본 연구를 통하여 개발하고자 하는 진단시스템은 자동차 엔진 어셈블리라인에서 발생될 수 있는 특정 조립 불량유형을 검사하는 시스템이다. 대상으로 하는 불량 유형은 엔진 고장의 유형 중 커다란 충격성신호가 발생한 후, 보상적인 작은 충격파가 주기적으로 발생되는 형태이다. 이러한 불량유형을 기존의 시간영역분석 진단, 주파수분석, 통계적분석등에 의해 진단할 경우 한계점이 존재한다. 이에 웨이블릿 잡음 제거 전처리 방법, 피크검지 알고리즘, 불순도 최소값 선택 분할 방법을 이용한 새로운 유형의 이상진단 방법을 개발하는 연구를 진행하였다.
본 연구를 통하여 개발하고자 하는 진단시스템은 자동차 엔진 어셈블리라인에서 발생될 수 있는 특정 조립 불량유형을 검사하는 시스템이다. 대상으로 하는 불량 유형은 엔진 고장의 유형 중 커다란 충격성신호가 발생한 후, 보상적인 작은 충격파가 주기적으로 발생되는 형태이다. 이러한 불량유형을 기존의 시간영역분석 진단, 주파수분석, 통계적분석등에 의해 진단할 경우 한계점이 존재한다. 이에 웨이블릿 잡음 제거 전처리 방법, 피크검지 알고리즘, 불순도 최소값 선택 분할 방법을 이용한 새로운 유형의 이상진단 방법을 개발하는 연구를 진행하였다.
We develop a diagnostic system to monitor failures in an engine-assembly line. Existing techniques such as sensory analysis, time domain analysis, frequency analysis, and statistical analysis have limitations in the diagnosis of engine-assembly failure when there are abnormal vibration waveforms (cr...
We develop a diagnostic system to monitor failures in an engine-assembly line. Existing techniques such as sensory analysis, time domain analysis, frequency analysis, and statistical analysis have limitations in the diagnosis of engine-assembly failure when there are abnormal vibration waveforms (crashing and damping signals) during the assembly. We use a wavelet technique to deal with crashing and damping signals. We also implement a new technique for developing diagnostic rules from sensor data, and we demonstrate its validity.
We develop a diagnostic system to monitor failures in an engine-assembly line. Existing techniques such as sensory analysis, time domain analysis, frequency analysis, and statistical analysis have limitations in the diagnosis of engine-assembly failure when there are abnormal vibration waveforms (crashing and damping signals) during the assembly. We use a wavelet technique to deal with crashing and damping signals. We also implement a new technique for developing diagnostic rules from sensor data, and we demonstrate its validity.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
제안 방법
특히 ECG 진단에 유용하게 쓰였던 것으로 근저항으로 인한 노이즈를 제거해 스무스한 파형을 만들고 그것을 디텍팅에 활용함으로써 99퍼센트의 검지율을 보인 사례가 있다.(4) 이러한 연구에서 착안하여 해당 엔진의 진동신호를 멀티 스테이지 필터링을 이용해 5레벨로 나누고, 각각의 레벨별 노이즈를 제거한 후, 이를 다시 재 결합시켜, 피크의 정보는 그대로이나 단순한 형태의 파형을 만들어 분석을 할 수 있다.
지니지수(Gini index)와 엔트로피지수(Entropy index)가 그것이다. 기본적으로 이 두 가지의 지수는 혼잡도를 측정해준다는 의미에서 같은 의미의 기준값이라 할 수 있으며, 본 연구에서 사용된 방법은 계산이 간편한 지니지수를 이용하였다.
모든 측정조건은 동일하며, 불량유형은 엔진의 부품의 결함으로 인한 불량이 아닌 조립과정에서 조립의 실수로 발생되는 불량에 한정한다. 본 연구에서는 조립과정에서 일부러 만들어낸 불량유형을 콜드테스터에서 실험 측정하여 얻어진, 레이블링(labeling)이 되어 있는 데이터를 활용해 분석하고 이를 통해 고장진단 시스템을 구축하였다.
디젤 트럭용 엔진의 데이터를 이용했으며, 엔진의 상단 헤드부와 하단의 블록부에 2곳에 가속도 센서를 부착시켜 측정되었다. 측정시 엔진을 콜드테스터 상에서 맞물려 1000RPM으로 회전할 때의 진동을 측정하였다. Fig.
