본 논문에서는 기어 전달오차의 EEMD 적용을 통한 기어 이빨의 박리결함과 균열결함의 분류법을 소개한다. 두 가지 결함을 적용한 기어의 유한요소모델을 바탕으로 전달오차를 획득하고 전달오차에서 나타나는 두 가지 결함의 특징과 정상상태의 전달오차와의 차이를 나타내는 RTE에서 나타나는 두 가지 결함의 특징을 확인했으며 유한요소해석 결과를 이용한 시뮬레이션 신호를 구성하여 신호처리를 통한 RTE 획득과정을 구성하였다. 시뮬레이션 신호로부터 얻은 RTE의 EEMD 적용을 통하여 박리과 균열의 신호가 각기 다른 IMF에서 비중이 크다는 것을 확인하였고, 이를 실험을 통해 검증하고자 하였다. 한 쌍의 기어와 서보모터, 파우더브레이크 그리고 기어의 회전량을 측정하기 위한 엔코더로 구성되어있는 테스트베드를 꾸려 전달오차를 획득하였다. 두 개의 기어를 이용하여 정상, 박리, 균열 세가지 상황에 대한 전달오차를 획득하여 시뮬레이션과 같은 과정을 거쳐 결함이 신호로 구분되는 것을 확인했다. 이를 정량화 하기위해 파고율을 각 IMF에 적용하였고 첫 번째 IMF와 세 번째 IMF의 파고율을 특징 신호로 선정하였다. 실험을 통해 확보된 데이터를 이용하여 Bayes decision 이론을 이용하여 분류 방법을 제시하였다.
본 논문에서는 기어 전달오차의 EEMD 적용을 통한 기어 이빨의 박리결함과 균열결함의 분류법을 소개한다. 두 가지 결함을 적용한 기어의 유한요소모델을 바탕으로 전달오차를 획득하고 전달오차에서 나타나는 두 가지 결함의 특징과 정상상태의 전달오차와의 차이를 나타내는 RTE에서 나타나는 두 가지 결함의 특징을 확인했으며 유한요소해석 결과를 이용한 시뮬레이션 신호를 구성하여 신호처리를 통한 RTE 획득과정을 구성하였다. 시뮬레이션 신호로부터 얻은 RTE의 EEMD 적용을 통하여 박리과 균열의 신호가 각기 다른 IMF에서 비중이 크다는 것을 확인하였고, 이를 실험을 통해 검증하고자 하였다. 한 쌍의 기어와 서보모터, 파우더브레이크 그리고 기어의 회전량을 측정하기 위한 엔코더로 구성되어있는 테스트베드를 꾸려 전달오차를 획득하였다. 두 개의 기어를 이용하여 정상, 박리, 균열 세가지 상황에 대한 전달오차를 획득하여 시뮬레이션과 같은 과정을 거쳐 결함이 신호로 구분되는 것을 확인했다. 이를 정량화 하기위해 파고율을 각 IMF에 적용하였고 첫 번째 IMF와 세 번째 IMF의 파고율을 특징 신호로 선정하였다. 실험을 통해 확보된 데이터를 이용하여 Bayes decision 이론을 이용하여 분류 방법을 제시하였다.
In this paper, classification of spall and crack faults of gear teeth is studied by applying the ensemble empirical mode decomposition(EEMD) for the gear transmission error(TE). Finite element models of the gears with the two faults are built, and TE is obtained by simulation of the gears under load...
In this paper, classification of spall and crack faults of gear teeth is studied by applying the ensemble empirical mode decomposition(EEMD) for the gear transmission error(TE). Finite element models of the gears with the two faults are built, and TE is obtained by simulation of the gears under loaded contact. EEMD is applied to the residuals of the TE which are the difference between the normal and faulty signal. From the result, the difference of spall and crack faults are clearly identified by the intrinsic mode functions(IMF). A simple test bed is installed to illustrate the approach, which consists of motor, brake and a pair of spur gears. Two gears are employed to obtain the TE for the normal, spalled, and cracked gears, and the type of the faults are separated by the same EEMD application process. In order to quantify the results, crest factors are applied to each IMF. Characteristics of spall and crack are well represented by the crest factors of the first and the third IMF, which are used as the feature signals. The classification is carried out using the Bayes decision theory using the feature signals acquired through the experiments.
