[논문]고장원인 확률을 이용한 FMEA와 고장진단 순서의 최적화

송기태; 김민호; 백영구; 이기서; 김수명

문제 정의

비용 및 시간을 감소시킬 수 있을 것이다. 따라서, 본 연구에서는 현 서울도시철도공사의 2006년도 1년간의 5호선 차량 인버터 시스템의 고장유형 중 감지센서 불량에 대한 고장데이터를 기반으로 각 고장유형에 따른 고장원인의 확률을 산출하는 방법을 제시하고, 그에 따른 수준을 분류하기 위한 대안과 FMEA에 적용하는 절차를 제시하였다. 또한, 고장원인 확률과 수준분류를 FMEA에 적용하여 차후 유지보수 활동에서의 고장진단 및 검사 시에 활용할 수 있는 방안을 제시하였다.
따라서, 본 연구에서는 현 서울도시철도공사의 2006년도 1년간의 5호선 차량 인버터 시스템의 고장유형 중 감지센서 불량에 대한 고장데이터를 기반으로 각 고장유형에 따른 고장원인의 확률을 산출하는 방법을 제시하고, 그에 따른 수준을 분류하기 위한 대안과 FMEA에 적용하는 절차를 제시하였다. 또한, 고장원인 확률과 수준분류를 FMEA에 적용하여 차후 유지보수 활동에서의 고장진단 및 검사 시에 활용할 수 있는 방안을 제시하였다.
본 논문에서는 운영상의 고장데이터 또는 FMEA상에서 확인되어지는 고장유형에 따른 원인의 발생확률을 이용하여 그 수준을 4가지로 분류하고, 또한 이를 FMEA에 적용시켜 차후 예방정비 계획수립과 고장진단 및 검사 시에 활용할 수 있는 방법을 제시하기 위하여 서울도시철도 차량시스템에 포함된 인버터의 감지센서불량의 고장현상에 대한 데이터를 적용하여 고장원인의 확률을 산출하고 원인의 정량적인 수준을 분류하였다. 이러한 결과를 차후 고장 진단 및 검사순서의 최적화 할 수 있는 결정 방법을 수학적인 증명을 통하여 예로써 제시하였으며, 이를 통해 유지보수 측면에서 FMEA에 정량적인 고장 원인 확률과 수준분류를 적용함으로써 신뢰성 있고 효과적인 고장분석이 가능할 수 있다.
대안이 필요하다. 본 논문의 서두에 언급했던 바와 같이 고장원인 확률과 정량적 수준 분류의 가장 주요한 목적은 운영 시 고장의 징후 또는 고장이 발생하면 이에 대한 원인을 최대한 짧은 시간과 최소의 비용으로 찾아내 수리 또는 복구 할 수 있는 신뢰할 만한 데이터를 얻기 위한 한 가지의 방안 및 방법을 제시하는 것이라 할 수 있다.
이처럼 고장의 발생 시 그 고장의 원인의 진단 및 검사에 관련된 탐색순서의 최적화가 유지보수 비용적인 측면에서 얼마나 큰 영향을 미칠 수 있는지 알 수 있다.

가설 설정

하지만 본 장에서는 현재의 여건 및 복잡성을 고려하여 진단 소요비용 (M/H)을 임의로 아래의 표5와 같이 가정하여 비용을 고려한 고장원인 진단 및 검사 순서의 최적화의 방법을 설명하기로 한다. 단, 여기서의 개별적인 고장원인의 검사자체의 신뢰도는 100%라 가정하도록 한다.
그러므로 π*가 최적이면 #이다. 또한, 중분조건이라는 것을 증명하기위해서는 특정한 탐색순서 #에서 임의의 고장원인에 대하여 #가 성립하면 그 순서는 최적이라는 것을 증명해야 하는데, 우선 증명을 간단히 하기 위하여 α와 β이외의 고장원인의 검사 순서가 이와 같이 배열되었다고 가정 하기로 한다. #이면 P_αC_β > P_βC_α이다.

