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 논문에서는 프레스공정라인에서 발생하는 유도전동기의 고장을 사전에 감지하고 알아내기 위해 기존의 전문가에 의한 점검방식을 자동화된 고장진단방법으로 전환하여 장비관리의 효율성 및 안정성을 증대시킬 수 있는 고장진단기법을 제안하였다. 또한 제안한 방법에서는 윤활유의 레벨 상태도 정확하게 진단할 수 있는 윤활유 레벨 자동감시 기능을 추가하였다.
- 본 논문에서는 프레스공정라인에서 발생하는 유도전동기의 고장을 사전에 감지하고 알아내기 위해 기존의 전문가에 의한 점검방식을 자동화된 고장진단방법으로 전환하여 장비관리의 효율성 및 안정성을 증대시킬 수 있는 고장진단기법을 제안한다. 또한 제안한 방법에서는 윤활유의 레벨 상태도 정확하게 진단할 수 있는 자동감시 기능을 추가하였다.
제안 방법
- 본 논문에서는 유도전동기의 고장진단을 위해서 진동센서로부터 측정되는 데이터를 FFT변환을 하며, 변환된 데이터를 100Hz 단위로 구분하고 구분된 단위 중 가장 큰 값을 선택하여 0Hz에서 5kHz까지 총50개의 데이타를 추출한다. 50개의 데이타 중에서 고장진단을 위해 필요한 특정 주파수대를 설정하여 ART2 신경회로망의 입력으로 사용할 데이 타를 선택하며, 이 데이타들을 ART2 신경회로망 고장분류기의 입력으로 사용하여 유도전동기에서 발생된 고장의 종류를 분류한다. 제안한 방법과 같이 100Hz 단위로 가장 큰 값을 선택하고 윈도우를 사용하여 특정주파수대역의 데이 타만 최종 분류에 사용하면 불필요한 데이타를 이용하지 않을 수 있을 뿐만 아니라 ART2 신경회로망의 입력수를 줄일 수 있으므로 고장분류 성능 향상에 도움을 줄 수 있다.
- ART2 신경회로망 고장분류기의 입력은 유도 전동기에서 측정되어 FFT 주파수 변환된 16개의 진동신호 데이타를 사용하고, 고장분류기의 경계인수 ε=[0.03, 0.01, 0.01, 0.01, 0.01, 0.01, 0.05, 0.001, 0.01, 0.001, 0.02, 0.01, 0.01, 0.01, 0.01, 0.01]로 설정하였다.
- 또한, NI9234를 사용하여 진동데이터 수집하였으며 진동신호를 얻기 위해 진동 센서를 사용하였다. 고장진단성능실험을 위해 정상 상태, 회전자고장 및 베어링고장을 유발 시킨 각 유도전동기에 대해 샘플링시간 0.1 ms로 10초 동안의 실제데이타를 얻어 실험을 수행하였다. ART2 신경회로망 고장분류기의 입력은 유도 전동기에서 측정되어 FFT 주파수 변환된 16개의 진동신호 데이타를 사용하고, 고장분류기의 경계인수 ε=[0.
- 본 논문에서는 프레스공정라인에서 발생하는 유도전동기의 고장을 사전에 감지하고 알아내기 위해 기존의 전문가에 의한 점검방식을 자동화된 고장진단방법으로 전환하여 장비관리의 효율성 및 안정성을 증대시킬 수 있는 고장진단기법을 제안하였다. 또한 제안한 방법에서는 윤활유의 레벨 상태도 정확하게 진단할 수 있는 윤활유 레벨 자동감시 기능을 추가하였다. 제안한 방법에서는 FFT(fast fourier transform) 주파수해석기법과 ART2 신경회로망을 사용하여 고장진단을 수행하였으며, 특정 주파수대역을 선택하여 모니터링하므로써 ART2 신경회로망의 입력수를 줄이고 고장분류성능도 향상시키도록 하였다.
