• Proceedings of the KSR Conference
• /
• 2005.11a
• /
• pp.77-81
• /
• 2005

본 논문은 열차제어시스템의 고장률을 정량적으로 예측하고 입증하기 위한 방안을 제시한다. 고장률의 정량적 예측은 시스템 개발단계에서 하부시스템별 고장발생확률을 예측하여 목표 고장률과 비교하고, 고장률이 높은 하부시스템의 설계를 보완하기 위함이다. 시제품이 완성된 후에는 예측된 고장률의 입증을 위해 시운전을 통한 고장데이터를 분석하거나 신뢰성시험을 통해 고장률의 예측치를 입증한다. 본 논문에서 제시하는 열차제어시스템 고장률예측과 입증은 철도신호시스템 신뢰성, 가용성, 유지보수성, 안전성관련 규격인 IEC62278의 시스템 수명주기별 신뢰성활동을 근거로 하며, 전자부품으로 구성된 시스템고장률예측은 미국방부 전자부품 고장률예측 지침인 MIL-HDBK-217을 기준으로 사용하였다.

• Proceedings of the KIEE Conference
• /
• 2003.11b
• /
• pp.283-286
• /
• 2003

본 연구는 기존의 고장진단 기법들을 토대로 주어진 자동화 시스템에 실제 적용이 가능한 고장예측 알고리즘을 제시한다. 고장예측은 시스템이 운용되는 도중에 제한된 정보와 컴퓨터 자원을 이용하여 수행되어야 하므로 실시간 적용을 위하여 2단계로 구분하여 수행된다. 첫 번째는 실시간 고장예측 단계로서 시스템 운용 중에 시스템의 고장 징후를 탐지하는 역할을 하며, 두 번째는 오프라인 고장예측 단계로서 실시간으로 고장 징후가 탐지되면 시스템의 작동을 멈춘 후 고장의 징후를 분류하고 식별하는 역할을 수행한다 원활한 고장예측 알고리즘을 도출하기 위해 자동화 시스템의 이산사건 모델과 연속시간 모델을 수립하였으며, 이들을 통합한 공정모델에 대하여 하이브리드 시뮬레이션 환경을 구축하였다. 제안된 기법은 자동화 시스템의 공정모델에 기구부, 모터부에 대한 고장모델을 부가하여 컴퓨터 시뮬레이션을 통하여 타당성을 검증하였다.

• ETRI Journal
• /
• v.14 no.4
• /
• pp.97-105
• /
• 1992

본 고에서는 TDX-1A 시스팀의 고장데이타를 신뢰도 측면에서 분석하여 운용중 발생하는 부품의 평가고장률을 도출하였다. 또한 도출된 평가고장률을 MIL-HDBK-217방법에 의해 구한 예측고장률과 비교 분석함으로써, TDX-1A 시스팀 신뢰도 예측시 적용했던 MIL-HDBK-217 예측방법이 실제 운용데이터보다 높게 나타나고 있음을 제시하였다. IC 부품에 대해 외국의 부품고장률 계산식을 살펴보고, 그에 따른 고장률 계산결과를 살펴봄으로써, 운용데이터를 이용한 운용환경에 적합한 부품고장률 예측식의 설정 연구가 필요함을 아울러 제시하였다.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2022.06a
• /
• pp.95-97
• /
• 2022

다양한 소스에서 수집되고 연동되는 항로표지 상태 데이터에서의 이상탐지는 항로표지의 고장예측에 있어서 중요한 역할을 한다. 이 연구에서는 항로표지 고장예측 서비스를 위해 상태 데이터를 모델링하고 분석할 수 있는 기계학습 모델의 연구 방법을 소개한다.

• Electronics and Telecommunications Trends
• /
• v.9 no.2
• /
• pp.77-86
• /
• 1994

부품 고장률은 시스템 신뢰도를 계산하는데 기본이 되는 요인이다. 신뢰도 예측은 부품고장률에서 회로팩, 블록, 서브시스템 및 시스템 신뢰도 순으로 계산되는 Bottom-up 방식으로 수행되기 때문이다. 본 고에서는 부품 고장률 계산시 일반적으로 사용되고 있는 미 국방부 전자부품 신뢰도 예측방법인 MIL-HDBK-217를 이용한 Microcircuit의 부품 고장률 계산방법을 나타냈다. 또한 Microcircuit의 신뢰도를 MIL-HDBK-217 예측방법 및 예측결과와 외국 예측방법 및 예측결과로 비교하여 나타냈다.