In this paper, classification of spall and crack faults of gear teeth is studied by applying the ensemble empirical mode decomposition(EEMD) for the gear transmission error(TE). Finite element models of the gears with the two faults are built, and TE is obtained by simulation of the gears under loaded contact. EEMD is applied to the residuals of the TE which are the difference between the normal and faulty signal. From the result, the difference of spall and crack faults are clearly identified by the intrinsic mode functions(IMF). A simple test bed is installed to illustrate the approach, which consists of motor, brake and a pair of spur gears. Two gears are employed to obtain the TE for the normal, spalled, and cracked gears, and the type of the faults are separated by the same EEMD application process. In order to quantify the results, crest factors are applied to each IMF. Characteristics of spall and crack are well represented by the crest factors of the first and the third IMF, which are used as the feature signals. The classification is carried out using the Bayes decision theory using the feature signals acquired through the experiments.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
결함에 따른 전달오차의 변화를 실험을 통해 실제로 획득하기에 앞서 유한요소해석을 통해 결함종류에 따른 전달오차의 경향을 파악해 보고자 하였다. 이를 위해 상용소프트웨어 ANSYS를 활용하였고 모델링 과정은 다음과 같다.
또한 진동신호를 통한 결함진단 및 결함종류의 식별 시도가 있었지만 이는 여러 진동요인을 한 가지 신호로 파악하는 진동신호의 특성 때문에 고장물리 없이 데이터에 의존한 연구였다. 따라서 본 연구는 이러한 기존 연구의 한계를 보완하기 위해 유한요소해석을 통해 전달오차의 결함특성을 파악하고 이를 바탕으로 결함을 식별하는 기법을 제시, 실제 실험을 통해 검증하였다.
이중에서 균열은 한번 발생하면 급격하게 이의 파손(fracture, breakage)으로 이어지고, 그 결과 기어 의 연쇄적 파손 및 기어박스 전반의 손상을 유발하므로 특히 중요한 결함요소로 다루어야 한다. 따라서 본 연구에서는 단순히 기어의 결함유무를 판단하는 것 외에 박리와 균열을 구분하기 위한 연구를 수행하였다. 기어결함진단에 있어 기존 연구는 크게 전달 오차를 이용한 연구와 진동 신호를 이용한 연구로 구분된다.
두 결함 RTE는 EEMD 과정 모드가 분리되어 나오는데 IMF 중 결함 신호를 포함하는 비중이 박리와 균열결함에서 각기 다르게 나타났다. 본 연구에서는 EEMD 연산 순서상 비교적 먼저 도출되는 IMF들을 이용하여 실제 적용에 있어 연산 시간을 줄이고자 하였고 특징 신호의 개수를 최소로 하기 위해 첫 번째 IMF과 세 번째 IMF, 두 IMF 로부터 얻어지는 특징 신호를 이용 하여 결함을 분류하였다.
본 연구에서는 기계장치에서 흔히 사용하는 기어 중에서 가장 기초적 형태라 할 수 있는 스퍼기어의 결함진단을 수행하였다. 기어의 전달오차를 측정하여 단순 결함 유무뿐 아니라 접촉응력에 의해 발생하는 박리결함과 굽힘 응력으로 인한 균열결함을 구분 진단하였다.
또한 RTE의 전체적 형태를 봤을 때는 균열결함은 비대칭한 형태의 뾰족한 첨점을 갖는 특징이 있다. 본 연구에서는 두 결함의 이러한 전달오차 신호상의 차이를 신호처리 후의 결과를 통해 확인하고자 하였다.
