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 방법의 정확도는 열화모델의 우수성, 측정된 데이터의 오차/바이어스에 의해 좌우되며, 이러한 영향을 평가하기 위해 (a) 베이지안 가설검정기법을 활용한 모델적합도 평가 (b) 측정데이터의 오차/바이어스가 존재할 경우 효과적으로 모델 파라메터를 추정하는 방법 (c) 베이지안 통계에 기반한 잔존수명의 확률적 예측등이 주요 핵심 연구주제이다. 물리 기반 예측방법에는 여러가지 추정 알고리즘이 소개되어 있으나 본 연구에서는 대표적으로 두가지 - Particle filter 및 Bayesian 방법을 소개한다.
- 본 논문에서는 가혹환경에서 운용되는 고안전성 시스템의 재해적 사고예방을 위해 실시간으로 건전성(health)을 평가하고 이로부터 미래의 고장시점을 예측하는 기술을 소개한다. 주요 대상은 고장 발생시 대형 인명손실로 이어지거나 수리비용이 높은 것으로, 항공기 또는 원전배관의 균열, 헬리콥터/풍력발전기의 기어 장치, 무인기/전기차의 배터리 등이 있으며, 이들은 극한의 하중을 받으면서 결함이 성장하거나 성능이 열화되며, 어느 순간 급격히 고장수준에 도달하게 된다.
- 최근 이러한 문제를 해결하고자 시스템의 핵심 고장모드를 대상으로 운용 중 고장을 예측하는 기술을 개발하고, 이를 통해 필요한 경우에만 정비를 하는 건전성예측 및 관리(Prognostics and Health Management, PHM) 기술이 활발히 연구되고 있다[1]. 본 논문에서는 이러한 PHM의 핵심기술과 함께 본 저자가 진행하고 있는 세가지 연구사례를 소개한다. 첫째는 항공기 또는 원전배관에 존재하는 기계/열 피로균열, 둘째는 헬리콥터나 풍력발전기의 기어박스에 발생하는 스폴결함, 세째는 전기자동차 배터리의 충방전에 의한 용량열화이다.
- 본 연구에서는 가혹환경에서 운용되는 고안전성 시스템의 사고예방을 위해 실시간으로 안전도를 평가하고 고장을 예측하는 건전성 예측 및 관리(PHM) 기술을 소개하였다. 이를 위한 핵심기술로서 물리기반 및 데이터기반 방법, 이들을 융합적으로 활용하는 방법, 다양한 불확실성을 고려하기 위한 베이지안 방법론 등을 소개하였다.
- 여기에는 C,m을 포함하여 여러가지 물성파라메터들이 사용되고 있는데, 이들은 동일 균열 및 하중조건이라 해도 여러 불확실성으로 인해 실제 운용 항공기에서는 균열이 다르게 성장하기 때문에 문헌치를 활용하는 것은 매우 위험하다. 본 연구에서는 균열성장모델의 파라메터를 문헌값을 이용하는 대신 측정된 균열 데이터를 이용하여 실시간 추정하고 이를 바탕으로 미래 균열성장을 예측하는 기법을 개발하고 있다[6]. 이를 위해 항공기 동체 균열을 모사한 시편을 제작하고, 기 보유한 재료시험기 및 비파괴 균열측정 장치를 이용(Fig.
- 이들의 핵심고장모드는 스폴결함으로서 어느 정도 이상의 크기가 되면 기어박스 전체의 파손을 유발하므로 높은 수준의 관리가 필요하나 잦은 점검은 위치적, 시간적으로 쉽지 않을 뿐 아니라 높은 비용이 수반된다. 본 연구에서는 이러한 점에 착안하여 스폴결함을 실시간 측정하고 이들의 성장을 모니터링하면서 고장발생 시점을 예측하는 기술을 개발하기 위해 소형 스퍼기어 시험장치를 구축(Fig. 13)하였다. 이 장치의 기어 및 베어링에 스폴결함을 다양한 크기로 제작한 후 센서를 이용하여 결함 관련 특성을 측정하고 있다.