대상 데이터
엔진진동파형 데이터는 H자동차의 전주 공장생산라인에 설치된 콜드테스터에서 실험 측정된 데이터이다. 디젤 트럭용 엔진의 데이터를 이용했으며, 엔진의 상단 헤드부와 하단의 블록부에 2곳에 가속도 센서를 부착시켜 측정되었다. 측정시 엔진을 콜드테스터 상에서 맞물려 1000RPM으로 회전할 때의 진동을 측정하였다.
불량률이 매우 낮은 엔진의 특성에 따라 불량시료 데이터는 실험을 통해 얻어냈다. 모든 측정조건은 동일하며, 불량유형은 엔진의 부품의 결함으로 인한 불량이 아닌 조립과정에서 조립의 실수로 발생되는 불량에 한정한다.
엔진진동파형 데이터는 H자동차의 전주 공장생산라인에 설치된 콜드테스터에서 실험 측정된 데이터이다. 디젤 트럭용 엔진의 데이터를 이용했으며, 엔진의 상단 헤드부와 하단의 블록부에 2곳에 가속도 센서를 부착시켜 측정되었다.
웨이블릿 변환은 이미 영상이나 심전도, 파일압축 등에서 많이 쓰이고 있다. 특히 ECG 진단에 유용하게 쓰였던 것으로 근저항으로 인한 노이즈를 제거해 스무스한 파형을 만들고 그것을 디텍팅에 활용함으로써 99퍼센트의 검지율을 보인 사례가 있다.(4) 이러한 연구에서 착안하여 해당 엔진의 진동신호를 멀티 스테이지 필터링을 이용해 5레벨로 나누고, 각각의 레벨별 노이즈를 제거한 후, 이를 다시 재 결합시켜, 피크의 정보는 그대로이나 단순한 형태의 파형을 만들어 분석을 할 수 있다.
성능/효과
이 진단 법칙을 이용해 이상신호가 얼마나 많이 발생하는 지를 진단할 수 있다.그 결과 비정상엔진의 비정상 간격의 개수는 정상엔진에 비해 약 2배정도 많은 수치로 나타난다. 이를 표로 정리하면 Fig.
본 연구에서 개발된 진단 방법을 통해 시간영역 검사 또는 통계검사를 통해 검사해 낼 수 없는 엔진의 불량유형을 검사해 낼 수 있음이 검증되었다. 이 진단 모듈을 이용해 자동 진단시스템을 구축할 시, 진단 법칙을 이용해 피크의 이상유무를 판단하므로 실시간으로 처리가 가능해 시간적인 비용이 줄일 수 있으며, 명확한 가시화와 보다 좋은 정확성을 보장하여 엔진 생산 공장의 어셈블리라인에 도입된다면 좋은 결과를 보여줄 수 있을 것으로 기대된다.
후속연구
본 연구에서 개발된 진단 방법을 통해 시간영역 검사 또는 통계검사를 통해 검사해 낼 수 없는 엔진의 불량유형을 검사해 낼 수 있음이 검증되었다. 이 진단 모듈을 이용해 자동 진단시스템을 구축할 시, 진단 법칙을 이용해 피크의 이상유무를 판단하므로 실시간으로 처리가 가능해 시간적인 비용이 줄일 수 있으며, 명확한 가시화와 보다 좋은 정확성을 보장하여 엔진 생산 공장의 어셈블리라인에 도입된다면 좋은 결과를 보여줄 수 있을 것으로 기대된다.
향후 이 연구를 더 많은 정상 및 불량유형의 데이터를 이용해 학습시킨 후 적용한다면 더 좋은 결과를 낼 수 있으리라 기대하며, 디젤엔진의 데이터만을 이용해 진단 시스템을 개발한 것에 더 나아가 가솔린 및 기타 기체연료를 사용하는 엔진에 대한 연구도 진행되어야 할 것이다. 진단시스템 개발방법에 있어서도 진단 법칙과 동시에 고려될 수 있는 인공 신경망이나 계층적 분류방법, 퍼지로직, 베이지안 네트워크 등과 같은 인공지능적 데이터마이닝 및 진단 기법을 도입해 더 나은 검사결과를 도출해 낼 수 있는 방법론을 선택하는 것도 중요한 향후 연구가 될 것이다.