실험 결과인 IMF신호를 바탕으로 특징 신호를 선정하여 결함진단 및 분류를 시행하고자 하였다. 단순히 하나의 특징 신호를 가지고 결함 진단을 수행한다면 결함의 유무를 따지는 진단에서는 좋은 결과를 얻을 수 있겠지만 본 연구에서는 결함의 구분에도 목적이 있으므로 하나의 특징 신호로는 어려움이 있고 Shen(2004)의 연구결과와 같이 특징 신호의 개수가 많아진다면 좀 더 명확한 분류가 가능하지만 특징 신호를 위한 연산이 추가적으로 필요로 하고, 이는 또한 고장 물리가 없는 데이터 드리븐 형태여서 새로운 시스템에 적용하기 어려운 단점이 있다.
전달오차(transmission error, TE)는 기어가 서로 맞물려 회전할 때 제작 오차나 하중에 의한 변형 등의 이유로 발생하는 실제와 이상적 회전각 사이의 오차를 뜻한다. 이러한 전달오차는 기어박스의 진동을 유발하고, 그것이 와인 소음을 발생시키는 부정적 요소이기 때문에, 과거에는 주로 이를 감소시키기 위한 연구를 수행하였다. 기어 이의 형상 변화는 기어 맞물림 강성(gear mesh stiffness, GMS)을 변화시키고 이것이 전달오차에 변화를 일으키기 때문에 이의 형상 변화를 전달오차를 통해 분석하는 연구 또한 활발하게 진행되었다.
가설 설정
결함상태를 파악하기 위한 데이터 구분을 위해 베이지안 구별법(bayesian classifier)를 이용하였다. gear A와 gear B의 정상상태는 같은 집단으로 여기고 각 집단을 2변수 정규 분포로 가정하였다. 각 집단의 데이터를 기반으로 공분산 Σi를 구하고 우도 함수에 적용하여 우도 p(x|wi)를 구하였다.
제안 방법
함수에서 노이즈를 추가하고 시프팅 과정을 여러 차례 반복한 결과들을 앙상블 평균을 취하여 EEMD의 IMF를 구한다. EEMD 알고리즘은 Fig. 5와 같으며, 박리와 균열 등 임펄스 형태로 나타나는 결함 신호에서 발생하는 모드 믹싱 현상을 피하기 위해 EEMD를 적용하였다. 그 결과 RTE에서의 박리신호의 특징인 큰 진폭는 상대적으로 저주파영역의 모드에 큰 영향을 주는 반면, 균열신호의 첨점은 상대적으로 고주파 영역의 모드에 영향을 주는 것이 확인되었다.
한편, 기어박스의 진동신호를 통해 기어결함을 진단하고자 한 연구 중에는 경험적 모드 분해법(empirical mode decomposition, EMD)을 이용한 사례가 있었다. EMD를 활용한 연구들은 대부분 여러 신호가 혼재되어 있는 진동신호에서 모드를 분리하여 내재 모드 함수(intrinsic mode function, IMF) 들을 만들어내고 그 중 결함 신호를 잘 나타내는 IMF 선정을 통해 결함을 진단하고자 하였다. Loutridis(2004)는 균열의 크기별 진동신호를 획득하고 특정 IMF의 에너지를 통해 균열 결함의 크기를 추정할 수 있는 함수를 완성하였다.
각 집단의 데이터를 기반으로 공분산 Σi를 구하고 우도 함수에 적용하여 우도 p(x|wi)를 구하였다.
서보모터는 기어박스의 구동기어를 회전시키고 다른 한쪽의 피동기어와 연결된 파우더 브레이크가 회전에 제동을 거는 형식으로 기어 회전에 토크 하중을 부여한다. 구동과 피동기어 축 끝단의 엔코더를 통해 각 축의 회전량을 측정하고 이를 통해 전달 오차를 계산한다. 실험장치에 설치되는 기어는 모듈 4, 기어비 2:1, 피치원지름 280mm 140mm 기어 두 개로 구성되어 있고 기어이빨의 개수는 각 70개 35개이다.