제안 방법

고장 원인 확률 산출을 위해서는 운영상에서 일정기간 수집된 고장 데이터에 따른 FMEA상의 수준별고장원인들에 대한 발생율을 이용하여 표1의 철도 차량 인버터 시스템의 고장유형 중 감지센서 불량에 대한 원인의 경험적 확률을 산출 하도록 한다.
5의 확률을 초과하는 원인은 많아야 하나에서 두 가지였으며 그 외의 원인들은 그 이하의 확률을 가지는 것을 알 수 있었다. 따라서 본 논문에서는 아래와 같이 위의 표2의 고장원인 확률에 대한 고장원인의 정량적인 수준 분류를 4가지 수준으로 분류 하였다. 그 예는 다음 표3과 같다.
8의 8가지가 존재하는 것을 보여준다. 본래 설계 및 유지보수의 예방정비 측면에서 정확한 고장 분석을 위한 FMEA는 위의 FCE 수준에서의 고장유형 및 원인을 가능한 한 최하위의 Root Cause를 확인하여 기록하고 분석해야 하지만, 현 고장데이터의 기록 수준과 설계 시 적용 또는 예방정비 측면의 목적 보다는 고장 징후 및 고장의 유형이 발생 시 이를 효과적으로 진단 및 검사하여 유지보수 하고자 하는 본 연구의 목적에 맞추어 위의 수준을 적용하였다. 이와 같은 이유로 고장원인을 고장원인 장치(FCE)로 표기하여 구별하고자 한다.
위와 같은 접근법은 현대의학에서 인간의 질병을 진단할 때 많은 시간동안 기록 또는 관찰되어지거나임의의 임상실험을 통한 데이터의 각 질병의 징후들을 매개변수화화여 발생율에 대한 조건부 확률을 이용한 데이터 베이스 시스템을 활용하여 징후에 따른 질병의 진단 또는 질병의 원인을 찾아내는 것과 같이 철도 차량에 있어서도 고장 징후(Symptom)에 관한 부분과 TCMS Code Number등과 같은 고장 지표와 같은 요인을 고려하여 조건부 확률 이론을 활용하면 좀 더 정확하고 신뢰성 있는 고장원인 확률에 대한 데이터를 얻을 수 있을 것으로 생각되지만, 현 도시철도 차량의 고장데이터가 그러한 조건부 확률을 직접적으로 적용하기에는 여러가지 인위적 시험이나 데이터의 분석 및 정리 등과 같은 고장과 관련한 데이터가 적절하지 않은 점을 고려하여 본 논문에서는 고장원인의 발생 비율만을 이용하여 고장 원인의 확률을 산출하였다.

성능/효과

고장 진단 및 검사순서의 결정에 있어서 비용적인 부분을 고려하여야만 실제 유지보수 측면에서 비용감소에 효과적이 될 수 있다는 사실을 확인할 수 있었다. 또한, 좀 더 신뢰성 있는 고장원인 확률 산출을 위하여 향후 현장에서의 고장데이터의 기록 및 관리의 방법과 체계가 개선되어야 할 것으로 사료되며, 그러한 데이터를 정확하고 실제 활용할 수 있도록 분석하기 위한 많은 연구가 수행되어져야 할 것이다.
있으므로 고장 진단 및 검사 시의 편의성을 고려하여 순서를 변경할 수 있다. 두 번째로, 비용적인 부분을 고려한 고장 진단 및 검사 시의 순서의 최적화하는 방법은 고장원인 확률과 개별적인 고장 원인의 진단 및 검사 비용을 고려하여 정확한 고장원인을 발견해 낼 때까지의 진단, 검사 비용을 최소화하는 탐색순서를 결정하는 것이며 이를 위하여 진단 시간, 소요인원, 조치시간, 장치교환 비용 및 기타부대 소요 비용 등의 여러가지 종합적인 요소들을 가지고 정량화 하여야 신뢰성 있고 효과적으로 최적화 순서의 결정이 가능하다. 하지만 본 장에서는 현재의 여건 및 복잡성을 고려하여 진단 소요비용 (M/H)을 임의로 아래의 표5와 같이 가정하여 비용을 고려한 고장원인 진단 및 검사 순서의 최적화의 방법을 설명하기로 한다.
본 논문에서는 고장유형에 따른 원인의 수준분류를 함에 있어 여러 고장유형의 원인에 대한 확률을 산출하여 본 결과 하나의 고장유형에 대한 여러 원인 중 전체 0.5의 확률을 초과하는 원인은 많아야 하나에서 두 가지였으며 그 외의 원인들은 그 이하의 확률을 가지는 것을 알 수 있었다. 따라서 본 논문에서는 아래와 같이 위의 표2의 고장원인 확률에 대한 고장원인의 정량적인 수준 분류를 4가지 수준으로 분류 하였다.
위 표5에서 만약 와고 커 넥터 가 고장 원인일 경우 탐색순서가 FCE₁, FCE₄, FCE₅, FCE₆, FCE₇, FCE₃, FCE₂, FCE₈이었다면 8시간 6분의 진단시간과 인건비가 소요되고, 탐색순서가 FCE₂, FCE₁, FCE₄, FCE₅, FCE₆, FCE₇, FCE₃, FCE₈이었다면 단30분의 진단시간과 인건비만 지출될 것이다. 이처럼 고장의 발생 시 그 고장의 원인의 진단 및 검사에 관련된 탐색순서의 최적화가 유지보수 비용적인 측면에서 얼마나 큰 영향을 미칠 수 있는지 알 수 있다.
위의 내용과 같이 첫 번째의 비용을 고려하지 않은 고장원인의 발생 확률만으로 고장진단 및 검사순서를 결정했을 경우와 비용적인 측면을 고려했을 경우는 그 결과에 있어서 차이가 나타나는 것을 확인할 수 있으며, 효과적인 고장진단 및 검사순서의 결정에 있어서 비용적인 부분이 미치는 영향이 중요함을 알 수 있다. 따라서 실제 신뢰성 있는 고장진단 및 검사순서를 결정하기 위해서는 가능한 비용 관련한 데이터를 고려하여야 한다.

