최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국전산구조공학회논문집 = Journal of the computational structural engineering institute of Korea, v.31 no.1, 2018년, pp.63 - 69
김석구 (한국항공대학교 항공우주 및 기계공학과) , 임채영 (한국항공대학교 항공우주 및 기계공학과) , 최주호 (한국항공대학교 항공우주 및 기계공학부)
Bearing is an essential component in many rotary machineries. To prevent its unpredicted failures and undesired downtime cost, many researches have been made in the field of Prognostics and Health Management(PHM), in which the key issue is to establish a proper feature reflecting its current health ...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
베어링은 무엇인가? | 베어링은 산업체에서 많이 이용되는 회전기계 시스템의 대표적인 핵심부품으로서 예기치 못한 베어링 고장은 시스템 전체의 다운타임(down-time) 및 경제적 손실을 가져올 가능 성이 존재한다. 이를 방지하기 위해 베어링의 고장을 진단하고 예측을 하는 연구가 매우 활발히 진행되고 있으며, 대표적 리뷰 논문으로 Jardine 등(2006)은 회전기계 시스템의 PHM에 대한 전반적인 절차와 관련 기법들에 대해서 서술하였다. | |
정확한 베어링의 고장예측을 위해 중요한 것은 무엇인가? | 정확한 베어링의 고장예측을 위해서는 결함의 심각도 수준을잘 표현하면서 고장 발생 시점까지 비교적 단조 증가 혹은 감소 경향을 보이는 특징신호를 추출하는 것이 중요하다. 그래야 이를 통해 고장까지의 잔존유효수명(RUL: remaining useful life) 을 이른 시간에 예측할 수 있다. | |
고장 예지 및 건전성 관리 기술은 어떻게 구성되는가? | , 2012). PHM은 시스템에 장착된 센서로부터 취득한 데이터를 처리하는 신호처리(signal processing), 원신호로부터 시스템의 건전성을 반영하는 특징신호 추출(feature extraction), 고장 종류와 심각도를 추정하는 고장 진단 (diagnostics) 및 미래의 고장 시점을 예측하는 고장 예지 (prognostics)로 구성된다. 이중에서도 특징신호 추출은 이후의 고장 진단과 예지 성능에 직접적으로 영향을 미치는 중요한 단계로 간주되고 있다(Park et al. |
An, D., Kim, N.H., Choi, J.H. (2012) A Comparison Study of Model Parameter Estimation Methods for Prognostics, J. Comput. Struct. Eng. Inst. Korea, 25(4), pp.355-362.
Devore, J.L. (2011) Probability and Statistics for Engineering and the Sciences. Cengage Learning, p.769.
Jardine, A.K., Lin, D., Banjevic, D. (2006) A Review on Machinery Diagnostics and Prognostics Implementing Condition-Based Maintenance, Mech. Syst. & Signal Proc., 20(7), pp.1483-1510.
Lee, J., Qiu, H., Yu, G., Lin, J. (2007) Rexnord Technical Services, 'Bearing Data Set', IMS, University of Cincinnati, NASA Ames Prognostics Data Repository.
Li, H., Zheng, H. (2008) Bearing Fault Detection using Envelope Spectrum Based on EMD and TKEO, In Fuzzy Systems and Knowledge Discovery, FSKD'08. Fifth Int. Conf. on, 3, pp.142-146.
Park, S., Kim, J.W., Lee, C., Lee, J., Gil, H.B. (2012) Local Fault Detection Technique for Steel Cable using Multi-Channel Magnetic Flux Leakage Sensor, J. Comput. Struct. Eng. Inst. Korea, 25(4), pp.287-292.
Park, S., Choi, J.H. (2017) A Study on Fault Classification by EEMD Application of Gear Transmission Error, J. Comput. Struct. Eng. Inst. Korea, 30(2), pp.169-177.
Qiu, H., Lee, J., Lin, J., Yu, G. (2003) Robust Performance Degradation Assessment Methods for Enhanced Rolling Element Bearing Prognostics, Adv. Eng. Inform., 17(3), pp.127-140.
Randall, R.B., Antoni, J. (2011) Rolling Element Bearing Diagnostics-A Tutorial. Mech. Syst. & Signal Proc., 25(2), pp.485-520.
Siegel, D., Ly, C., Lee, J. (2012) Methodology and Framework for Predicting Helicopter Rolling Element Bearing Failure. IEEE Trans. Reliab., 61(4), pp.846-857.
Tabrizi, A., Garibaldi, L., Fasana, A., Marchesiello, S. (2015) A Novel Feature Extraction for Anomaly Detection of Roller Bearings Based on Performance Improved Ensemble Empirical Mode Decomposition and Teager-Kaiser Energy Operator. Int. J. Progn Health Manage., 6(026), p.10.
Tobon-Mejia, D.A., Medjaher, K., Zerhouni, N., Tripot, G. (2011) Estimation of the Remaining Useful Life by using Wavelet Packet Decomposition and HMMs. In Aerospace Conf., 2011 IEEE, pp.1-10.
Zhang, B., Sconyers, C., Byington, C., Patrick, R., Orchard, M.E., Vachtsevanos, G. (2011) A Probabilistic Fault Detection Approach: Application to Bearing Fault Detection. IEEE Trans. Indus. Elect., 58(5).
Qiu, H., Lee, J., Lin, J., Yu, G. (2006) Wavelet Filter-Based Weak Signature Detection Method and its Application on Rolling Element Bearing Prognostics, J. Sound & Vib., 289(4), pp.1066-1090.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.