• 기계저널
• /
• 제57권3호
• /
• pp.34-37
• /
• 2017

이 글은 공학시스템 고장예지 및 건전성 관리 기술을 소개하고, 최근 주목받고 있는 인공지능기술인 딥러닝과 접목한 연구 사례를 제시한다.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2017년도 제56차 하계학술대회논문집 25권2호
• /
• pp.9-10
• /
• 2017

본 논문에서 소음, 진동을 이용한 딥러닝 기반 기계 고장진단 임베디드 시스템을 제안하였다. 제안된 시스템은 기계로부터 취득된 소리와 진동을 바탕으로 학습한 DNN모델을 통해 실시간으로 기계 고장을 진단한다. 딥러닝 기술을 사용하여 학습에 따라 적용대상이 변경될 수 있도록 함으로써 특정 기계에 종속적이지 않고 가변적으로 다양한 기계에 대해 고장 예지 및 건전성 관리를 제공하도록 설계하였으며, 이를 증명하기 위해 액추에이터를 환풍기로 설정하여 정상상태와 4가지 비정상상태의 5가지상태를 학습하여 실험한 결과 93%의 정확도를 얻었다.

• 기계저널
• /
• 제57권3호
• /
• pp.38-41
• /
• 2017

이 글에서는 인공지능을 이용한 공학시스템 고장진단 및 예지기술(PHM: Prognostics and Health Management)의 개념을 소개하고, 실제 적용 사례를 제시한다.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2019년도 제60차 하계학술대회논문집 27권2호
• /
• pp.11-12
• /
• 2019

본 논문에서 에스컬레이터 기계실 내부 전동기, 감속기, 구동 체인의 IoT 소음 및 진동 센서를 부착하여 에스컬레이터 운영중 실시간 상태 감시가 가능한 IoT 기반 에스컬레이터 고장 예지 시스템을 제안한다. IoT 소음 및 진동 센서는 에스컬레이터 운영 중 발생하는 소음 및 진동 데이틀 수집하여 PHM(Prognostics and Health Management) 서버로 전송하며, 서버에서는 진단 알고리즘을 통해 고장 유 무를 판단한다. 소음 데이터를 이용한 체인 피치 길이 알고리즘을 검증하기 위하여 실제 체인의 길이를 측정한 결과 값과 비교한 결과 99.8% 정확도를 가지며, 진동 데이터를 이용하여 전동기, 감속기의 상태 판단을 위한 알고리즘 검증을 위해 AST 사의 진동 센서와 비교한 결과 약간의 오차는 발생하지만 ISO 10816-3을 기준으로 한 판단 결과 값은 동일한 결과 값을 가지는 것을 확인하였다.

• 한국통신학회논문지
• /
• 제42권4호
• /
• pp.939-949
• /
• 2017

고장 예지 및 건전성 관리 기술(Prognostics and Health Management; PHM)은 시스템의 현재 상태를 진단하고 향후 발생 가능한 고장 시점을 신뢰성 있게 예지하는 기술로써 유지 보수 비용의 절감 및 시스템의 안정성 향상을 꾀하고자 하는 다양한 산업분야에서 활발하게 이용되고 있다. 스마트 그리드의 에너지 저장장치, 전기차, 스마트폰, 항공우주산업 등 광범위한 사용처에서 중요한 에너지원으로 사용되고 있는 배터리 또한 성능 저하 및 폭발의 위험성으로부터 자유로울 수 없기 때문에 이러한 고장 예지 및 건전성 관리 기술이 반드시 적용되어야 할 어플리케이션이다. 본 논문에서는 PHM의 기본적인 개념을 소개함과 동시에 배터리의 잔존 유효 수명(Remaining Useful Life; RUL)을 예측하는 각종 알고리즘 및 성능 평가 지표 서술에 초점을 맞추도록 한다. 더불어 배터리의 기능적 동작 원리 및 전기화학 기반의 모델링에 대한 설명을 통해 향후 잠재적인 가능성을 지닌 배터리의 전반적인 특성에 대한 깊은 이해 및 응용 기술에 대한 통찰력을 제시하고자 한다.

