차축 감속기와 차륜으로 구성된 고속철도차량 2차 구동장치는 일체형 조립체이지만, 상이한 기술사양으로 인하여 이들의 예방정비 주기는 서로 다르다. 특히, 이들은 완전분해 정비주기에 따라 매번 동시에 탈부착 작업을 수행한다. 따라서 불필요한 완전분해 정비를 감소하고 높은 열차 가용도를 유지하기 위해서는 신뢰성 중심 유지보수 관점에서 예방정비 비용의 최적화가 중요하다. 본 연구에서는 실제 정비이력으로부터 두 구성품들에 대한 결함나무 분석을 수행하고, 각 하부부품들의 치명도를 고려한 수정된 신뢰도를 각각 평가하였다. 두 구성품에 대한 예방 정비비용의 최적화는 기준 신뢰도 및 개선율을 고려한 유전자 알고리즘으로부터 구하였다. 비용의 최적화는 개체의 적합도 함수에 대한 최대값으로부터 얻는다. 유전자 알고리즘에 의한 최적의 완전분해 정비주기는 285만km로서, 기존 방법의 총비용과 비교하여 약 21% 감소하였다.
차축 감속기와 차륜으로 구성된 고속철도차량 2차 구동장치는 일체형 조립체이지만, 상이한 기술사양으로 인하여 이들의 예방정비 주기는 서로 다르다. 특히, 이들은 완전분해 정비주기에 따라 매번 동시에 탈부착 작업을 수행한다. 따라서 불필요한 완전분해 정비를 감소하고 높은 열차 가용도를 유지하기 위해서는 신뢰성 중심 유지보수 관점에서 예방정비 비용의 최적화가 중요하다. 본 연구에서는 실제 정비이력으로부터 두 구성품들에 대한 결함나무 분석을 수행하고, 각 하부부품들의 치명도를 고려한 수정된 신뢰도를 각각 평가하였다. 두 구성품에 대한 예방 정비비용의 최적화는 기준 신뢰도 및 개선율을 고려한 유전자 알고리즘으로부터 구하였다. 비용의 최적화는 개체의 적합도 함수에 대한 최대값으로부터 얻는다. 유전자 알고리즘에 의한 최적의 완전분해 정비주기는 285만km로서, 기존 방법의 총비용과 비교하여 약 21% 감소하였다.
Although the second driving device of KTX, which consists of the wheel and the axle reduction gears unit, is a mechanically integrated structure, its preventive maintenance (PM) requires two separate intervals due to the different technical requirements. In particular, these subsystems perform attac...
Although the second driving device of KTX, which consists of the wheel and the axle reduction gears unit, is a mechanically integrated structure, its preventive maintenance (PM) requires two separate intervals due to the different technical requirements. In particular, these subsystems perform attaching and detaching work simultaneously according to the maintenance directive. Therefore, to reduce the unnecessary amount of PM and high logistic availability of the train, it is important to optimize PM with regard to reliability-centered maintenance toward a cost-effective solution. In this study, fault tree analysis and reliability of the subsystems, considering the criticality of the components, were performed using the data derived from field data in maintenance. The cost optimization of the PM was derived from a genetic algorithm considering the target reliability and improvement factor. The cost optimization was derived from a maximum of the fitness function of the individual in generation. The optimal TBO of them using the genetic algorithm was 2.85x106 km, which is reduced to approximately 21% compared to the conventional method.
Although the second driving device of KTX, which consists of the wheel and the axle reduction gears unit, is a mechanically integrated structure, its preventive maintenance (PM) requires two separate intervals due to the different technical requirements. In particular, these subsystems perform attaching and detaching work simultaneously according to the maintenance directive. Therefore, to reduce the unnecessary amount of PM and high logistic availability of the train, it is important to optimize PM with regard to reliability-centered maintenance toward a cost-effective solution. In this study, fault tree analysis and reliability of the subsystems, considering the criticality of the components, were performed using the data derived from field data in maintenance. The cost optimization of the PM was derived from a genetic algorithm considering the target reliability and improvement factor. The cost optimization was derived from a maximum of the fitness function of the individual in generation. The optimal TBO of them using the genetic algorithm was 2.85x106 km, which is reduced to approximately 21% compared to the conventional method.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 연구에서는 고속철도차량 일체형 2차 구동장치의 각 하부부품에 대한 정비이력으로부터 치명도와 신뢰도를 평가하고, 불필요한 예방정비주기를 최소화 할 수 있는 최적 TBO주기를 평가하고자 한다.
본 연구에서는 KTX 일체형 2차 구동장치인 차륜과 차축감속기의 정비이력으로부터 신뢰도, 치명도 및 경제성을 고려하여 최적 TBO주기를 산출하였다. 이로부터 얻어진 결론은 다음과 같다.