기어 결함 가공 시 기어의 변형을 최소화하기 위하여 방전 와이어컷 가공을 하였는데 gear A에 박리(깊이×길이 0.5mm× 1.3mm)을 gear B에 균열(길이 4mm)을 부여하였다(Fig. 9 참조).
본 연구에서는 기계장치에서 흔히 사용하는 기어 중에서 가장 기초적 형태라 할 수 있는 스퍼기어의 결함진단을 수행하였다. 기어의 전달오차를 측정하여 단순 결함 유무뿐 아니라 접촉응력에 의해 발생하는 박리결함과 굽힘 응력으로 인한 균열결함을 구분 진단하였다. 이를 위해 유한요소해석을 수행하여 두 결함의 특징을 확인하였고, 시뮬레이션 결함신호를 만든 후 필터 및 EEMD를 이용하여 결함 신호를 식별하였다.
이를 위해 상용소프트웨어 ANSYS를 활용하였고 모델링 과정은 다음과 같다. 대상으로 하는 기어쌍은 모듈 4mm, 피치 지름 140 및 280mm 이며, 이들의 인접 이빨에 대한 인벌루트 모델을 생성, 두 기어를 맞물리게 배치하였고 접촉을 통해 토크를 전달하는 해석을 수행하였다. 이러한 해석을 0.
실험장치에 설치되는 기어는 모듈 4, 기어비 2:1, 피치원지름 280mm 140mm 기어 두 개로 구성되어 있고 기어이빨의 개수는 각 70개 35개이다. 두 개의 피동기어를 준비하여 gear A, gear B로 명명하고 각 기어에 박리 및 균열을 부여하여 정상상태 및 결함상태의 전달오차를 측정하였다. 전달오차는 분해-조립을 반복하며 각 10회씩 획득하였는데 결함을 부여하기 위해 불가피하게 행해지는 분해-조립 에 따른 실험 결과의 편차를 고려하기 위함이었다.
단순히 하나의 특징 신호를 가지고 결함 진단을 수행한다면 결함의 유무를 따지는 진단에서는 좋은 결과를 얻을 수 있겠지만 본 연구에서는 결함의 구분에도 목적이 있으므로 하나의 특징 신호로는 어려움이 있고 Shen(2004)의 연구결과와 같이 특징 신호의 개수가 많아진다면 좀 더 명확한 분류가 가능하지만 특징 신호를 위한 연산이 추가적으로 필요로 하고, 이는 또한 고장 물리가 없는 데이터 드리븐 형태여서 새로운 시스템에 적용하기 어려운 단점이 있다. 본 연구에서는 유한요소해석을 통해 확인하고 실험을 통해 검증한 고장 물리를 바탕으로 결함분류를 하였다. 두 결함 RTE는 EEMD 과정 모드가 분리되어 나오는데 IMF 중 결함 신호를 포함하는 비중이 박리와 균열결함에서 각기 다르게 나타났다.
본 연구는 앞서 언급했던 것과 같이 가장 기초적인 형태의 기어를 대상으로 진행되었고 실험조건 또한 상대적으로 저속조건이라는 한계점을 지니고 있다. 본 연구에서의 실험 조건들은 인위적인 결함 부여를 통하여 진행되었다. 따라서 실제 결함의 경우에서도 같은 경향성이 확인되어질 필요가 있다.
본 연구의 IMF에서는 제작편차에 의한 노이즈가 섞여 있지만 결함신호가 모드 분리에 의해 피크를 나타내는 경우가 있으므로 파고율을 이용하였다. 첫 번째 IMF와 세 번째 IMF의 파고율을 두 축으로 하여 2차원 도시하면 결함상태 별로 서로 섞이지 않고 잘 구분되는 것을 확인할 수 있다(Fig.
실험으로 획득한 엔코더 신호를 전달오차로 변환하고 노이즈를 제거하기 위해 시간 동기화 평균 과정(time synchronous averaging, TSA)까지 마친 신호를 시뮬레이션을 통해 획득한 전달오차와 같은 신호로 여겼고 그결과를 Fig. 10과 같이 앞 절과 동일한 과정의 신호처리를 거쳐 실험상의 RTE를 획득하였다. 실험 결과 역시 결함신호에서 시뮬레이션과 같은 양상을 보였다.