• 한국기계가공학회지
• /
• 제19권11호
• /
• pp.94-101
• /
• 2020

In the age of industry 4.0, artificial intelligence is being widely used to realize machinery condition monitoring. Due to their excellent performance and the ability to handle large volumes of data, machine learning techniques have been applied to realize the fault diagnosis of different equipment. In this study, we performed the failure mode effect analysis (FMEA) of an aluminum electrolytic capacitor by using deep learning and big data. Several tests were performed to identify the main failure mode of the aluminum electrolytic capacitor, and it was noted that the capacitance reduced significantly over time due to overheating. To reflect the capacitance degradation behavior over time, we employed the Vanilla long short-term memory (LSTM) neural network architecture. The LSTM neural network has been demonstrated to achieve excellent long-term predictions. The prediction results and metrics of the LSTM and Vanilla LSTM models were examined and compared. The Vanilla LSTM outperformed the conventional LSTM in terms of the computational resources and time required to predict the capacitance degradation.

• 전력전자학회:학술대회논문집
• /
• 전력전자학회 2006년도 전력전자학술대회 논문집
• /
• pp.305-307
• /
• 2006

기존에 사용되어 온 진동데이터를 이용한 유도전동기 고장진단 기법은 유도전동기의 전기적 결함을 파악하기 어렵고 특정 고장의 경우 유사한 진동주파수를 포함하고 있어 정확한 고장진단이 어렵다. 본 논문에서는 유도전동기 고장진단 시스템을 구현하기 위해 기존의 진동데이터 분석에 전류 분석기법 중의 하나인 MCSA(Motor Current Signature Analysis)기법을 추가하여 유도전동기 예지보전시스템의 신뢰성을 향상시켰다. 구현된 시스템의 신뢰성을 검증하기 위해 유도전동기의 고장진단을 위한 실험환경을 구축하고 진동데이터만을 이용하여 얻어진 고장진단 결과와 전류데이터 분석을 병행하여 얻어진 고장진단 결과를 비교 분석하였다.

• 소음진동
• /
• 제25권1호
• /
• pp.7-15
• /
• 2015

• 한국기계가공학회지
• /
• 제20권9호
• /
• pp.28-34
• /
• 2021

The Fourth Industrial Revolution has led to the development of drones for commercial and private applications. Therefore, the malfunction of drones has become a prominent problem. Failure mode and effect analysis was used in this study to analyze the primary cause of drone failure, and blade breakage was observed to have the highest frequency of failure. This was tested using a vibration sensor placed on drones along the breakage length of the blades. The data exhibited a significant increase in vibration within the drone body for blade fracture length. Principal component analysis was used to reduce the data dimension and classify the state with machine learning algorithms such as support vector machine, k-nearest neighbor, Gaussian naive Bayes, and random forest. The performance of machine learning was higher than 0.95 for the four algorithms in terms of accuracy, precision, recall, and f1-score. A follow-up study on failure prediction will be conducted based on the results of fault diagnosis.

• 한국기계가공학회지
• /
• 제20권12호
• /
• pp.85-91
• /
• 2021

In our daily life, artificial intelligence performs simple and complicated tasks like us, including operating mobile phones and working at homes and workplaces. Artificial intelligence is used in industrial technology for diagnosing various types of equipment using the machine learning technology. This study presents a fault mode effect analysis (FMEA) of start motors using machine learning and big data. Through multiple data collection, we observed that the primary failure of the start motor was caused by the melting of the magnetic switch inside the start motor causing it to fail. Long-short-term memory (LSTM) was used to diagnose the condition of the magnetic locations, and synthetic data were generated using the synthetic minority oversampling technique (SMOTE). This technique has the advantage of increasing the data accuracy. LSTM can also predict a start motor failure.