가설 설정
일반 예방정비시에 신뢰도 개선율은 식 (1)과 같이 정비이력에 준하여 변화하지만, 완전분해정비의 경우는 제품의 원상태로서 신뢰도‘1’로 개선된다고 가정한다.
제안 방법
(1) 유형별 고장원인 분석 및 치명도 평가를 위하여 하부부품들에 대한 결함/고장 발생의 사상과 인과관계로부터 논리기호에 따른 나뭇가지 형태의 결함나무 분석을 수행하였다.
(3) 본 구성품에 대하여 부품별 결함나무분석과 이의 치명도를 할당하여 수정된 신뢰도를 평가하였다. 이로부터 최소 정비비용을 갖는 최적의 완전분해정비주기는 유전자알고리즘을 이용하여 285만km로 산출되었다.
한국형 고속열차(KTX)의 운행후 도입된 KTX-RCM(Reliability Centered Maintenance) 시스템은 약 12년 동안 편성별·주요 장치별 고장/장애/정비 이력관리 및 신뢰성 분석을 통하여 안정적·효율적인 보수품 수급관리체제의 구축에 기여하였다. 본 시스템은 프랑스에서 수입당시 제시된 자료를 바탕으로 각 구성품의 예방정비(preventive maintenance) 주기를 산정하였다. 그러나, 기존 예방정비주기는 국내 환경 및 운행 조건(역간거리, 궤도)의 차이[1,2]로 인하여 경제적인 물품관리와 가용도 향상에 적합하도록 최적 주기를 평가하는 것이 중요하다.
본 연구의 예방정비는 신뢰도 개선율에 따라 일반정비와 완전분해정비로 구분한다. 일반 예방정비시에 신뢰도 개선율은 식 (1)과 같이 정비이력에 준하여 변화하지만, 완전분해정비의 경우는 제품의 원상태로서 신뢰도‘1’로 개선된다고 가정한다.
그림에서 각 하부부품에 대한 결함/고장 발생의 사상(event)과 인과관계는 논리 기호(AND 또는 OR)를 사용하여 나뭇가지 형태로 구성 하였다. 이로부터 RAMS관점에서 예방정비비용을 산출하기 위하여 본 연구에서는 하부 부품들의 치명도 평점 (risk priority number, RPN )[10]과 보전후에 신뢰도 개선율 (improvement factor,yi)[9]을 함께 고려하였다.
이론/모형
7]은 총 예방정비비용을 최소화하는 유전자 알고리즘(Genetic algorithm)[12]의 흐름도를 나타낸 것이다. 본 구성품의 최적 TBO 주기산정은 이전연구[8,9]로부터 비교적 빠른 시간동안 최적 근사해에 효율적인 유전자 알고리즘을 이용하였다. 이 알고리즘에서 각 개체를 구성하는 유전자는 임의의 최소 예방정기주기이며, 각 세대별 유전자형은 ‘0～4’의 정수로 표현한다.
성능/효과
(2) 차륜과 차축감속기의 형상모수는 각각 1.2414 및 1.016로서, 두 구성품의 고장율 유형은 시간 의존적 열화모형인 고장율 증가형이므로 전형적인 예방정비형 구성품이다.
(3) 본 구성품에 대하여 부품별 결함나무분석과 이의 치명도를 할당하여 수정된 신뢰도를 평가하였다. 이로부터 최소 정비비용을 갖는 최적의 완전분해정비주기는 유전자알고리즘을 이용하여 285만km로 산출되었다. 이로부터 차량 내구수명까지 최적 주기에 의한 총 예방정비 비용(약 453억원)은 기존(약 584억원)보다 약 21%까지 감소한다.
후속연구
따라서 국내 고속차량의 높은 경제성·신뢰도·안전성·정비도를 유지하기 위해서는 본 구동장치에 대한 최적의 예방정비 주기 평가가 필요하다.
이로부터 차량 내구수명까지 최적 주기에 의한 총 예방정비 비용(약 453억원)은 기존(약 584억원)보다 약 21%까지 감소한다. 이 기법은 향후 다른 철도차량에서 상이한 TBO를 갖는 일체형 구성품들에서도 최적 교체주기 산정에 적용할 수 있다고 사료된다.
질의응답
핵심어
질문
논문에서 추출한 답변
KTX의 2차 구동장치는 어떤 일체형 조립체인가?
한편, KTX의 2차 구동장치는 [Fig. 1]과 같이 1차 구동장치(견인전동기와 모터감속기)의 출력을 차축감속장치(axle reduction unit, ARU)의 기어비에 의해 적정 회전수로 감속하여 차륜에 토크를 전달하는 일체형 조립체이다. 차륜과 ARU의 예방정비(preventive maintenance) 는 [Fig.
