다. 부품의 고장 이력 데이터나 신뢰성 시험 데이터와 이에 대한 고장모드를 이용하여 여러 확률 분포함수에 대한 고장율이나 평균고장시간과 같은 신뢰성 지표를 예측할 수 있는 웹 기반 해석 프로그램을 개발하였고, 관련된 모든 데이터들을 데이터베이스로 축적하도록 하였다. 기계류 시스템의 특성상 보다 정확한 고장분포함수 예측을 위하여 여러 확률 분포함수로 추정한 후, 이 중 최적의 고장분포함수를 선정하도록 하였다.
- 9와 같고 굽힘이나 정렬불량의 고장모드를 갖는 Guideway가 고장 부품으로 판별되었다. 원운동 패턴과 진원도 결과들을 출력하고 각 오차 항목을 순위화하여 나타내주며 관련된 고장모드/부품을 검토할 수 있도록 하였다. 관련된 모든 정보는 프로그램을 통하여 데이터베이스에 저장되도록 하였다.
- 개발된 프로그램은 누구나 인터넷으로 접속하여 신뢰성 데이터 분석을 할 수 있도록 ASP(Active Server Pages)를 사용하여 프로그래밍 되어졌고, 또한 관련된 모든 자료들은 Microsoft-Access 2000을 이용하여 데이터베이스로 구축할 수 있도록 하였다. 입·출력된 모든 정보는 데이터베이스로 축적되어 추후 해당 부품의 고장율이나 평균고장시간과 같은 신뢰성 지표를 검색할 수 있도록 하였다.
- 회전속도 4,800rpm에서 측정 되어진 ASCII 형태의 주축 진동 시험 데이터를 입력파일로 선택하고 데이터 수, 샘플링 주파수, 측정 회전 속도와 같은 실험 정보를 입력한다. 입력데이터의 FFT 결과와 결정나무법을 통해 추정된 고장부품/고장모드를 출력한 후 전체 진동신호의 RMS(Root Mean Square) 값을 계산하고 몇 개의 특징 주파수 성분 신호를 추출하여 각 RMS 값과 구성 비율을 표로 출력한다. 각 주파수 성분 추출을 위해 주파수 필터를 사용하였다.
- 11에 나타냈다. 주축의 X, Y방향에 가속도계를 장착한 후 무부하 회전 시 각 회전속도에 따른 주축 진동을 측정하였다.
- 본 연구에서는 머시닝센터 구성 부품을 바탕으로 공작기계류 신뢰성 평가를 위하여 두 가지 방법으로 고장모드분석을 수행하였다. 첫 번째는 기계류 부품이나 제품의 고장 이력 데이터나 신뢰성 시험 데이터를 확보하여 해당부품을 알고 이를 통해 고장율이나 평균고장시간을 예측하고 이를 데이터베이스화하는 웹 기반(web-based) 프로그램을 개발하였다. 두 번째 연구로는 고장 이력 데이터나 신뢰성 시험 데이터가 거의 전무한 실정에서 이를 대체하기 위한 방법으로 원운동 정밀도 시험과 주축 진동시험의 공작기계 성능시험과 고장모드와의 상관관계를 통해 고장모드와 부품을 파악할 수 있고 이와 관련된 모든 정보를 데이터베이스화되도록 하는 웹상에서 구동되는 해석 프로그램을 개발하였다.
- 측정된 진동데이터를 이용하여 인터넷에서 고장모드를 해석 할 수 있는 웹 기반 프로그램을 개발하였다. 개발된 프로그램 초기화면은 Fig.
- 측정평면은 X-Y로 하였고 원호반경은 120mm, 이송 속도는 500mm/min으로 하였으며 시계방향(CW)과 반시계방 향(CCW)에 대해 측정하였다. 오차 측정 결과를 통해 분석된 진원도 오차는 시계방향 45.
- 원호 가공물의 반경 측정 데이터와 같이 다른 임의의 방법과 장비를 이용해 측정된 데이터라도 누구나 쉽게 인터넷에서 해석할 수 있는 웹 기반 오차 해석 프로그램을 개발하였다. 프로그램 사용을 위하여 측정데이터의 파일은 시계/반시계 방향 측정값의 두 개의 열로 구성되어진 ASCII 형식의 파일이고, 측정 반경과 데이터 수와 같은 측정 파라미터와 측정 데이터 파일을 입력하면 각 결과를 출력해준다. 결과 화면은 Fig.