후속연구

고장원인 확률 산출 및 수준분류를 통한 정량적인 데이터를 이용하여 효과적으로 유지보수 측면의 예방정비 계획 수립과 고장발생시 신속하고 정확한 원인의 진단을 위하여 고장데이터 수집의 단계에서 부 터 최종 결과 적용 후의 주기적 모니터를 통한 지속적인 관리가 가능하도록 절차에 따라 수행되어져야할 것이다. 아래의 그림3은 고장원인 확률 및 수준분류를 적용하기 위한 전체적인 절차의 흐름을 나타낸 것이다.
하지만 기존의 FMEA에 있어서는 이러한 부분에서 효과적으로 적용되기에 어려운 점이 있다. 따라서 정성적인 FMEA에 대해 위에서 언급한 고장원인 확률을 적용함으로써 정량적인 부분을 보완하고, 고장의 진단 및 고장 검사 시에 고장의 원인의 확률 및 정량적수준에 따라 고장의 진단 순서 및 우선순위의 고장원인을 찾아내는데 큰 효과가 있을 것이다. 이를 위하여 FMEA에 고장원인 확률을 적용하기 위해서 일단 FMEA를 실시함에 있어서 고장원인 확률 및 수준도 함께 정의되어 기록 되어져야 한다.
효과적이 될 수 있다는 사실을 확인할 수 있었다. 또한, 좀 더 신뢰성 있는 고장원인 확률 산출을 위하여 향후 현장에서의 고장데이터의 기록 및 관리의 방법과 체계가 개선되어야 할 것으로 사료되며, 그러한 데이터를 정확하고 실제 활용할 수 있도록 분석하기 위한 많은 연구가 수행되어져야 할 것이다.
기여 할 수 있을 것이다. 또한, 차후 고장 진단 및 고장 검사 시에 활용하기 위해서는 고장 원인을 일정한 기준에 의하여 정량적으로 분류해야 할 필요가 있다. 따라서 다음에서는 고장 원인 확률에 대해서 정량적인 측면에서의 수준을 분류하도록 한다.
산출된 고장원인확률을 FMEA에 적용하여 고장분석을 통한 시스템의 손상과 운영상의 피해를 최소화하는데 기여 할 수 있을 것이다. 또한, 차후 고장 진단 및 고장 검사 시에 활용하기 위해서는 고장 원인을 일정한 기준에 의하여 정량적으로 분류해야 할 필요가 있다.
위 그림3과 같이 고장원인 확률과 수준을 분류하여 작성한 FMEA의 단계에서 해당 시스템의 고장 유형들을 개별적으로 그 기능, 치명도, 영향, 비용적인 부분 등을 고려하여 예방정비 계획의 수립이 효과적인지, 아니면 고장의 징후 및 유형이 발생 시에 적절하게 조치 및 대처하는 것이 효과적인지를 신중하게 결정하여야 성공적인 적용이 될 것이다.
수준을 분류하였다. 이러한 결과를 차후 고장 진단 및 검사순서의 최적화 할 수 있는 결정 방법을 수학적인 증명을 통하여 예로써 제시하였으며, 이를 통해 유지보수 측면에서 FMEA에 정량적인 고장 원인 확률과 수준분류를 적용함으로써 신뢰성 있고 효과적인 고장분석이 가능할 수 있다.
고장원인에 대한 수준 분류는 대상시스템에 대한 고장유형에 따른 고장원인의 전체 수준이 정해지면 각각의 고장원인의 수준별로 전체 분류하여 각각의 수준에 대하여 시스템의 특성을 고려한 적합한 예방 정비 계획 및 조치에 대한 방안을 수립하여야 한다. 이를 위하여 FMEA 양식지에 포함하여 기록하는 방법 외에도 고장의 유형에 따른 고장원인의 수준분류를 위한 고장원인 수준 분류 및 진단순서 양식지를 작성하는 것도 효율적인 방법이 될 수 있을 것이다. 이러한 내용에 관련하여 다음 4장에서 구체적으로 언급하였다.
