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
- 이 논문에서는 회전익 항공기 유압 터빈 블레이드의 rubbing 진단을 위하여 fault simulator(RK-4) 에 적용 가능한 lab-scale 실험 장비(rubbing device)를 설계 제작하여 실험을 수행하였으며, 시간영역 CI(condition indicator)값을 기반으로 진동 신호의 특징을 추출, 선택, 분류하여 개발된 CI의 성능을 평가하여 회전익 항공기 유압 터빈 블레이드 상태의 건전성 평가 가능성을 확인하였다.
제안 방법
- Case 1의 경우 접촉 및 미 접촉 상태에서의 분류 성능을 평가하였으며, case 2는 7개의 이격 거리를 선정하여 미세 접촉 상태에서의 분류 성능을 평가하였다. 또한 터빈과 같은 회전기계의 rubbing 은 다른 결함에 대한 부수적인 진동 현상으로 발생하는 경우가 많기 때문에 case 3과 같이 복합 결함(misalignment, rubbing)을 고려한 특징 별 분산율 및 분류 성능을 평가하였다.
- Polar 선도를 비교하여 접촉 및 미접촉 상태의 위상 변화를 확인하였다. 접촉 상태의 polar 선도에서 1차 고유진동수를 지나서 주기적인 위상 변화가 확인 되었으며, 이 원인은 고유진동수를 지나 bending mode가 발생하여 접촉이 심화되었기 때문으로 판단된다.
- Case 1에 대하여 유전자 알고리듬으로 가장 많이 선택된 3개의 특징은 구동 측 수평방향 센서의 엔트로피(entropy)와 정규모멘트 5, 6번(5, 6th normalized moment)이다. 따라서 각 case별로 개체의 적응도가 높은 3개의 특징만을 선별하여 분류된 결과와 기존 차원 축소 방법인 principal component analysis(PCA) 결과를 비교 분석하였다.
- Case 1의 경우 접촉 및 미 접촉 상태에서의 분류 성능을 평가하였으며, case 2는 7개의 이격 거리를 선정하여 미세 접촉 상태에서의 분류 성능을 평가하였다. 또한 터빈과 같은 회전기계의 rubbing 은 다른 결함에 대한 부수적인 진동 현상으로 발생하는 경우가 많기 때문에 case 3과 같이 복합 결함(misalignment, rubbing)을 고려한 특징 별 분산율 및 분류 성능을 평가하였다. Case 3의 경우 일반적인 대형 회전기계가 1차 고유진동수를 지나 운전 하는 것을 모사하여 3600r/min(60Hz)에서 실험이 수행 되었으며, misalignment는 3600r/min의 최대 편각 허용 값(11)(0.
- 3과 같이 1차 고유진동수 51Hz, 2차 고유진동수 324Hz로 나타났다. 로터가 운전 시 1차 고유진동수를 지나 운전하게 되면 1차 모드의 영향을 받아 bending mode 가 발생할 수 있으며, 이 경우 접촉 상태와 미 접촉상태를 정량적으로 판단하기 어려울 것으로 사료되기 때문에 이 실험에서는 미세 접촉에 의한 분류 성능 평가를 위해 bending mode의 영향을 받지 않는 1차 고유진동수 아래인 2400r/min(40Hz)를 운전속도로 고정하여 정속으로 시험을 진행하였다.
- 실험은 세 가지 case로 나누어 수행되었으며, 특징 분석의 시간 단축 및 분류 성능 향상을 위하여 GA 기반 특징 선택 방법을 사용하였다. GA 기반특징 선택의 결과는 기계 학습 알고리듬 중 하나인 SVM을 사용하여 특징을 분류하였으며, 기존 차원축소 방법인 PCA와 비교하여 분류 성능을 평가하였다.
- 신호의 특징을 추출하였다. 유전자 알고리듬 (GA)(7)을 이용하여 추출된 특징을 선택하였으며, 이를 support vector machine(SVM)(8)을 이용해 특징을 분류하고 분류 성능을 평가하여 터빈의 블레이드 rubbing의 조기 진단 가능성을 연구하였다.