- 본 논문에서는 프레스공정라인에서 발생하는 유도전동기의 고장을 사전에 감지하고 알아내기 위해 기존의 전문가에 의한 점검방식을 자동화된 고장진단방법으로 전환하여 장비관리의 효율성 및 안정성을 증대시킬 수 있는 고장진단기법을 제안한다. 또한 제안한 방법에서는 윤활유의 레벨 상태도 정확하게 진단할 수 있는 자동감시 기능을 추가하였다. 제안한 방법에서는 프레스공정라인에서 발생하는 유도 전동기의 고장진단을 위해 진동센서를 이용하여 진동신호를 획득한 뒤 이를 FFT(fast fourier transform) 주파수해석기법과 ART2 신경회로망을 사용하여 고장진단을 수행하였다.
- 사용한 3상 유도전동기는 2kw(3HP), 220V/380V, 60Hz, 1730rpm이다. 또한, NI9234를 사용하여 진동데이터 수집하였으며 진동신호를 얻기 위해 진동 센서를 사용하였다. 고장진단성능실험을 위해 정상 상태, 회전자고장 및 베어링고장을 유발 시킨 각 유도전동기에 대해 샘플링시간 0.
- 먼저 유도전동기의 고장진단을 위해서 진동센서로부터 측정되는 데이타를 FFT변환하며, 변환된 데이터를 100Hz 단위별로 가장 큰 값을 선택하여 0Hz에서 5kHz까지 총50개의 데이타를 추출한다. “측정주파수 지정” 부분에서 모니터링이 필요한 특정 주파수대를 설정하여 ART2 신경회로망의 입력으로 사용할 데이터를 다시 선택하며, 선택된 값이 ART2신경회로망 고장분류기로 입력되어 고장유무 및 고장종류가 판별된다.
- 본 논문에서는 유도전동기의 고장진단을 위해서 진동센서로부터 측정되는 데이터를 FFT변환을 하며, 변환된 데이터를 100Hz 단위로 구분하고 구분된 단위 중 가장 큰 값을 선택하여 0Hz에서 5kHz까지 총50개의 데이타를 추출한다. 50개의 데이타 중에서 고장진단을 위해 필요한 특정 주파수대를 설정하여 ART2 신경회로망의 입력으로 사용할 데이 타를 선택하며, 이 데이타들을 ART2 신경회로망 고장분류기의 입력으로 사용하여 유도전동기에서 발생된 고장의 종류를 분류한다.
- 본 연구에서는 프레스공정에서의 고장진단 및 윤활유레벨 자동감시를 위해 그림 7과 같이 LabVIEW를 사용하여 GUI(Graphical User Interface) 프로그램을 제작하였다. 제작한 GUI 프로그램은 프레스공정의 유도전동기 고장진단결과를 표시하기 위한 고장모니터링부와 윤활유 레벨의 상태를 표시하기 위한 유량상태부, 현재 진동신호의 FFT 주파수변환결과를 표시하기 위한 센서표시부, 각종 파라미터 설 정부로 구성이 되었다.
- 그러므로 ART2 신경회로망을 고장분류기로 사용한다면 예상하지 않은 새로운고장이 발생했을 때 이를 효과적으로 분류할 수 있다. 본 절에서는 하나의 경계인수를 사용하는 기존의 ART2 신경회로망[14]의 단점을 보완한 여러 경계인수를 갖는 ART2 신경회로망[6]을 센서의 고장분류를 위한 고장분류기로 사용한다. 여러 경계인수를 갖는 ART2 신경회로망의 구조는 기존의 ART2 신경회로망과 같으나, 기존의 ART2 신경회로망에서 패턴을 분류할 때 하나의 경계인수를 사용함으로써 고장에 대한 각 시스템 파라미터의 민감도 차이를 고려하기 어려운 문제점을 보완하기 위해 새로운 거리측정 및 경계인수 조건을 사용한다.