이러한 IMF는 다음과 같은 과정에 의해 원신호에서 부터 만들어지고분리된다. 원신호가 있을 때 신호의 모든 극대값을 3차 스플라인으로 잇는 극대값 포락선를 구성하고 모든 극소값을 3차 스플라인으로 잇는 극소값 포락선를 구성하여 두 개의 평균을 구한다.
대상으로 하는 기어쌍은 모듈 4mm, 피치 지름 140 및 280mm 이며, 이들의 인접 이빨에 대한 인벌루트 모델을 생성, 두 기어를 맞물리게 배치하였고 접촉을 통해 토크를 전달하는 해석을 수행하였다. 이러한 해석을 0.1도(deg) 단위로 회전시키면서 반복하였고 기어의 세 피치에 해당하는 각도 범위에서 전달오차를 얻었다. 결함을 넣지 않은 모델의 해석을 통해 정상 기어의 전달오차를 구하고 Fig.
기어의 전달오차를 측정하여 단순 결함 유무뿐 아니라 접촉응력에 의해 발생하는 박리결함과 굽힘 응력으로 인한 균열결함을 구분 진단하였다. 이를 위해 유한요소해석을 수행하여 두 결함의 특징을 확인하였고, 시뮬레이션 결함신호를 만든 후 필터 및 EEMD를 이용하여 결함 신호를 식별하였다. EEMD기법에서는 IMF를 분리하고 결함 신호가 가장 큰 영향을 미친 IMF를 확인하는 방식으로 결함분류의 가능성을 확인하였다.
같은 관점으로 기어결함에 따른 GMS 변화를 전달오차의 변화를 통해 확인하고자 한 LI(2002)의 연구에서는 전달오차를 시뮬레이션과 실험을 통해 구하였다. 이를 통해 기어의 이뿌리 균열로 인한 GMS 감소를 확인하였고 역으로 균열의 크기를 예측하였다. Endo(2009)는 유한요소해석을 통해 얻은 잔류 전달오차(residual transmission error, RTE)에서 균열과 박리의 특징을 확인하였고 이를 바탕으로 동적 차등방법(dynamic differential method)를 제시하였다.
11 (e), (f)의 두 가지 신호필터 이후의 결함신호의 RTE 형태도 각 시뮬레이션과 같은 필터 이후 결함별 특징을 갖고 있었다. 이에 대해 Fig. 12와 같이 EEMD를 적용하였고 결함의 대조군으로 정상상태 실험 데이터 또한 같은 과정을 거쳐 IMF를 생성하고 결과를 확인하였다. EEMD 결과 또한 시뮬레이션의 결과와 같았다.
기어에 결함이 발생하게 되면 GMS가 작아지게 되고 기어 강성과 기어 전달오차 간의 관계로 인해 전달오차에도 변화가 발생한다. 즉 정상 대비 결함 기어에서는 전달오차에 변화가 발생하므로 본 연구에서는 이것을 결함진단 신호로 선정하였다.
EEMD는 이를 개선하기 위해 전 주파수 대역을 포함하는 백색 노이즈를 추가함으로써 신호에 없었던 여러 모드의 극값을 추가하게 되어 적절한 포락 선형성이 가능해지고 이로 인하여 sifting 과정을 진행할 때 생기는 모드 믹싱을 방지하게 된다. 함수에서 노이즈를 추가하고 시프팅 과정을 여러 차례 반복한 결과들을 앙상블 평균을 취하여 EEMD의 IMF를 구한다. EEMD 알고리즘은 Fig.
대상 데이터
실제의 전달오차를 측정하기 위한 Fig. 8과 같은 실험장치를 꾸렸고 이는 서보모터, 기어박스, 베어링, 기어 축, 스퍼기어 한 쌍, 토크미터, 파우더 브레이크, 각 구성품을 잇는 플랙서블 커플링 그리고 회전량을 측정할 로터리 엔코더로 구성되어 있다. 각 구성요소의 제원은 Table 1과 같다.
