• 기계저널
• /
• 제44권9호
• /
• pp.53-61
• /
• 2004

산업현장에서 기계 및 설비에 발생되는 고장은 일상적인 것이 될 수 있으나, 고장발생은 생산에 차질을 가져오고, 경우에 따라서는 산업재해로 연결 될 수 있다. 따라서 발전소, 석유화학 플랜트, 제철소 등 대형 산업현장의 주요 기계 및 설비에 대해서는 운전 상태를 지속적으로 감시(condition monitoring) 하여야 하고, 고장발생 시 고장을 진단하여 원인을 밝히고, 이를 바탕으로 확실한 대처방안을 마련하여야 한다.(중략)

• 기계저널
• /
• 제27권2호
• /
• pp.124-131
• /
• 1987

고장력 강재의 요구특성은 고강도, 고인성, 고내식성 외에 양호한 용접성 등으로 요약될 수 있다. 이러한 특성은 서로 상반된 특성으로서 고강도에 치중하다 보면 인성과 용접성이 저하하는 경향이 나타난다. 특히 고장력 강재를 이용하여 구조물 조립시는 용접공법이 이용되는데 이러한 용접시 열사이클로 인해 고장력 강재의 기계적 특성의 열화현상이 수반되며 이러한 현상은 고강고 강재일수록 현저하게 된다. 따라서 이와 같은 서로 상반된 요구특성을 어떻게 개선하느냐 하는 것이 고장력 강재 개발에 있어 가장 중요한 요건이라 할 수 있다. 이러한 목적을 달성하기 위해 현재로서는 탄소당량을 낮게 유지하고 결정립 미세화를 위한 각종 원소의 첨가처리, 고순도 강재 제조기술 및 각종 조질 열처리 기술이 개발되어 있으며 최근에 이르러 TMCP(thrmo-mechanical controlled process)방법이 개발되어 고장력 강재의 기계적 특성향상에 큰 발전을 가져오게 되었다.

• 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.

• 한국항해항만학회:학술대회논문집
• /
• 한국항해항만학회 2022년도 춘계학술대회
• /
• pp.301-301
• /
• 2022

본 연구는 운영 조건이 달라짐에 따라 회전수가 변하는 기기의 정상적 가동 여부와 고장 종류를 판별하기 위한 인공지능 알고리즘의 적용을 다루고 있다. 회전수가 변하는 장비로부터 계측된 상태 모니터링 센서의 신호는 비정상(non-stationary)적 특성이 있으므로, 상태 신호의 한계치가 고장 판별의 기준이 되기 어렵다는 점을 해결하고자 하였다. 정상 가동 여부는 이상 감지에 효율적인 오토인코더 및 기계학습 알고리즘을 적용하였으며, 고장 종류 판별에는 기계학습법과 합성곱 기반의 심층학습 방법을 적용하였다. 변하는 회전수와 연계된 주파수의 비정상적 시계열도 적절한 고장 특징 (Feature)로 대변될 수 있도록 시간 및 주파수 영역에서 특징 벡터를 구성할 수 있음을 예제로 설명하였다. 차원 축소 및 카이 제곱 기법을 적용하여 최적의 특징 벡터를 추출하여 기계학습의 분류 알고리즘이 비정상적 회전 신호를 가진 장비의 고장 예측에 활용될 수 있음을 보였다. 이 과정에서 k-NN(k-Nearest Neighbor), SVM(Support Vector Machine), Random Forest의 기계학습 알고리즘을 적용하였다. 또한 시계열 기반의 오토인코더 및 CNN (Convolution Neural Network) 적용하여 이상 감지와 고장진단을 수행한 결과를 비교하여 제시하였다.

• 한국지능시스템학회논문지
• /
• 제24권1호
• /
• pp.78-83
• /
• 2014

최근 신재생 에너지원으로서의 선두주자인 풍력발전은 다수의 풍력발전 회사들로 하여금 모니터링 및 고장진단 시스템의 개발을 가속화시키고 있다. 이러한 모니터링 및 진단시스템은 조기의 고장검출을 통해 고장이 발생되었을 경우 발생되는 고가의 수리비용을 미연에 방지할 수 있게 한다. 일반적으로 풍력발전과 관련된 고장진단 시스템은 진동신호 및 신호분석기법에 기반하고 있다. 이에 본 연구에서는 풍력발전 시스템에서 자주 발생되고 있는 질량 불평형 및 축 정렬 불량 등과 같은 기계적인 고장을 효율적으로 진단할 수 있는 시스템을 제안하고자 한다. 본 연구에서 제안된 지능화된 고장진단 알고리즘은 인공신경망기법과 웨이블렛 변환을 이용한 것으로 (주)가온솔루션에서 개발한 풍력발전용 기계적 고장발생 장치에 적용 실험을 통해 제안된 진단기법의 유용성을 확인하고자 하였다.

• 기계저널
• /
• 제56권11호
• /
• pp.37-40
• /
• 2016

제품 및 시스템의 안정적인 운용과 높은 신뢰성 확보를 위해 건전성 관리가 요구된다. 최근 기술의 발전과 함께 실용적인 고장 진단기술이 주목을 받으며, 고장 진단을 통한 건전성 관리 연구가 다양한 분야에서 활발히 진행되고 있다. 이 글에서는 고장 진단 관련 연구 동향 분석 및 고장 진단 기술 적용 사례들을 소개하고자 한다.