KTX-RCM은 무엇에 기여하였는가?
한국형 고속열차(KTX)의 운행후 도입된 KTX-RCM (Reliability Centered Maintenance) 시스템은 약 12년 동안 편성별․주요 장치별 고장/장애/정비 이력관리 및 신뢰성 분석을 통하여 안정적․효율적인 보수품 수급관리체제의 구축에 기여하였다. 본 시스템은 프랑스에서 수입당시 제시된 자료를 바탕으로 각 구성품의 예방정비 (preventive maintenance) 주기를 산정하였다.
최적 TBO주기를 산출하여 얻은 결론은 무엇인가?
(1) 유형별 고장원인 분석 및 치명도 평가를 위하여 하부부품들에 대한 결함/고장 발생의 사상과 인과관계로 부터 논리기호에 따른 나뭇가지 형태의 결함나무 분석을 수행하였다.
(2) 차륜과 차축감속기의 형상모수는 각각 1.2414 및 1.016로서, 두 구성품의 고장율 유형은 시간 의존적 열화모형인 고장율 증가형이므로 전형적인 예방정비형 구성품이다.
(3) 본 구성품에 대하여 부품별 결함나무분석과 이의 치명도를 할당하여 수정된 신뢰도를 평가하였다. 이로부터 최소 정비비용을 갖는 최적의 완전분해정비주기는 유전자알고리즘을 이용하여 285만km로 산출되었다. 이로부터 차량 내구수명까지 최적 주기에 의한 총 예방정비 비용(약 453억원)은 기존(약 584억원)보다 약 21%까지 감소한다. 이 기법은 향후 다른 철도차량에서 상이한 TBO를 갖는 일체형 구성품들에서도 최적 교체주기 산정에 적용할 수 있다고 사료된다.
참고문헌 (12)
S. H. Ahn, K. W. Chung, S. H. Jang and C. S. Kim, "Durability Evaluation of the Korean Gauge-Adjustable Wheelset System", Journal of the Korea Academia-Industrial Cooperation Society, Vol.13, No.12, pp.5669-5675, 2012. DOI: http://dx.doi.org/10.5762/KAIS.2012.13.12.5669
C. S. Kim and G. H. Kang, "Fatigue Analysis of Reduction Gears Unit in Rolling Stock Considering Operating Characteristics", Journal of the Korea Academia-Industrial Cooperation Society, Vol.12, No.3, pp.1085-1090, 2011. DOI: http://dx.doi.org/10.5762/KAIS.2011.12.3.1085
G. H. Kang, "Maintenance of High Speed Rail Vehicles: Theory and Practice", Samsung Publishing, 2009.
Ministry of Land, Infrastructure and Transport of Korean government, "Railroad Core Component/Device Technology Deveolpment Phase 2", Report-15RTRPB084184, 2014.
J. W. Kim, J. S. Park, H. Y. Lee and J. H. Kim, "A Conceptual Procedure of RAMS Centered Maintenance for Railway Systems" J. of the Korean Society for Railway, Vol.11, No.1, pp.19-25, 2008.
J. H. Kim, H. K Jeon, J. S Park and H. Y. Jeong, "A Study on the Life Cycle Cost Calculation of the Railroad Vehicle Based on the Maintenance Information", J. of the Korean Society for Railway, Vol.12, No.1, pp.88-94, 2009.
C. M. Jeong, K. J. Park, J. G. Lee, D. J. Shin and A. Y. Song, "A Study on Optimization of Preventive Maintenance for Urban Transit Vehicle using Genetic Algorithm", KSAE spring Conference, pp.2407-2410, 2011.
M. Marseguerra and E. Zio, "Optimizing Maintenance and Repair Policies via a Combination of Genetic Algorithms and Monte Carlo Simulation", Reliability Engineering and System Safety No.68, pp.69-83, 2000. DOI: http://dx.doi.org/10.1016/S0951-8320(00)00007-7
Y. T. Tsai, K.S. Wang and H.Y. Teng, "Optimizing Preventive Maintenance for Mechanical Components Using Genetic Algorithms", Reliability Engineering and System Safety, No.74, pp.89-97, 2001. DOI: http://dx.doi.org/10.1016/S0951-8320(01)00065-5
E. G. Shopova and N.G. Vaklieva-Bancheva, "BASIC-A Genetic Algorithm for Engineering Problems Solution", Computers and Chemical Engineering, Vol. 30, No. 8, pp. 1293-1309, 2006. DOI: http://dx.doi.org/10.1016/j.compchemeng.2006.03.003
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.