구동과 피동기어 축 끝단의 엔코더를 통해 각 축의 회전량을 측정하고 이를 통해 전달 오차를 계산한다. 실험장치에 설치되는 기어는 모듈 4, 기어비 2:1, 피치원지름 280mm 140mm 기어 두 개로 구성되어 있고 기어이빨의 개수는 각 70개 35개이다. 두 개의 피동기어를 준비하여 gear A, gear B로 명명하고 각 기어에 박리 및 균열을 부여하여 정상상태 및 결함상태의 전달오차를 측정하였다.
데이터처리
이를 실제로 검증하기 위한 실험 장치를 꾸렸고 이로부터 획득한 전달오차를 이용하여 첫번째 IMF에서는 균열신호가, 세번째 IMF에서는 박리신호가 강하게 나타남을 확인하였다. 이로부터 특징신호를 얻기 위해 파고율을 계산하였고 그 결과를 2차원 그래프로 표시하였다. 또한 결함의 식별을 위해 베이즈 결정(bayes decision)이론을 이용하였다.
결함에 따른 전달오차의 변화를 실험을 통해 실제로 획득하기에 앞서 유한요소해석을 통해 결함종류에 따른 전달오차의 경향을 파악해 보고자 하였다. 이를 위해 상용소프트웨어 ANSYS를 활용하였고 모델링 과정은 다음과 같다. 대상으로 하는 기어쌍은 모듈 4mm, 피치 지름 140 및 280mm 이며, 이들의 인접 이빨에 대한 인벌루트 모델을 생성, 두 기어를 맞물리게 배치하였고 접촉을 통해 토크를 전달하는 해석을 수행하였다.
이론/모형
결함상태를 파악하기 위한 데이터 구분을 위해 베이지안 구별법(bayesian classifier)를 이용하였다. gear A와 gear B의 정상상태는 같은 집단으로 여기고 각 집단을 2변수 정규 분포로 가정하였다.
이로부터 특징신호를 얻기 위해 파고율을 계산하였고 그 결과를 2차원 그래프로 표시하였다. 또한 결함의 식별을 위해 베이즈 결정(bayes decision)이론을 이용하였다. 본 연구는 앞서 언급했던 것과 같이 가장 기초적인 형태의 기어를 대상으로 진행되었고 실험조건 또한 상대적으로 저속조건이라는 한계점을 지니고 있다.
성능/효과
5와 같으며, 박리와 균열 등 임펄스 형태로 나타나는 결함 신호에서 발생하는 모드 믹싱 현상을 피하기 위해 EEMD를 적용하였다. 그 결과 RTE에서의 박리신호의 특징인 큰 진폭는 상대적으로 저주파영역의 모드에 큰 영향을 주는 반면, 균열신호의 첨점은 상대적으로 고주파 영역의 모드에 영향을 주는 것이 확인되었다.
박리와 균열 RTE를 원신호로 EEMD 결과인 IMF를 살펴보면 예상대로 여러 IMF에 걸쳐 결함 신호의 영향이 나타나며, 그 중 C1~C5에서 큰 차이가 확인되고 있다(Fig. 6, 7 참조). 박리와 균열의 C1~C4 결과를 살펴보면 같은 스케일로 비교하였을 때 균열은 C1에서, 박리는 C2~C4에서 피크 신호가 상대적으로 더 크다는 것을 확인할 수 있다.
6, 7 참조). 박리와 균열의 C1~C4 결과를 살펴보면 같은 스케일로 비교하였을 때 균열은 C1에서, 박리는 C2~C4에서 피크 신호가 상대적으로 더 크다는 것을 확인할 수 있다. 큰 진폭은 신호의 변화가 크지만 비교적 서서히 일어나는 저주파로 구성되고 첨점은 짧은 시간 내에 큰 변화로 인한 고주파로 구성되어 IMF에서는 저주파모드와 고주파모드로 분리가 된 것으로 확인된다.