• 한국정밀공학회:학술대회논문집
• /
• 한국정밀공학회 1993년도 추계학술대회 논문집
• /
• pp.351-356
• /
• 1993

최근의 프로세스 공업화에 있어서 생산Line의 장치나 기계류는 점차 대형화, 고속화,연속화,복잡화되고 있다. 또한, 기계가공공업,자동차공업,기계,전자부품의 가공조립등의 생산설비는 각설비가 고도로 자동화되고 있는 실정으로 공장 전체의 유기체적인 제어 및 감독을 필요로 하고 있다. 마찬가지로 기계부품제작산업도 CNC.FMS등으로 점차 조작화,자동화됨에 따라 공작기계 장치나 기계류등의 이상이나 고장으로 생산 및 품질에 미치는 영향도 종래와 비교할 수 없을 정도로 중요시 되고 있는 실정이다, 이와같이 설비의 안전성을 도모하고 고신뢰도를 부여하기위해서는 기계설비의 이상 및 고장진단이 필수적이며, 공장 자동화와 함께 공작기계자체의 고장 및 이상진단을 실시하고, 검출된 신호의 크기등으로 고장상태를 판정해야만 한다. 공작기계에서 동적인 회전시스템을 이루는 주축용베어링의 손상은 제작하고자 하는 제품의 정밀도 표면거칠기등의 저하 뿐만아니라 시스템 전체의 기능까지도 떨어뜨리는 요인이 될수 있으므로 베어링 상태를 진단하여 송상유무를 판단하는것은 필수적이라 생각된다.

• 대한전기학회:학술대회논문집
• /
• 대한전기학회 2003년도 하계학술대회 논문집 D
• /
• pp.2778-2780
• /
• 2003

본 논문에서는 모터구동밸브의 모터 토크를 전기적인 신호만으로 예측하고, 계산된 모터 토크신호를 주파수영역에서 분석하여 Motor Speed, Slip pole 주파수, WGTM(Worm Gear Tooth Mesh)과 같은 MOV의 기계적 특성 성분을 확인하였다. 또한 모의 고장 실험을 통해 MOV 기계적 고장이 이 특성성분의 변화로 나타나는 것을 확인하므로, 이 정보를 MOV의 고장 감시 기술로 적용할 수 있다. 아울러 전기 신호를 이용하여 Condition Monitoring 기법을 개발하고, MOV 고장 감시 Software를 개발하므로, MOV 주기적 확인에 대비한 규제검증 기술 및 정보를 제공하고자 한다.

• 한국항해항만학회:학술대회논문집
• /
• 한국항해항만학회 2023년도 춘계학술대회
• /
• pp.275-276
• /
• 2023

산업 현장의 기계 시설물 고장 문제는 큰 인명피해와 경제적 손실을 초래할 수 있기 때문에, 기계 시설물의 상태를 기반하여 고장을 진단하는 것은 대단히 중요하다. 따라서, 본 연구에서는 전류 센서 데이터를 활용하여, 시설물의 고장 여부를 진단할 수 있는 알고리즘을 제안한다. 본 연구에 활용된 전류 센서 데이터는 x, y, z축을 가진 3상 전류 데이터로 구성되어 있으며, 2kHz로 1초간 샘플링 되어 있다. 본 연구에서는 2차원적 특성을 가지는 전류 센서 데이터를 분석하기 위해 CNN(Convolution Neural Network)을 활용한다. 시설물의 고장진단에 가장 적합한 모델을 선정하기 위해 CNN의 대표적인 백본 네트워크를 활용하여, 결과를 비교하였다. 실험 결과, 본 연구에서 구성한 후보 백본 네트워크 중 ResNet의 분류 정확도가 98.5%로 가장 높게 나타났다.

• 한국재료학회:학술대회논문집
• /
• 한국재료학회 2003년도 추계학술발표강연 및 논문개요집
• /
• pp.227-227
• /
• 2003

캐패시터, 인덕터 등의 전자부품들은 적층기술 및 표면 실장 기술 등을 이용하여 적층형 칩형태로 제작되고 있다. 적층형 칩형태의 전자부품들은 전자기적 특성을 부여하는 세라믹스와 전극역할을 하는 금속으로 구성되어 있으며, 전극 부분은 크게 내부전극과 외부전극으로 구분된다. 고장이 발생하게 되면 고장의 형태를 의미하는 고장모드(failure mode)와 제품을 고장에 이르게하는 물리, 화학적, 기계적 과정을 의미하는 고장기구(failure mechanism)을 조사하게 된다. 전자부품에서 고장이 발생하였을 경우, 1차적인 분석대상은 전극재인데 전극재에 기인한 고장으로는 세라믹스와 전극재 사이의 열팽창계수 차이에 기인한 박리현상(Delamination), 인쇄불량에 의한 단락 및 두께 불량, 세라믹스와 전극재 사이의 반응, 산화에 의한 부식 등이 있다. 이러한 고장은 급격한 주위 환경의 변화에 의한 것보다는 일정수준의 스트레스가 축적되어 발생하며, 수명을 예측하기 위해서는 고장의 원인을 규명하고 그 원인에 의한 가속 시험을 수행하는 것이 일반적인 방법이다. 본 연구에서는 Ag 외부 전극재의 수명을 예측하고자 가속시험을 수행하였고, 고장 분석 통하여 Ag외부 전극재의 특성 및 문제점 등을 정확히 파악하기 위한 연구를 하였다.