- 프로그램 입력 형태의 표준화를 위하여 머시닝센터의 분류도로부터 추출된 부품명들을 바탕으로 하였으며(2), 고장모드는 상용 데이터베이스인 FMD(Failure Mode Distribution)-97 자료를(6) 바탕으로 추출한 후 이를 데이터베이스화하여 부품명과 고장모드를 선택할 수 있도록 하였다. 분류된 리스트에 없는 부품과 고장모드들은 사용자가 추가로 입력할 수 있게 하여 데이터베이스를 계속 확장할 수 있도록 하였다.
- 5와 같이 히스토그램과 백분율로 출력해 준다. 해당 모드에 대한 FMD-97의 결과도 화면 하단에 래프로 출력하여 비교할 수 있게 하였다.
- 13과 같다. 회전속도 4,800rpm에서 측정 되어진 ASCII 형태의 주축 진동 시험 데이터를 입력파일로 선택하고 데이터 수, 샘플링 주파수, 측정 회전 속도와 같은 실험 정보를 입력한다. 입력데이터의 FFT 결과와 결정나무법을 통해 추정된 고장부품/고장모드를 출력한 후 전체 진동신호의 RMS(Root Mean Square) 값을 계산하고 몇 개의 특징 주파수 성분 신호를 추출하여 각 RMS 값과 구성 비율을 표로 출력한다.
이론/모형
- 각 주파수 성분에 대한 고장모드를 판별하는 알고리즘 중 본 연구에서는 현상마다의 특징 파라미터를 이용하여 판별논리를 가지 분할 논리형식으로 정리하여 계단적으로 판단을 진행하는 결정나무(decision tree)법을 이용하였으며 Fig. 12와 같다(11). 결정나무법을 이용하여 정확한 결과를 얻기 위해서는 회전 주파수, 위험속도 위상변화 등의 많은 데이터가 있어야 하는데 위험속도, 위상변화 등을 산업현장에서 측정하기에는 어려움이 있으므로, 본 연구에서는 진동데이터와 고장진단에 유용한 회전 주파수를 이용하여 고장모드를 결정하였다.
- 여기서, IX는 1배수로 주축 회전 주파수와 같은 주파수 성분을 의미한다. 고장부품과 고장모드의 명칭은 원운동 정밀도 시험과 마찬가지로 고장모드 데이터베이스인 FMD-97을 참 고하였다.
- . 관련 부품과 고장모드 명칭은 본 연구에서 개발된 모든 프로그램들과 호환되도록 하기 위하여 고장 모드 데이터베이스인 FMD-97을 참고하였다.
- 8의 시험장비를 이용하여 원운동 시험을 실시하고 데이터 해석을 수행하였다. 원운동 정밀도 측정은 기준 바와 1차원 변위계(gap sensor) 방식을 사용하였다. 공작기계는 상용 수직형 머시닝센터를 이용하였다.
성능/효과
- 고장 이력 데이터 10개와 관측중단 데이터 3개를 이용하여 95% 유의수준에서 세 분포함수 모두 Kolmogorov- Smimov 적합도 검정에서 허용치 Dc = 0.322를 만족하지만 Table 3의 결과에서 알 수 있듯이 Table 2에 나타낸 고장데이터의 패턴을 가장 잘 묘사하는 분포함수로 와이블분포를 선택할 수 있으며 계산결과 평균고장시간은 128.7시간이다.
- 측정평면은 X-Y로 하였고 원호반경은 120mm, 이송 속도는 500mm/min으로 하였으며 시계방향(CW)과 반시계방 향(CCW)에 대해 측정하였다. 오차 측정 결과를 통해 분석된 진원도 오차는 시계방향 45.377㎛, 반시계방향 33.22㎛와 히스테리시스 오차 31.781㎛이다. 원운동 정밀도 시험 결과로 부터 각 오차의 성분을 분석하였으며 그 결과를 Table 4에 나타내었다.
- 14와 같다. 특징 주파수를 분석한 결과 Fig. 14의 FFT 결과 그래프에서처럼 추출된 다수의 5X 이상 고주파성분에 의하여 고장의 원인은 베어링 마모로 판별되었다. FFT 결과 IX 성분이 다소 큰 경향을 가지지만 본 연구에서 제시한 Fig.
후속연구
- 이러한 일련의 신뢰성 데이터 해석 작업과 데이터베이스화는 공작기계에서 뿐만 아니라 일반 기계류 신뢰성 설계와 평가 시에 중요한 정보를 제공해 주게 될 것으로 기대되며, 향후 데이터가 많이 축적되면 NPRD-95와 FMD-97과 같은 외국의 상용 데이터베이스와 견줄 수 있는 국내 기계부품에 대한 신뢰성 데이터베이스가 도출될 것으로 예상된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.