박리가 있는 gear A의 2번째 3번째 IMF에서는 결함에 의한 피크가 크게 나타났고 첫 번째 IMF에서는 그 영향이 적었다. 반면 균열이 있는 gear B의 첫 번째 IMF에서는 비교적 큰 피크가 나타났고 두 번째 세 번째에서는 결함에 의한 피크가 비교적 작은 형태로 나타났으며, 이러한 양상의 결과는 10회의 실험에서 모두 확인되었다. 가장 대표적으로 1번째 IMF와 3번째 IMF의 그림을 확대하여 Fig.
EEMD기법에서는 IMF를 분리하고 결함 신호가 가장 큰 영향을 미친 IMF를 확인하는 방식으로 결함분류의 가능성을 확인하였다. 이를 실제로 검증하기 위한 실험 장치를 꾸렸고 이로부터 획득한 전달오차를 이용하여 첫번째 IMF에서는 균열신호가, 세번째 IMF에서는 박리신호가 강하게 나타남을 확인하였다. 이로부터 특징신호를 얻기 위해 파고율을 계산하였고 그 결과를 2차원 그래프로 표시하였다.
본 연구의 IMF에서는 제작편차에 의한 노이즈가 섞여 있지만 결함신호가 모드 분리에 의해 피크를 나타내는 경우가 있으므로 파고율을 이용하였다. 첫 번째 IMF와 세 번째 IMF의 파고율을 두 축으로 하여 2차원 도시하면 결함상태 별로 서로 섞이지 않고 잘 구분되는 것을 확인할 수 있다(Fig. 14 참조).
후속연구
실험 결과인 IMF신호를 바탕으로 특징 신호를 선정하여 결함진단 및 분류를 시행하고자 하였다. 단순히 하나의 특징 신호를 가지고 결함 진단을 수행한다면 결함의 유무를 따지는 진단에서는 좋은 결과를 얻을 수 있겠지만 본 연구에서는 결함의 구분에도 목적이 있으므로 하나의 특징 신호로는 어려움이 있고 Shen(2004)의 연구결과와 같이 특징 신호의 개수가 많아진다면 좀 더 명확한 분류가 가능하지만 특징 신호를 위한 연산이 추가적으로 필요로 하고, 이는 또한 고장 물리가 없는 데이터 드리븐 형태여서 새로운 시스템에 적용하기 어려운 단점이 있다. 본 연구에서는 유한요소해석을 통해 확인하고 실험을 통해 검증한 고장 물리를 바탕으로 결함분류를 하였다.
따라서 실제 결함의 경우에서도 같은 경향성이 확인되어질 필요가 있다. 또한 각 결함모드에서의 결함 크기에 따른 영향 또한 추가적으로 연구가 필요하다. 앞서 언급한 본 연구의 한계점을 보안 한 이후에 실제 상황에 적용을 위해 회전속도를 고려한 동적해석과 실험을 통해 동적 전달 오차 대한 결함진단 연구 진행이 필요하고 실제 시스템에서 다른 기계요소가 전달오차에 미치는 영향을 고려한 연구진행 또한 필요하다.
또한 결함의 식별을 위해 베이즈 결정(bayes decision)이론을 이용하였다. 본 연구는 앞서 언급했던 것과 같이 가장 기초적인 형태의 기어를 대상으로 진행되었고 실험조건 또한 상대적으로 저속조건이라는 한계점을 지니고 있다. 본 연구에서의 실험 조건들은 인위적인 결함 부여를 통하여 진행되었다.
또한 각 결함모드에서의 결함 크기에 따른 영향 또한 추가적으로 연구가 필요하다. 앞서 언급한 본 연구의 한계점을 보안 한 이후에 실제 상황에 적용을 위해 회전속도를 고려한 동적해석과 실험을 통해 동적 전달 오차 대한 결함진단 연구 진행이 필요하고 실제 시스템에서 다른 기계요소가 전달오차에 미치는 영향을 고려한 연구진행 또한 필요하다.
