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
- 또한, 하이브리드 전기차량의 배터리 관련 실험데이터를 획득하여 본 연구에서 제시한 프레임워크에 대한 적용 타당성 실험을 수행하였다. 그리고 본연구의 성과, 한계 및 향후 연구 방향에 대해 논하였다.
- (2015)은 많은 서브 시스템으로 구성되어 복잡하지만, 제한적인 상황에서 반복적인 운용이 이뤄지는 열차 시스템의 특성을 고려하여 고장을 예측하기에 적절한 방법론으로서, 스스로 데이터를 분석하여 숨겨진 특성, 즉 패턴을 발견하는 학습 모델인 머신 러닝과 실제 열차 운용 상태를 고려할 경우 복잡한 신경망 이론이나 인공지능 기법 등은 막대한 양의 이벤트 데이터들을 실시간으로 분석하기에 한계점이 존재하기 때문에 매우 효율적인 통계기법으로 적용할 수 있는 베이지안 방법론을 제시하였다. 또한, 머신 러닝의 기법과 베이지안 방법론을 통해 고장을 예측하기 위한 표준 모델을 만드는 과정과 생성된 표준 모델이 갖는 특징에 관한 설명을 함께 제시하였다.
- 본 연구에서는 대중교통 차량 유지보수에 있어 상태기반 유지보수 방법론을 도입하기 위해 차량의 상태를 파악할 수 있는 데이터를 실시간으로 수집하고 분석할 수 있는 시스템 개발을 위한 방안 제시를 목적으로 하고 있다. 이를 위해 자산에 대한 상태기반 유지보수에 적용되는 방법론 및 알고리즘에 대한 기존 문헌고찰을 통해, 현시점의 차량부품 상태를 바탕으로 미래 시점까지의 차량부품 상태변화 추이를 확률적 열화모델 추론을 통해 예측하고, 유지보수 활동에 따른 전과 후의 차량부품 상태변화 추적을 통해 상태 진단 및 예측 알고리즘 조정을 수행하는 시스템 프레임워크를 제시하였다.
- 본 연구에서는 실시간 차량 센서 데이터 모니터링을 통해 차량부품의 상태를 가늠할 수 있는 데이터를 지속적으로 수집하고, 수집된 차량부품 데이터의 특성을 파악하여 차량고장 진단 및 예측을 수행하고, 이를 바탕으로 유지보수 활동에 따른 차량부품 성능 변화 및 비용을 예측할 수 있는 차량 상태기반 진단예측 시스템 설계 및 개발을 위한 방법론과 그 프레임워크를 제시하였다.
- 이 장에서는 본 연구에서 제시하는 시스템에 상태기반 유지보수 방법론을 적용하기 위해 상태기반 유지보수 방법론 및 진단과 예측 알고리즘 등에 관련된 기존 연구를 고찰하였다.
- 이를 위해 CBM 방법론과 관련 통계분석 알고리즘에 대한 문헌 고찰을 통해 본 시스템에 적용할 절차 및 알고리즘을 선정하였다. 차량의 상태를 파악할 수 있는 데이터를 실시간으로 수집하고 이를 분석하여 최적의 유지보수에 활용할 수 있는 시스템 개발을 위한 방안과 시스템 프레임워크 및 알고리즘을 제시하였다. CBM 방법론을 적용하여 신뢰성이 있는 최적의 차량 유지보수 결과를 도출하기 위해서는 장기간에 걸쳐 수집된 차량의 상태정보와 이를 분석한 결과 정보 등이 관리되고 재활용을 할 수 있어야 가능하다.
가설 설정
- 7]과 같은 미대응, 수리, 교환 유지보수 활동에 따른 상태 전이확률행렬과 각각의 상태별 성능 유지시간을 알면 확률적 열화모델 추론을 통한 배터리 상태추이 예측이 가능하다. 각각의 상태별 성능 유지시간을 1 ~ 4 등급까지 각각 t+4, t+3, t+2, t+1로 가정하여 [Fig. 8]과 같은 열화곡선을 추론하였다. 그림을 보면, 계획대상 기간이 t+22이라고 할 때, 현시점(t)을 기준으로 t+7 시점에 상태 S3가 되었을 때, 수리 유지보수 활동으로 인해서 상태 S2로 전이되었다가 t+12 시점에 상태 S4가 되었을 때, 교환 유지보수 활동으로 인해서 상태 S1이 되고 난 후, 유지보수 활동 없이 t+22 시점까지 성능이 유지되고 있다.
- 배터리 부품의 열화 과정은 새 배터리일수록 배터리 블록 간의 전압의 차이가 작게 나타나고 노화가 진행될수록 배터리 블록 간의 전압 차이가 크게 나타난다고 가정하고, 배터리 블록 전압의 최대값과 최소값의 차이를 dV 라고 정의하였다. 실험데이터 각각의 레코드별로 dV 값을 구하여 시계열 데이터로 구성한 후, 배터리 부품의 상태 진단, 상태 예측, 유지보수 결정 단계에서 사용하였다.
- 앞서 서술한 차량 상태기반 진단예측 시스템의 프레임워크 및 방법론에 대한 적용 타당성 확인을 위해서 하이브리드 전기 자동차의 배터리 엔진으로만 운행한 자료를 취득하여 배터리 부품의 상태가 확률적으로 열화 과정을 겪는다고 가정하고 상태 진단, 상태 예측, 유지보수 결정 단계별로 실험을 진행하였다.
- 5,-128, -230, -300, -354)를 임의로 정하고, 유지보수 활동에 따른 상태 전이확률행렬은 식(5)를 실행할 때마다 행렬의 각 항에 랜덤값으로 미세한 조정이 되도록 하였다. 이는 유지보수 활동 결정 전과 후의 차량부품 상태변화 추적을 통해 조정 과정을 거쳤다고 가정한 것이다. [Table 5]를 구성하는 정보는 Current State = 현시점의 상태등급, Minimum State = 최저 허용 상태, Action = 현시점에서의 최적 유지보수 활동(1=미대응, 2=수리, 3=교환), LCC = 유지보수 활동에 따른 생애 주기비용, Cost = 유지보수 활동에 따른 비용을 나타낸다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.