초록
▼

□ 연구개요
본 연구에서는 다양한 공학 시스템이나 장치에 대해 기계학습(machine learning) 기술에 기반하여 실시간으로 건전성(health)을 평가하고 고장시점을 예측하는 알고리즘을 개발하며, 이를 통해 돌발사고를 예...

□ 연구개요
본 연구에서는 다양한 공학 시스템이나 장치에 대해 기계학습(machine learning) 기술에 기반하여 실시간으로 건전성(health)을 평가하고 고장시점을 예측하는 알고리즘을 개발하며, 이를 통해 돌발사고를 예방하고 시스템의 가용성을 최대화하고자 한다. 주요 대상은 고장 시 대형 인명손실이 발생하는 고안전성 시스템으로, 이들에 대해 센서를 부착하여 현재의 결함수준을 평가하는 건전성 모니터링과 건전성 데이터를 예측알고리즘에 적용해서 고장시점을 예측하는 고장예지(prognostics) 기술을 개발한다. 이 과정에서 발생하는 다양한 불확실성을 고려하기 위해 베이지안 추정 이론을 개발하며 그 결과 고장예측정보를 확률적으로 제시한다. 개발 알고리즘을 기어/베어링 스폴결함, 배터리 용량열화 및 제조핵심설비 고장의 세 가지 문제에 적용, 가동 중 고장발생시점을 예측하고, 실제 발생한 결과와 비교함으로써 개발된 기술의 유효성을 검증한다.

□ 연구 목표대비 연구결과
본 연구는 고안전성 시스템들이 복잡도 운용 가혹 조건이 증가함에 따라 고장관리가 어려워져 운용 중 어느 순간 급격히 가동중단 또는 사고를 유발하여 많은 손실을 유발하는 것을 방지하기 위해 시스템의 실시간 건전성을 평가하고 고장싯점을 예측하는 알고리즘을 개발함으로써, 높은 안전도를 유지하면서 필요한 경우에만 교체하는 상태기반정비를 구현하고자 하였다. 그 연구 결과, 먼저, 핵심부품 관련하여 고장모드별 건전성 평가 연구동향 및 고장예측 기법 현황을 조사하였고 배터리, 기어 그리고 베어링의 고장실험을 진행하여 건전성 평가를 진행하였다. 각 실험으로부터 정상 및 고장 데이터를 수집 및 신호처리 기법을 통한 건전성 지수(Health Index)를 도출하였다. 추가로, 제조업의 핵심설비 고장구현을 위한 테스트베드 기본설계를 진행하여 고장데이터 추출 및 진단을 실시하였다. 나아가, 부품 레벨에서 가스터빈 엔진이라는 시스템 레벨까지 전 분야에 걸친 PHM 기법을 제안하였고 고장예측의 성능을 평가하기 위한 Prognostic Metric을 개발하여 각 시스템 별 우수한 예측 알고리즘을 선정하였다. 다양한 시스템의 고장관리를 위해 실제 현장 데이터 및 추가적인 냉각팬 실험을 통해 고장진단 및 예측 알고리즘 성능을 검증하였다.

□ 연구개발결과의 중요성
본 연구개발은 많은 산업생산 설비에서 발생하는 고장을 예방하여 운용유지 비용을 감소시키고 시스템에 대한 높은 안전도를 유지할 수 있는 상태기반 예측정비를 실현하는데 큰 기여를 하였다. 또한 해외에서 불과 몇 년 사이에 PHM 관련 연구가 집중되고 있는 반면 산업적 중요성에도 불구하고 국내에서는 많은 연구가 시작되지 못하였다. 본 연구결과를 통해 국내에서도 PHM에 대한 관심을 고취시켜 한국PHM 학회를 설립하는 등 선도적 연구를 수행하는데 도움이 되었다.

(출처 : 요약문 3p)

목차
Contents
▼

• 표지 ... 1
• 연구결과 요약문 ... 3
• 목차 ... 4
• 1. 연구개발과제의 개요 ... 5
• 2. 연구수행내용 및 연구결과 ... 6
• (1) 고장진단 및 예측 기법의 최근 현황 조사 및 정리 ... 6
• (2) 고장예측 기법 개발 ... 7
• (3) 배터리 용량열화 건전성평가 및 고장예측 ... 9
• (4) 제조업 공통 핵심설비 부품 고장진단 ... 11
• (5) 기어/베어링 스폴결함의 고장예측 및 검증 ... 12
• (6) 가스터빈 엔진 ... 17
• 3. 연구개발결과의 중요성 ... 19
• 4. 참고문헌 ... 19
• 5. 연구성과 ... 20
• 대표적 연구실적 ... 22
• 끝페이지 ... 38

표 / 그림 (32) 모든 표/그림 보기 슬라이드로 보기

참고문헌

• 전체(0)
• 논문(0)
• 특허(0)
• 보고서(0)