질의응답
핵심어
질문
논문에서 추출한 답변
상태기반정비란 무엇인가?
기계시스템의 운용에서 설비 결함을 진단하고 고장발생 가능성이 있을 때에만 정비를 수행하는 상태기반정비(condition based maintenance, CBM)가 최근 많은 주목을 받고 있다. 이는 시스템의 유지보수비용 및 다운 타임 감소를 통해 운용 비용 감소와 이익증대를 실현하여 준다.
상태기반정비가 주목받는 이유는?
기계시스템의 운용에서 설비 결함을 진단하고 고장발생 가능성이 있을 때에만 정비를 수행하는 상태기반정비(condition based maintenance, CBM)가 최근 많은 주목을 받고 있다. 이는 시스템의 유지보수비용 및 다운 타임 감소를 통해 운용 비용 감소와 이익증대를 실현하여 준다. 결함진단이 적용되어 큰 효과를 기대할 수 있는 분야는 유지보수에 높은 비용이 필요한 시스템이며 대표적으로 고속철도와 풍력발전용 터빈의 기어박스를 꼽을 수 있다.
결함진단이 큰 효과를 볼 수 있는 분야는?
이는 시스템의 유지보수비용 및 다운 타임 감소를 통해 운용 비용 감소와 이익증대를 실현하여 준다. 결함진단이 적용되어 큰 효과를 기대할 수 있는 분야는 유지보수에 높은 비용이 필요한 시스템이며 대표적으로 고속철도와 풍력발전용 터빈의 기어박스를 꼽을 수 있다. 기어박스는 기계시스템에서 회전동력을 전달하기 위해 기본적으로 사용되는 요소이므로 이에 대해 여러 센서 신호를 통해 결함을 감지하고 진단하려는 연구가 활발하다.
참고문헌 (15)
Endo, H., Randall, R.B., Gosselin, C. (2009) Differential Diagnosis of Spall vs. Cracks in the Gear Tooth Fillet Region: Experimental Validation, Mech. Sys. & Signal Proc., 233, pp.636-651.
Fernandes, P. (1996) Tooth Bending Fatigue Failures in Gears, Eng. Fail. Anal., 3, pp.219-225.
Inalpolat, M., Handschuh, M., Kahraman, A. (2015) Influence of Indexing Errors on Dynamic Response of Spur Gear Pairs, Mech. Sys. & Signal Proc., 60-61, pp.391-405.
Lu, B., Li, Y., Wu, X., Yang, Z. (2009) A Review of Recent Advances in Wind Turbine Condition Monitoring and Fault Diagnosis, Power Electronics and Machines in Wind Applications, PEMWA 2009. IEEE, pp.1-7.
Jung, M.H., Goh, G.S., Yoo, K.T. (2003) Introduction of Off-shore Wind Turbine Systems, J. Korean Soc. Power Sys. Eng., 7, pp.5-10.
Milliren, M.R. (2011) An Experimental Investigation into the Influence of Various Errors on the Transmission Error and Root Stresses of Spur Gears, The Ohio State University.
Park, J., Oh, H., Youn, B.D., Park, S., Choi, J. (2015) Experimental Approach for Estimating Mesh Stiffness in Faulty States of Rotating Gear.
Shen, Z., Chen, X., Zhang, X., He, Z. (2012) A Novel Intelligent Gear Fault Diagnosis Model based on EMD and Multi-class TSVM, Measurement, 45, pp.30-40.
Shipley, E.E. (1967) Gear Failures, Mach Des., 39, pp.152-162.
White, R.J. (2005) Exploration of a Strategy for Reducing Gear Noise in Planetary Transmissions and Evaluation of Laser Vibrometry as a Means for Measuring Transmission Error, Case Western Reserve University.
Wu, Z., Huang, N.E. (2009) Ensemble Empirical Mode Decomposition: A Noise-assisted Data Analysis Method, Adv. Adapt. Data Anal., 1, pp.1-41.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.