- 추출된 특징들의 선택은 유전자 알고리듬 기반 특징 선택 방법을 사용하였다. 유전자 알고리듬 기반 특징 선택은 클래스 내의 밀도와 클래스 간의 평균 거리를 목적함수로 설정하였으며, 이를 이용해 분류 성능이 좋은 특징들을 선택하였다.
- 이 논문에서는 터빈 블레이드의 rubbing에 의한 결함 진단을 위해 lab-scale 블레이드 rubbing 실험 장치를 이용하여 rubbing 진동 신호를 취득하였고, 진동 신호의 특징을 추출하였다. 유전자 알고리듬 (GA)(7)을 이용하여 추출된 특징을 선택하였으며, 이를 support vector machine(SVM)(8)을 이용해 특징을 분류하고 분류 성능을 평가하여 터빈의 블레이드 rubbing의 조기 진단 가능성을 연구하였다.
- 이 실험에 앞서 실험 로터의 고유진동수 분석과 접촉 상태와 미 접촉 상태의 진동 신호 차이를 분석하였다.
- 1과 같이 회전체 실험 장비인 RK4 rotor-kit을 사용하였다. 접촉 실험(rubbing test)을위하여 Fig.2와 같이 12개의 블레이드를 가지는 디스크를 사용하였으며, 케이싱을 모사한 지지대를 이용하여 디스크와 케이싱의 간격을 0.1mm 단위로 조절하여 블레이드의 접촉 상태와 미 접촉 상태의 특징별 분산율 및 분류 성능을 평가하였다.
대상 데이터
- 6은 유전자 알고리듬을 이용한 특징 선택 방법을 나타낸다. 신호는 4 채널의 변위 센서에서 취득된 진동 신호를 사용하였으며, 신호의 시간 영역특징 14개를 추출하였다. 추출된 특징들의 선택은 유전자 알고리듬 기반 특징 선택 방법을 사용하였다.
- 실험은 Fig.1과 같이 회전체 실험 장비인 RK4 rotor-kit을 사용하였다. 접촉 실험(rubbing test)을위하여 Fig.
- 진동 신호의 취득 및 분석은 PULSE 3560C (B&K)와 ADRE 208(GE)를 사용하였다. 실험 장비의 구동측, 피구동측 지지부에 수직, 수평 방향으로
데이터처리
- 기반 특징 선택 방법을 사용하였다. GA 기반특징 선택의 결과는 기계 학습 알고리듬 중 하나인 SVM을 사용하여 특징을 분류하였으며, 기존 차원축소 방법인 PCA와 비교하여 분류 성능을 평가하였다. Case 1과 case 3의 경우 높은 분류 성능을 확인 하였지만, 블레이드 접촉 정도 별 실험인 case 2 의 분류 성능이 떨어지는 것을 확인할 수 있었다.
- 고유진동수 분석은 impact hammering test를 통한 주파수 응답(FRF), 위상, 상관관계 분석을 하였다. Impact hammering test 결과, Fig.
- 추출된 특징은 기계 학습 알고리듬 중 하나이 SVM 을 이용하였으며, 미리 취득된 데이터를 이용해 SVM을 학습시켰으며, 그 후 취득된 데이터를 사용하여 분류 성능을 평가하였다.
- 특징 분석(feature analysis)에 앞서 축 진동 분석은 FFT spectrum과 polar 선도를 사용하여 확인 하였으며 정상과 비정상 상태의 결과를 비교분석 해보았다(9, 10). Fig.
이론/모형
- 신호는 4 채널의 변위 센서에서 취득된 진동 신호를 사용하였으며, 신호의 시간 영역특징 14개를 추출하였다. 추출된 특징들의 선택은 유전자 알고리듬 기반 특징 선택 방법을 사용하였다. 유전자 알고리듬 기반 특징 선택은 클래스 내의 밀도와 클래스 간의 평균 거리를 목적함수로 설정하였으며, 이를 이용해 분류 성능이 좋은 특징들을 선택하였다.