향후 이 연구를 더 많은 정상 및 불량유형의 데이터를 이용해 학습시킨 후 적용한다면 더 좋은 결과를 낼 수 있으리라 기대하며, 디젤엔진의 데이터만을 이용해 진단 시스템을 개발한 것에 더 나아가 가솔린 및 기타 기체연료를 사용하는 엔진에 대한 연구도 진행되어야 할 것이다. 진단시스템 개발방법에 있어서도 진단 법칙과 동시에 고려될 수 있는 인공 신경망이나 계층적 분류방법, 퍼지로직, 베이지안 네트워크 등과 같은 인공지능적 데이터마이닝 및 진단 기법을 도입해 더 나은 검사결과를 도출해 낼 수 있는 방법론을 선택하는 것도 중요한 향후 연구가 될 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
엔진의 진동 특성은?
주로 해당 주파수의 평균크기, RMS(Root Mean Square), 첨도, 파고율 등과 같은 기기 특성에 맞는 특별한 통계량을 계산하여 통계적 진단을 수행한다.(1) 그러나 엔진의 경우, 특성상 회전운동뿐만 아니라 내부 실린더의 상하 운동이 결합된 운동 형태를 가지고 있어 진동이 상하 또는 좌우로 규칙적인 형태를 띠지 못하고 진동들 간의 간섭으로 인해 감쇄 또는 증폭이 되는 복잡한 형태의 진동특성이 나타난다. 이러한 특성으로 인해 때때로 일반적으로 사용되는 통계적 진단 기법만으로는 불량의 검출이 힘든 상황이 존재한다.
푸리에변환을 이용한 주파수 분석의 한계점은?
푸리에변환을 이용한 주파수 분석에는 한계점이 존재하는 데, 이는 주파수영역으로 변환 시시간의 차원이 사라지게 된다는 점이다. 이러한 특징 때문에 엔진의 고장유형 중 불규칙한 이상음 들이 발생 및 상쇄를 반복하는 충격성 신호를 내포한 불량 유형의 경우는 검지해내지 못한다.
이상신호와 Peak를 검지해 낸 데이터를 통계적 변형 없이 이상 진단에 바로 사용하는 방법은 무엇이 있는가?
이상신호와 Peak를 검지해 낸 데이터를 통계적 변형 없이 이상 진단에 바로 사용하는 방법을 고려해 볼 필요가 있다. 이러한 방법 중 상한(Upper-limit)과 하한(Lower-limit)을 설정하는 진단법칙(Diagnostic Rule) 이용해 이상 피크 검지하는 방법이 있다. 이전에 밝힌 바와 같이 엔진 이상진단에서 가장 의미가 있다고 생각되는 변수는 n과 n-1 시점의 피크사이의 거리와 n과 n-1 시점의 피크 변화량이라고 할 수 있다.
참고문헌 (5)
Lebold, M., McClintic, K., Campbell, R., Byington, C. and Maynard, K. 2000, "Review of Vibration Analysis Methods for Gearbox Diagnostics and Prognostics," Proceedings of the 54th Meeting of the Society for Machinery Failure Prevention Technology, May 1-4, pp. 623-634.
Hammond, J. K. and White, P. R., 1996, "The Analysis of Non-Stationary Signals Using Time-Frequency Methods," Journal of Sound and vibration, Vol. 190, No. 3, pp. 419-447.
Sood, A. K., Friedlander, C. B. and Fahs, A. A., 1985, "Engine Fault Analysis: Part I-Statistical Methods," IEEE Trans. on Industrial Electronics, Vol. 32, No. 4 pp. 294-300.
Li, C., Zheng, C. and Tai, C., 1995, "Detection of ECG Characteristic Points Using Wavelet Transforms" IEEE Transactions On Biomedical Engineering, Vol. 42, No. 1, pp. 21-28.
Zhunge, Q., Lu, Y. and Yang, S., 1990, "Nonstationary Modelling of vibration Signals for Monitoring the Condition of Machinery," Mechanical Systems and Signal Processing, Vol. 4, No. 5 pp. 335-365.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.