- 제안한 방법에서는 프레스공정라인에서 발생하는 유도 전동기의 고장진단을 위해 진동센서를 이용하여 진동신호를 획득한 뒤 이를 FFT(fast fourier transform) 주파수해석기법과 ART2 신경회로망을 사용하여 고장진단을 수행하였다. 실제 프레스공정에서는 프레스에서의 작업로드도 다양하고 미처 다루지 않았던 고장의 유형도 발생할 수 있으므로 예기치 않은 새로운고장도 분류가능한 ART2 신경회로망을 고장분류기로 이용하였다. 제안한 방법의 성능을 검증을 위해 실제 시뮬레이터를 제작하여 고장진단실험을 수행하였으며, 최종적으로 자동차 차체 및 부품을 생산하는 업체인 (주)우신산업에서 현재 운용중인 프레스공정에 적용하여 성능을 확인하였다.
- 제안한 고장진단 및 윤활유 레벨 자동검사 시스템에서 윤활유 레벨은 레벨센서를 이용하여 레벨을 측정하여 RS232C 통신선을 통해 직접 컴퓨터로 전송하고 이를 정상적인 레벨과 비교를 통해 이상 유무를 자동검사한다. 반면 프레스공정의 유도전동기 고장진단시스템의 상세한 구조는 그림 2와 같이 전동기에서 진동신호를 감지하는 진동센서 부, 진동센서에서 감지된 진동신호를 디지털 데이터화하여 저장하는 데이터 수집부, 상기 데이터 수집부에 저장된 진동신호 데이터에 대해 FFT(fast fourier transform)를 사용하여 주파수 영역으로 변환시키는 주파수 해석부, 주파수 해석부를 통해 변환된 진동신호 데이터를 입력 패턴으로 하여 유도전동기에서 발생된 고장의 종류를 분류하는 여러 경계인수를 갖는 ART2 신경회로망을 이용한 고장분류부로 구성되어 있다.
- 특히, LabVIEW를 이용하여 고장진단 및 윤활유레벨 자동감지를 위한 GUI(Graphical User Interface) 프로그램을 제작하여 적용하였다. 제안한 고장진단방법의 성능을 검증을 위해 실제 시뮬레이터를 제작하여 고장진단실험을 수행하였으며, 최종적으로 자동차 차체 및 부품 생상업체인 (주)우신산업에서 실제 운용중인 자동차 차체 생산을 위한 프레스공정에 적용하였다. 실험결과들로부터 제안한 유도전동기 고장진단 및 윤활유레벨 자동감지 시스템이 유도전동기의 고장상태 및 윤활유 레벨 상태를 정확하게 진단함을 알 수 있었다.
- 또한 제안한 방법에서는 윤활유의 레벨 상태도 정확하게 진단할 수 있는 윤활유 레벨 자동감시 기능을 추가하였다. 제안한 방법에서는 FFT(fast fourier transform) 주파수해석기법과 ART2 신경회로망을 사용하여 고장진단을 수행하였으며, 특정 주파수대역을 선택하여 모니터링하므로써 ART2 신경회로망의 입력수를 줄이고 고장분류성능도 향상시키도록 하였다. 특히, LabVIEW를 이용하여 고장진단 및 윤활유레벨 자동감지를 위한 GUI(Graphical User Interface) 프로그램을 제작하여 적용하였다.
- 또한 제안한 방법에서는 윤활유의 레벨 상태도 정확하게 진단할 수 있는 자동감시 기능을 추가하였다. 제안한 방법에서는 프레스공정라인에서 발생하는 유도 전동기의 고장진단을 위해 진동센서를 이용하여 진동신호를 획득한 뒤 이를 FFT(fast fourier transform) 주파수해석기법과 ART2 신경회로망을 사용하여 고장진단을 수행하였다. 실제 프레스공정에서는 프레스에서의 작업로드도 다양하고 미처 다루지 않았던 고장의 유형도 발생할 수 있으므로 예기치 않은 새로운고장도 분류가능한 ART2 신경회로망을 고장분류기로 이용하였다.
