• 기계저널
• /
• 제53권7호
• /
• pp.26-34
• /
• 2013

이 글에서는 최근 관심을 모으고 있는 고장예지 및 건전성관리(PHM: Prognostics and Health Management) 기술을 소개하고, 항공우주분야의 적용사례를 중심으로 PHM 기술을 어떻게 활용하고 있는지를 설명하고자 한다.

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

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

• 소음진동
• /
• 제25권1호
• /
• pp.22-28
• /
• 2015

• 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.

• 기계저널
• /
• 제53권7호
• /
• pp.40-43
• /
• 2013

이 글에서는 최근 관심을 모으고 있는 고장예지 및 건전성관리(PHM: Prognostics and Health Management) 기술이 자동차 전장부품에 어떻게 적용돼야 하는지에 대한 설명을 하고자 한다.

• 한국기계가공학회지
• /
• 제19권9호
• /
• pp.47-52
• /
• 2020

With the 4th industrial revolution, condition monitoring using machine learning techniques has become popular among researchers. An overload due to complex operations causes several irregularities in MOSFETs. This study investigated the acquired voltage to analyze the overcurrent effects on MOSFETs using a failure mode effect analysis (FMEA). The results indicated that the voltage pattern changes greatly when the current is beyond the threshold value. Several features were extracted from the collected voltage signals that indicate the health state of a switched-mode power supply (SMPS). Then, the data were reduced to a smaller sample space by using a principal component analysis (PCA). A robust machine learning algorithm, the support vector machine (SVM), was used to classify different health states of an SMPS, and the classification results are presented for different parameters. An SVM approach assisted by a PCA algorithm provides a strong fault diagnosis framework for an SMPS.

• 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.

• 대한기계학회논문집A
• /
• 제40권8호
• /
• pp.721-724
• /
• 2016

실제 사용되는 기계 구조물의 수명 예측은 공정산포, 미래의 하중조건, 손상 모델의 불완전성 등으로 인하여 실험실에서 얻은 결과와 차이를 보일 수 밖에 없다. 본 연구에서는 이러한 불확실성이 내포된 기계 구조물의 피로파괴를 사전에 예지하기 위해 이중센서를 개발하고, 상온에서 단축 피로 하중을 받는 구조물에 적용하여 실증하였다. 이중 센서는 피로하중을 받는 대상 구조물보다 약간 더 큰 응력이 인가되도록 고안된 감지 구조물에 변형률 게이지를 부착한 형태이며, 균열이 센서자체에 먼저 발생함으로써 피로파괴를 예지하며, 쌍으로 제작된 감지부의 변형률 차를 이용하여 변동하중 하에서도 정상상태와 고장상태를 구분이 가능하다.

• 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.

• 항공우주시스템공학회지
• /
• 제13권6호
• /
• pp.17-25
• /
• 2019

항공기 엔진의 고장예지 및 건전성 관리(PHM)는 고장 또는 수명한계 도달 전에 잔존 유효 수명을 예측하는 것이다. PHM 기술 중 예측모델을 확립하는 방법은 물리 기반과 데이터 기반 방법이 있다. 물리기반 방법은 적은 데이터로 정확한 예측이 가능하지만 확립된 손상 물리 모델이 적어서 적용에 한계가 있다. 본 연구는 따라서 데이터 기반 방법을 적용하였으며, 수명 예측을 위해서 신경회로망 알고리즘 중 Multi-layer Perceptron을 이용하였다. 이를 위해 미국 항공우주국(NASA)에서 개발한 C-MAPSS 코드로 생성된 가상 데이터 세트를 이용하여 신경회로망을 학습하였다. 학습된 신경회로망 모델은 테스트 세트에 적용한 후 잔존 유효 수명의 신뢰구간을 예측하고 실제 값을 통해 정확도를 검증하였다. 또한 본 연구에서 제시된 방법을 기존 문헌의 것과도 비교하였고 그 결과 비교적 양호한 정확도를 확인할 수 있었다.