성능/효과
- 9는 접촉 정도 별 실험인 case 2의 결과를 비교한 것이다. PCA에 비해 유전자 알고리듬 기반특징 선택이 변별성이 더 높은 것을 확인할 수 있었지만, 유전자 알고리듬 기반 특징 선택의 경우에도 접촉 정도가 낮을수록 클래스간의 분산율이 낮아지는 것을 확인하였다.
- SVM을 통하여 각 case를 분류하였을 때 단순 접촉 유, 무에 실험인 case 1과 case 3은 100%의 분류 성능이 보이는 것을 확인할 수 있었다. 하지만 case 2의 경우는 Table2와 같은 클래스 간의 분류성능이 떨어지는 것을 확인할 수 있었다.
- 8은 case 1에 대한 유전자 알고리듬 기반 특징 선택과 PCA를 3차원 그래프로 비교한 것이다. 그래프를 확인하면 두 방법 모두 접촉 및 미 접촉을 확실하게 분류하는 것을 확인하였다. 하지만 PCA에 비해 유전자 알고리듬 기반 특징 선택의 변별성이더 높은 것을 확인하였다.
- 분류 성능 결과에서 나타듯이 미세접촉 2.5mm~ 4mm 구간에서 접촉 상태 분류 대략 90% 이상의 높은 성능을 보였으나 그 한계를 확인할 수 있었으며, 이는 유전자 알고리듬의 목적함수는 클래스 내의 밀도와 클래스 간의 평균 거리로 설정하였는데 인접한 클래스의 경우 상태가 유사하여 분류 성능을 저하 시키는 것이라고 판단되며, 이는 클래스별 또는 클래스 내 밀도와 클래스 간 거리를 측정하여 특징을 선택하는 과정을 추가함으로서 분류 성능을 향상시킬 수 있을 것으로 사료된다.
- 4는 운전 속도에서 FFT spectrumd을 비교한 것이며 그 결과, 블레이드의 비접촉상태(60μm/s) 와 접촉상태(120μm/s)의 진폭을 나타내며, 미세하지만 성분 변화를 확인하였다. 이를 통해 블레이드 통과 주파수(vane passing frequency, VPF) 등의 성분변화를 통해서 마찰진동의 특성을 확인할 수 있었다. Fig.
- 그래프를 확인하면 두 방법 모두 접촉 및 미 접촉을 확실하게 분류하는 것을 확인하였다. 하지만 PCA에 비해 유전자 알고리듬 기반 특징 선택의 변별성이더 높은 것을 확인하였다.
후속연구
- 이 원인은 인접한 클래스의 경우 상태가 유사하여 분류 성능을 떨어트리기 때문이라고 사료된다. 유전자 알고리듬의 목적 함수는 클래스 내 밀도와 클래스 간의 거리이며, 이를 고려하여 클래스 내 밀도와 클래스 간 거리를 측정하여 특징을 선택하는 것을 통하여 분류 성능 향상이 가능할 것으로 사료된다.
- 이 원인은 블레이드 rubbing의 경우 마찰력이 축 중량보다 작고 진동 신호가 전달되는 도중 감쇠되기 때문이라고 사료된다. 하지만 2차 고유진동수 인근 대역(약 250Hz~350Hz)에서 접촉 상태의 진폭이 상승하는 경향이 나타났으며, 상승 대역의 성분은 진폭 관련된 특징 값 추출 및 선택에 기여할 것으로 판단된다.
- 향후 회전익 항공기 유압 터빈 블레이드 및 기어박스 리그 등의 적용 가능한 최적의 시간영역 주파주영역의 CI를 개발 및 적용하여 진동특징 분류 성능을 향상시킬 계획이며, 기어박스의 misalignment, unbalance 등의 저속 환경에서 실험을 수행하여 특징 분류 가능성을 확인할 계획이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.