최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기기계저널 : 大韓機械學會誌, v.56 no.11, 2016년, pp.46 - 49
안다운 (한국생산기술연구원 대경지역본부) , 최주호 (한국항공대학교 항공우주 및 기계공학부)
이 글에서는 최근 3년간(2013-2015) PHM society 학회에서 발표된 논문에 기반하여 분석된 고장예지기술의 연구 동향 및 도전과제에 대해 소개하고자 한다.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
2013년에서 2015년까지 3년간 PHM society conference 에서 발표된 논문 중에 고장예지에 관한 논문을 응용분야로 구별한 종류와 그 갯수는 어떠한가? | 2013년에서 2015년까지 3년간 PHM society conference 에서 발표된 201편 중에 고장예지에 관한 논문을 분석한 결과, 데이터 기반이 23편, 모델기반이 33편으로 확인되었다. 이를 다시 응용분야로 구별하면 알고리즘 10건, 배터리 열화 14건, 밸브 및 actuator 8건, 베어링, 기어 및 균열 8건, 전기전자 4건, 기타로 확인되었다. 본 글에서는 이 중에서 앞서 언급한 세 가지(데이터, 모델, 알고리즘) 요인에 대해 연구한 논문들을 중심으로, 고장예지 연구 동향 및 도전과제에 대해 논의해 보도록 한다. | |
고장예지란 무엇인가? | 고장예지 혹은 건전성 예측(prognostics)은 시스템의 열화 상태 및 잔존유효수명(remaining useful life, RUL)을 예측하는 것으로, 상태기반정비를 위한 PHM 기술에서 결함/열화특성 추출, 상태진단에 이어지는 마지막 단계에 해당한다. 고장예지 결과에 영향을 미치는 요인으로는 크게 데이터, 모델, 알고리즘으로 나 눌 수 있다. | |
고장예지 결과에 영향을 미치는 요인에는 무엇이 있는가? | 고장예지 혹은 건전성 예측(prognostics)은 시스템의 열화 상태 및 잔존유효수명(remaining useful life, RUL)을 예측하는 것으로, 상태기반정비를 위한 PHM 기술에서 결함/열화특성 추출, 상태진단에 이어지는 마지막 단계에 해당한다. 고장예지 결과에 영향을 미치는 요인으로는 크게 데이터, 모델, 알고리즘으로 나 눌 수 있다. 사실상 데이터와 관련된 연구는 열화특성 추출 및 상태진단 단계와 별개로 생각할 수 없고, 최근 PHM의 통합 프레임워크에 대한 연구가 수행되고 있지만, 본 글에서는 열화특성이 있는 데이터를 고려하는 것으로 범위를 제한한다. |
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.