지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김송길
- 발행연도
- 2023
- 저작권
- 부산대학교 논문은 저작권에 의해 보호받습니다.
이용수4
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 조선·해운업에서 자율운항선박이 대두되면서, 인적 과실을 줄이고 해양사고를 저감할 수 있는 인공지능 기반 시스템 도입은 필수 개발 과제 중의 하나이다. 선박용 유청정기는 연료유와 윤활유 계통의 기관으로, 원유를 정화하여 출력 정유를 기관시스템 내 타 설비로 송출하는 보조기기이다. 유청정기 내 씰은 누설 방지를 위한 핵심 부품으로, 씰 성능의 열화 시 기밀에 문제가 발생하여 보울이 닫히지 않으며 출력 유량이 발생하지 않아 기관시스템과 전체 선박에 심각한 고장을 초래할 수 있다.
따라서 본 연구에서는 선박용 유청정기 내 핵심 부품인 씰의 고장을 진단하고 예측하기 위하여, 모사 설비로부터 데이터를 감시하여 건전성 데이터베이스를 구축하였고 고장 진단 및 예측을 위한 모형을 개발하였다. 첫 번째 단계에서는 가속 열화 시험법을 활용해 씰의 고장을 가속하였고, 이렇게 인위적으로 결함을 인가한 씰을 고장 모사 설비에 장착 및 운용하여 정상과 고장 상태 데이터를 빠르게 확보하였다. 두 번째 단계에서는 구축한 건전성 데이터베이스를 활용하여 ANN 및 LSTM 기반 고장 진단 및 예측 모형을 개발하였고 이들을 비교하였다. 특히, 본 연구에서는 고장 및 생존 지수를 제안하였으며 이를 활용하여 고장 예측 결과에 대한 정량적 근거를 마련하였다. 제안된 고장 진단 및 예측 방법은 전문적인 지식 없이도 대상의 결함에 대한 정보를 제공하므로 사용자가 효율적으로 유지보수 계획을 수립할 수 있도록 도울 수 있다.
따라서 본 연구에서는 선박용 유청정기 내 핵심 부품인 씰의 고장을 진단하고 예측하기 위하여, 모사 설비로부터 데이터를 감시하여 건전성 데이터베이스를 구축하였고 고장 진단 및 예측을 위한 모형을 개발하였다. 첫 번째 단계에서는 가속 열화 시험법을 활용해 씰의 고장을 가속하였고, 이렇게 인위적으로 결함을 인가한 씰을 고장 모사 설비에 장착 및 운용하여 정상과 고장 상태 데이터를 빠르게 확보하였다. 두 번째 단계에서는 구축한 건전성 데이터베이스를 활용하여 ANN 및 LSTM 기반 고장 진단 및 예측 모형을 개발하였고 이들을 비교하였다. 특히, 본 연구에서는 고장 및 생존 지수를 제안하였으며 이를 활용하여 고장 예측 결과에 대한 정량적 근거를 마련하였다. 제안된 고장 진단 및 예측 방법은 전문적인 지식 없이도 대상의 결함에 대한 정보를 제공하므로 사용자가 효율적으로 유지보수 계획을 수립할 수 있도록 도울 수 있다.
목차
1. 서론 11.1 연구 배경 11.1.1 선박 설비 내 인공지능 기반 유지보전 기술의 필요성 11.1.2 선박 설비 유지보전 현황 31.1.3 선박용 유청정기와 씰 31.2 연구 동향 61.2.1 상태 감시 기반 기계의 건전성 관리 61.2.2 가속 열화 시험을 활용한 기계 건전성 데이터의 확보 91.2.3 고장 진단 및 예측 위한 인공신경망의 활용 121.3 연구 목적 182. 고장 모사 설비 활용 상태 데이터베이스 구축 212.1 유청정기 운용 조건 212.2 가속 열화 시험 기반 씰 고장 모사 232.2.1 유청정기 씰의 고장 원리 232.2.2 유청정기 씰의 가속 열화 시험 242.2.2.1 가속 열화 시험 설계 242.2.2.2 시편의 균질성 검사 262.2.2.3 가속 열화 시험 수행 및 고장 시간 추정 282.2.2.4 분포 적합성 및 가속성 성립 검사 292.2.2.5 등가 수명 및 누적 고장 확률 322.3 유청정기 모사 설비 활용 고장 재현 실험 352.3.1 유청정기 모사 설비 구축 352.3.2 운용 조건 별 상태 감시 결과 373. 상태 감시 기반 고장 진단 및 예측 모형 개발 533.1 데이터 전처리 및 특징 선택 533.1.1 데이터 전처리 533.1.2 특징 추출 543.1.3 데이터셋 분할 563.1.4 데이터셋 표준화 573.1.5 분산팽창지수 활용 특징 선택 583.2 ANN 및 LSTM 분류기 활용 고장 진단 613.2.1 ANN 및 LSTM 기반 고장 진단 모형 설계 613.2.2 고장 진단 모형 성능 평가 663.3 이상 진단 오토인코더 활용 고장 예측 683.3.1 고장 예측 방법 제안 683.3.2 ANN 및 LSTM 기반 이상 진단 오토인코더 학습 733.3.3 이상 진단 오토인코더 성능 평가 783.3.4 이상 진단 오토인코더 활용 고장 예측 813.3.5 고장 예측 모형 성능 평가 844. 결과 및 고찰 884.1 결과 884.2 고찰 895. 결론 92참고문헌 94ABSTRACT 101
최근 본 자료
댓글(0)
0