- 실제 프레스공정에서는 프레스에서의 작업로드도 다양하고 미처 다루지 않았던 고장의 유형도 발생할 수 있으므로 예기치 않은 새로운고장도 분류가능한 ART2 신경회로망을 고장분류기로 이용하였다. 제안한 방법의 성능을 검증을 위해 실제 시뮬레이터를 제작하여 고장진단실험을 수행하였으며, 최종적으로 자동차 차체 및 부품을 생산하는 업체인 (주)우신산업에서 현재 운용중인 프레스공정에 적용하여 성능을 확인하였다. 특히, LabVIEW를 이용하여 고장 진단 및 윤활유레벨 자동감시를 위한 GUI(Graphical User Interface) 프로그램을 제작하여 적용하였다.
- 본 연구에서는 프레스공정에서의 고장진단 및 윤활유레벨 자동감시를 위해 그림 7과 같이 LabVIEW를 사용하여 GUI(Graphical User Interface) 프로그램을 제작하였다. 제작한 GUI 프로그램은 프레스공정의 유도전동기 고장진단결과를 표시하기 위한 고장모니터링부와 윤활유 레벨의 상태를 표시하기 위한 유량상태부, 현재 진동신호의 FFT 주파수변환결과를 표시하기 위한 센서표시부, 각종 파라미터 설 정부로 구성이 되었다.
- 그림 9(a), (b) 및 (c)는 각 각 정상상태의 전동기, 회전자고장을 유발시킨 전동기 및 베어링고장을 유발시킨 전동기에 대한 고장진단실험 결과이다. 즉, 유도전동기로부터 진동 센서를 이용하여 획득한데이타를 그림 8과 같이 FFT변환한 뒤, 변환된 데이터를 100Hz 단위로 구분하고 구분된 단위 중 가장 큰 값을 선택하여 200Hz에서 600Hz, 1.5kHz에서 2.5kHz까지 총16개의 데이타를 추출하였으며, 이 데이타들을 ART2 신경회로망의 입력으로 사용하여 고장을 분류하였다. 각 실험에 대한 고장진단결과는 GUI 프로그램에서 진동상태 부분에 표시되는 표시등으로부터 알 수 있다.
- 제안한 방법의 성능을 검증을 위해 실제 시뮬레이터를 제작하여 고장진단실험을 수행하였으며, 최종적으로 자동차 차체 및 부품을 생산하는 업체인 (주)우신산업에서 현재 운용중인 프레스공정에 적용하여 성능을 확인하였다. 특히, LabVIEW를 이용하여 고장 진단 및 윤활유레벨 자동감시를 위한 GUI(Graphical User Interface) 프로그램을 제작하여 적용하였다.
- 제안한 방법에서는 FFT(fast fourier transform) 주파수해석기법과 ART2 신경회로망을 사용하여 고장진단을 수행하였으며, 특정 주파수대역을 선택하여 모니터링하므로써 ART2 신경회로망의 입력수를 줄이고 고장분류성능도 향상시키도록 하였다. 특히, LabVIEW를 이용하여 고장진단 및 윤활유레벨 자동감지를 위한 GUI(Graphical User Interface) 프로그램을 제작하여 적용하였다. 제안한 고장진단방법의 성능을 검증을 위해 실제 시뮬레이터를 제작하여 고장진단실험을 수행하였으며, 최종적으로 자동차 차체 및 부품 생상업체인 (주)우신산업에서 실제 운용중인 자동차 차체 생산을 위한 프레스공정에 적용하였다.
대상 데이터
- 유도 전동기의 고장진단 실험을 위해 그림 3과 같이 정상상태, 회전자 고장, 베어링 고장을 유발시킨 3개의 3상 유도전동기로서 시뮬레이터를 구성하였다. 또한, 진동데이터 수집부는 내셔널인스트루먼트의 NI9234를 사용하고, 유도 전동기의 진동신호와 윤활유의 레벨을 측정하기 위해 각각 진동센서와 초음파센서를 사용하였다.