• Proceedings of the Safety Management and Science Conference
• /
• 2000.11a
• /
• pp.31-37
• /
• 2000

지금까지 고장예측에 관한 연구 논문들은 여러 분야에서 많이 다루어져 왔다. 그 대표적인 예측 방법 중에 하나인 FTA(Fault Tree Analysis)가 가장 많이 사용되어져 왔으며, 여러 산업분야에서 가장 활발하게 시스템 및 부품에 대한 고장 가능성 진단을 실시하여 왔다. 하지만 기존의 전통적인 FTA 방법을 사용하는데 있어서 몇 가지 문제점을 발견할 수가 있었다. 즉, 지금까지 FTA를 실시하는 과정에 있어서 시스템 및 부품에 대한 데이터의 자료가 정확하다는 전제하에 고장 값을 예측하여 왔다. 만일 시스템 및 부품에 대한 불확실한 데이터나 부정확한 자료를 동시에 가지고 있다면 지금까지 사용하여 왔던 전통적인 FTA를 사용하여 고장 값을 예측하여 정확한 값을 찾아내기란 어려운 것이라 할 수가 있다. 이와 같은 문제점을 해결하기 위해서는 본 연구에서 제시하는 Fuzzy FTA를 사용하는 것이 보다 바람직할 것이며, 이러한 방법을 사용하여 불확실하고 부정확한 데이터를 가지고 고장진단을 실시하여 고장가능성 값을 찾아내어 전체 시스템의 고장 발생 가능성을 예측하는 것이 이 논문의 목적이라 할 수가 있다.

• Journal of the Korean Data and Information Science Society
• /
• v.22 no.4
• /
• pp.755-764
• /
• 2011

In many companies field failure data is used to predict the future number of failures, especially when an unexpected failure mode happens to be a problem. It is because they want to predict the number of spare parts needed and the future quality warranty cost associated with the part based on the predictions of the future number of failures. In this paper field summary data is used to predict the future number of failures based on an appropriate distribution. Other types of data are also investigated to identify the appropriate distribution.

• ETRI Journal
• /
• v.14 no.1
• /
• pp.66-75
• /
• 1992

본고에서는 TDX-1A 시스팀의 운용 데이터를 신뢰도 측면에서 분석하여, 시스팀이 가지는 신뢰도 분포 특성과 고장 현황 구성을 살펴보았다. 또한 하드웨어 신뢰도만 예측될 수 있는 시스팀에서 예측하기 어려운 하드웨어 외적 요인에 의한 고장이 시스팀의 신뢰도에서 차지하는 부분을 추정함으로써 하드웨어 고장과 소프트웨어 및 운용중 에러에 의한 고장을 감안한 시스팀 신뢰도 예측이 가능하도록 하였다.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2022.06a
• /
• pp.110-110
• /
• 2022

본 연구는 자율운항 선박의 원격 고장 진단 기법 개발의 일부로 수행되었다. 특히, 엔진 연료 계통 장비로부터 계측된 시계열 데이터로부터 상태 진단을 위한 알고리즘 구현 결과를 제시하였다. 엔진 연료 펌프와 청정기를 가진 육상 실험 장비로부터 진동 시계열 데이터 계측하였으며, 이상 감지, 고장 분류 및 고장 예측이 가능한 심층 학습(Deep Learning) 및 기계 학습(Machine Learning) 알고리즘을 구현하였다. 육상 실험 장비에 고장 유형 별로 인위적인 고장을 발생시켜 특징적인 진동 신호를 계측하여, 인공 지능 학습에 이용하였다. 계측된 신호 데이터는 선행 발생한 사건의 신호가 후행 사건에 영향을 미치는 특성을 가지고 있으므로, 시계열에 내포된 고장 상태는 시간 간의 선후 종속성을 반영할 수 있는 학습 알고리즘을 제시하였다. 고장 사건의 시간 종속성을 반영할 수 있도록 순환(Recurrent) 계열의 RNN(Recurrent Neural Networks), LSTM(Long Short-Term Memory models)의 모델과 합성곱 연산 (Convolution Neural Network)을 기반으로 하는 Conv1D 모델을 적용하여 예측 정확성을 비교하였다. 특히, 합성곱 계열의 RNN LSTM 모델이 고차원의 순차적 자연어 언어 처리에 장점을 보이는 모델임을 착안하여, 신호의 시간 종속성을 학습에 반영할 수 있는 합성곱 계열의 Conv1 알고리즘을 고장 예측에 사용하였다. 또한 기계 학습 모델의 효율성을 감안하여 XGBoost를 추가로 적용하여 고장 예측을 시도하였다. 최종적으로 연료 펌프와 청정기의 진동 신호로부터 Conv1D 모델과 XGBoost 모델의 고장 예측 성능 결과를 비교하였다

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2022.11a
• /
• pp.265-267
• /
• 2022

선박 기관시스템이 효율적이고 안이정적인 운용을 위해서는 실시간 상태 모니터링 기반의 이상탐지, 고장진단 더 나아가 고장예측에 따른 대응조치를 할 수 있는 기술이 필요하며 이를 상태기반 유지관리(Condition Based Maintenance, CBM)이라 지칭한다. 해당 기술을 개발 및 확보하기 위해서는 가장 우선적으로 기관시스템에 대한 다양한 고장 데이터가 확보되어야 하며 이후, 확보된 데이터에 대한 특징추출 등 전처리 알고리즘, 고장 진단 및 예측 알고리즘 등을 개발하여야 한다. 본 연구에서는 선박 추진용 엔진 및 발전기 엔진에 대한 상태기반 유지관리 기술의 개발현황과 향후 지속적인 연구 추진방향을 소개하고자 한다.