이와 같은 고장 진단 및 검사 시의 고장징후에 따른 고장원인을 신뢰성에 근거한 데이터를 통하여 예측하고 진단 또는 검사 순서를 정하게 된다면 고장진단 및 검사 시의 효율성을 확보하고, 이를 통하여 유지보수 비용 및 시간을 감소시킬 수 있을 것이다. 따라서, 본 연구에서는 현 서울도시철도공사의 2006년도 1년간의 5호선 차량 인버터 시스템의 고장유형 중 감지센서 불량에 대한 고장데이터를 기반으로 각 고장유형에 따른 고장원인의 확률을 산출하는 방법을 제시하고, 그에 따른 수준을 분류하기 위한 대안과 FMEA에 적용하는 절차를 제시하였다.
이와 같은 이유로 고장원인을 고장원인 장치(FCE)로 표기하여 구별하고자 한다. 이처럼 고장 및 기능 고장의 수준에 따라 고장원인의 수준은 달라지며, 이것은 차후 고장 진단 및 검사 시의 확인되어지는 고장 현상의 수준에 따라 고장원인의 수준 또한 달리 적용되어져야 할 것이다.
위의 FMEA는 고장원인 확률 및 수준을 기입하여 나타낸 것이다. 표4와 같이 정성적인 FMEA에 대하여 고장 유형의 수준에 따른 고장원인의 확률과 정량적인 수준분류를 실시함으로써 차후 제품 설계 시에는 고장원인의 수준에 따라 설계변경 및 고장원인 장치의 대체, 고장의 진단, 검사에 대한 계획 수립 등에 대한 신뢰성 있는 우선순위가 차등 적용되어 결정될 수 있을 것이다. 고장원인에 대한 수준 분류는 대상시스템에 대한 고장유형에 따른 고장원인의 전체 수준이 정해지면 각각의 고장원인의 수준별로 전체 분류하여 각각의 수준에 대하여 시스템의 특성을 고려한 적합한 예방 정비 계획 및 조치에 대한 방안을 수립하여야 한다.
하지만 차후 필요 하다면 고장원인에 대한 개별적인 치명도 또한 고장원인 확률을 검토하여 그 수준의 효과적인 조정이 가능하다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

고장원인 확률을 이용한 FMEA와 고장진단 순서의 최적화
A Study for FMEA and Optimization of Failure Diagnosis Sequence Using Probability of Failure Cause 원문보기

Abstract ▼ AI-Helper

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

고장원인 확률을 이용한 FMEA와 고장진단 순서의 최적화 A Study for FMEA and Optimization of Failure Diagnosis Sequence Using Probability of Failure Cause 원문보기

Abstract ▼ AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

고장원인 확률을 이용한 FMEA와 고장진단 순서의 최적화
A Study for FMEA and Optimization of Failure Diagnosis Sequence Using Probability of Failure Cause 원문보기

AI 본문요약
AI-Helper