- 제안한 프레스공정에서의 유도 전동기 고장진단시스템의 성능실험을 위해 그림 2와 같이 정상상태, 회전자고장 및 베어링고장을 인위적으로 발생시킨 3개의 3상 유도전동기로서 시뮬레이터를 구성하였다. 사용한 3상 유도전동기는 2kw(3HP), 220V/380V, 60Hz, 1730rpm이다. 또한, NI9234를 사용하여 진동데이터 수집하였으며 진동신호를 얻기 위해 진동 센서를 사용하였다.
- 유도 전동기의 고장진단 실험을 위해 그림 3과 같이 정상상태, 회전자 고장, 베어링 고장을 유발시킨 3개의 3상 유도전동기로서 시뮬레이터를 구성하였다. 또한, 진동데이터 수집부는 내셔널인스트루먼트의 NI9234를 사용하고, 유도 전동기의 진동신호와 윤활유의 레벨을 측정하기 위해 각각 진동센서와 초음파센서를 사용하였다.
- 제안한 프레스공정에서의 유도 전동기 고장진단시스템의 성능실험을 위해 그림 2와 같이 정상상태, 회전자고장 및 베어링고장을 인위적으로 발생시킨 3개의 3상 유도전동기로서 시뮬레이터를 구성하였다. 사용한 3상 유도전동기는 2kw(3HP), 220V/380V, 60Hz, 1730rpm이다.
성능/효과
- 각 실험에 대한 고장진단결과는 GUI 프로그램에서 진동상태 부분에 표시되는 표시등으로부터 알 수 있다. 실험 결과들로부터 개발한 고장진단 시스템이 유도전동기의 고장상태를 정확히 진단함을 알 수 있다. 즉, ART2 신경회 로망에는 자동으로 3개의 고장클래스(클래스 #1(정상상태), 클래스 #2(회전자고장), 클래스 #3(베어링고장))가 생성되었음을 알 수 있다.
- 제안한 고장진단방법의 성능을 검증을 위해 실제 시뮬레이터를 제작하여 고장진단실험을 수행하였으며, 최종적으로 자동차 차체 및 부품 생상업체인 (주)우신산업에서 실제 운용중인 자동차 차체 생산을 위한 프레스공정에 적용하였다. 실험결과들로부터 제안한 유도전동기 고장진단 및 윤활유레벨 자동감지 시스템이 유도전동기의 고장상태 및 윤활유 레벨 상태를 정확하게 진단함을 알 수 있었다.
- 50개의 데이타 중에서 고장진단을 위해 필요한 특정 주파수대를 설정하여 ART2 신경회로망의 입력으로 사용할 데이 타를 선택하며, 이 데이타들을 ART2 신경회로망 고장분류기의 입력으로 사용하여 유도전동기에서 발생된 고장의 종류를 분류한다. 제안한 방법과 같이 100Hz 단위로 가장 큰 값을 선택하고 윈도우를 사용하여 특정주파수대역의 데이 타만 최종 분류에 사용하면 불필요한 데이타를 이용하지 않을 수 있을 뿐만 아니라 ART2 신경회로망의 입력수를 줄일 수 있으므로 고장분류 성능 향상에 도움을 줄 수 있다.
후속연구
- 본 연구에서 개발한 진단시스템을 실제 프레스 공정 시스템에 적용하여 운용한다면 시스템의 신뢰성 향상에 크게 기여할 것으로 기대한다. 향후 본 연구에서 개발한 고장진단시스템의 현장테스터를 충분히 거친 뒤 (주)우신산업의 전체 프레스 라인에 확장 구축할 계획이다.
- 본 연구에서 개발한 진단시스템을 실제 프레스 공정 시스템에 적용하여 운용한다면 시스템의 신뢰성 향상에 크게 기여할 것으로 기대한다. 향후 본 연구에서 개발한 고장진단시스템의 현장테스터를 충분히 거친 뒤 (주)우신산업의 전체 프레스 라인에 확장 구축할 계획이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.