- 일반적으로 베어링은 물리 해석 모델이 너무 복잡하여 기어스폴과 달리 물리모델 대신 순수하게 데이터 만 이용하여 고장을 예측한다. 본 연구에서는 이를 위해 FFT 및 엔트로피에 기반한 새로운 건전성지수(HI)를 개발하고 있다. 이를 기존에 연구된 베어링 문제에 적용한 사례를 그림 12에 보였다.
- 결함 데이터가 단일값이 아닌 분포로 제공될 경우, 이들의 미래거동에 대한 예측 또한 분포로 제시되어야 한다. 본 연구에서는 이를 해결하기 위해 불확실성을 고려한 NN 기반 고장예측 연구를 수행하고 있으며, 이를 위해 Johnson 분포를 이용하는 새로운 방법을 제시하였다 [3]. 이는 결함분포를 Johnson 분포로 모델링하고, 이를 대표하는 4곳의 변위치(quantiles)를 대상으로 각각 NN을 적용하여 예측을 한 후 이를 다시 Johnson 분포로 제시하는 것이다.
- 이 방법은 물리적 열화거동을 모르기 때문에 근접한 미래싯점, 특히 고장발생이 임박한 싯점에서의 거동예측에 더 유효하다. 본 연구에서는 이와 관련하여 신경망(neural-network, NN) 방법과 가우스 프로세스(Gaussian process, GP) 방법을 소개한다.
- 특히 용량 감소는 배터리의 충전 상태를 예측하는 수치 모델에 오차를 유발하고, 이는 잔존 주행거리 예측 등 배터리의 BMS 기능에 대한 신뢰성에 문제를 발생시킨다. 본 연구에서는 이와 관련한 배터리의 건전성(State of Health:SOH)과 잔존수명(State of Life, SOL)을 실시간 평가하기 위해 배터리 실험장치(Fig. 16)를 구축하였다. 여기에 소용량 배터리를 투입하여 다양한 온도 및 충방전 조건에서 배터리 용량저하를 유도하고, 일정 사이클 마다 충전 전압, 전류 곡선을 측정하고 있다.
- 본 저자는 PHM 기술의 성공적 개발을 위해 고안전성 시스템에서 다루는 대표적 고장모드 세가지 즉, 항공기 동체 피로균열, 기어박스 스폴결함, 배터리 용량 저하 문제에 대해 고장예측기술의 실증을 위한 랩 스케일의 시험장치를 운영하고, 예측고장을 실측고장과 비교하여 효용성을 입증하는 연구를 진행하고 있다. 이때 가동 중인 상태에서의 결함은 직접 측정하는 것이 어려우므로 센서로부터 데이터를 획득하고, 이로부터 결함을 나타내는 건전성 지수(health index, HI)를 추출하는 것이 중요하다.
- 첫째는 항공기 또는 원전배관에 존재하는 기계/열 피로균열, 둘째는 헬리콥터나 풍력발전기의 기어박스에 발생하는 스폴결함, 세째는 전기자동차 배터리의 충방전에 의한 용량열화이다. 이들에 대해 어떻게 운용 중 건전성 데이터를 확보하고, 예측모델을 이용하여 고장을 예측하며, 실제 발생한 고장과 비교하여 결과를 검증하는 지를 설명함으로써, PHM 기술을 처음 접하는 이들의 이해를 돕고 응용분야를 넓히는 데 도움이 되고자 한다.
- 따라서 개발되는 여러 알고리즘을 선택적으로 사용해야 한다. 이를 위해 본 저자는 균열 성장 문제를 대상으로 가상의 synthetic data를 생성하고, 이로부터 고장예측을 위한 가이드라인을 제시한 바 있다. (Fig.
- 첫째는 예비연구로서 확대렌즈를 이용한 육안측정이며 이는 측정센서의 불확실성을 배제한 조건에서 고장예측을 얼마나 정확히 할 수 있는지 파악하기 위한 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.