http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
정성종 대한기계학회 1988 大韓機械學會誌 Vol.28 No.3
공작기계의 자동화에 적용되는 ACO, ACC 및 GAC 등에 대한 원리와 이용방안 그리고 연구개발 되어져야 할 점들에 대하여 수학적인 논술을 피하고 그 기본개념 등을 소개하였다. 궁극적인 자동화의 목표가 공작기계에 인공지능을 부여하여 경험이 없는 작업자라고 하더라도 생산공정을 관리 감독할 수 있도록 하기 위하여는 지능있는 공작기계의 개발이 이루어져야 하겠다. 지능 있는 공작기계의 개발시 고려되어져야 할 사항들을 고찰해 볼 때 공작기계의 ACO, ACC 및 GAC 등에 대한 연구개발에 앞서 절삭공정매카니즘 그 자체의 연구개발은 물론 절삭상황을 실 시간으로 측정 및 인식 할 수 있는 측정장치들에 대한 연구들이 선행되어져야 할 것이고, 선진국 대열에 들어서기 위해서는 공작기계 산업에 대한 육성은 물론 연구개발에 집중적인 투자가 이 루어져야 하겠다.
성환태 대한기계학회 1979 大韓機械學會誌 Vol.19 No.2
설계공학이라는 말이 공학상의 정식용어로서 널리 쓰여지고 있는 것 같지는 않으나 국내외의 공학을 하는 사람들 사이에는 이미 알려지고 있고 이러한 제목의 서적도 몇가지는 나와 있으며 가까운 장래에 일반으로 통용되는 술어로서 승인될 것이며 그 취급하는 내용도 점차 명확해질 것으로 생각한다. 단적으로 설계공학이란 무엇이냐 하면 다음과 같이 말하여도 될 줄 안다. [좋은 설계를 능률 좋게 행하는 방법을 창출하기 위하여 공학적설계의 본질에 대하여 연구하는 학문 이다.]라고. 종래 우수한 설계자는 기본적 공학을 채득한자가 체험으로 기능 교육적으로 양성되는 것이라고 알려져 왔다. 이것은 비단 설계뿐만 아니라 다른 학문의 경우에도 같으나 특히 설계는 그러한 면이 강한 것이 사실이다. 넓은 의미로의 설계공학은 공학의 모든 영역에 적용되는 것 이며 다시 공학뿐만 아니라 적어도 그 일부는 자연과학의 연구, 비지네스등 적어도 인간이 어떤 목적을 달성하기 위하여 계획하는 경우에도 적용할 수 있는 것이다. 이러한 광범한 영역중에서 본 고에서는 그 주영역을 기계공학으로 하였다. 기계공학중 종래의 기계설계라는 학과중에 기계 설계의 방침이라든지 기계설계상의 유의사항등의 표제하에 설계전반에 관한 문제가 다소는 취 급되어 왔다. 이 기계설계 과목의 학습의 주목적은 기계요소에 관한 지식의 습득이다. 기계기술 자에 요구되는 설계는 설계할 물건의 구체적인 공간적 모양. 치수와 재료를 선정하는 것이 아 니면 안되고 보통은 설계도면의 형태로 주어진다. 이 기계설계의 최종단계에서는 기계요소에 관한 지식은 없어서는 안되므로 기계요소에 관한 학습을 목적으로한 기계설계가 중요함은 말할 것도 없으나 종래의 기계설계만으로는 설계전체에 관한 연구가 부족되어 있음을 부정할 수 없고 Detail을 설계하는 설계자를 양성할 수는 있어도 더 큰 시야를 갖는 설계자의 양성에는 불충분 하였다. 설계공학에는 이점을 충분히 함으로써 종래의 기계설계를 보장하는 뜻도 있다. 설계공 학의 발생은 말할 것도 없이 공업전체의 최근의 경이적인 발달에 기인된 것이다. 즉 공학의 대 발전의 결과로서 공업과 공학에 대한 요청이 과도하게 되어 공업과 공학의 사회에 대한 책임이 증대하였기 때문에 공업. 공학에 종사하는 사람은 옛날보다 훨씬 복잡하게 상관하는 수많은 조 건을 고려하면서 보다 나은 설계를 도모하지 않으면 안되게 되었기 때문이다. 좋은 설계라 함은 무엇이냐, 능률 좋은 설계하려면 어떻게 하면 좋은가 등의 문제에 답하는 것이 설계공학이다. 또는 설계의 process 해석이 설계공학이라고 하여도 좋을 것이다.
김태완(Taewan Kim),이승철(Seungchul Lee) 대한기계학회 2021 대한기계학회 춘추학술대회 Vol.2021 No.4
데이터 기반 예후의 성능은 측정치로부터 뽑아낸 특징 인자(feature)의 성능에 의존한다. 높은 수준의 예후 성능을 달성하기 위해서는, 기계의 건강 상태를 잘 나타내도록 특징 인자들이 잘 디자인하여야 하며, 특징 인자들은 일반적으로 원 신호에서 계산되거나 통계적 신호처리 기법들을 통해 얻어진다. 이렇게 만들어진 특징 인자들은 그 자체로 건강 지표로 사용되거나, 또는 다른 특징 인자들과 함께 새로운 건강 지표를 구성한다. 그러나 기존의 많은 건강 지표들은 기계의 종류마다 만들어지는 방식이 다르며, 높은 수준의 도메인 지식이 요구된다. 이러한 단점을 해결하기위해, 우리는 데이터 기반 방법인 적대적 오토 인코더 [1] 기반 건강 지표 (AAE-HI)를 추출할 수 있는 일반적인 방법론을 제안한다. PRONOSTIA [2]에서 수집된 된 구름 베어링의 가속 열화 실험의 데이터셋을 사용하여 AAE-HI를 검증하였다. AAE-HI는 원 신호에서 높은 수준의 단조성 (monotonicity)과 시간에 대한 상관성 (trendability)을 가진 건강 지표를 뽑아낼 수 있었으며, 이를 구름 베어링의 잔존 수명과 비교하여 열화 과정에 대한 정보를 충분히 담고 있다는 것을 보였다. The performance of data-driven prognostics heavily depends on the features extracted from measured raw signals. Therefore, in order to enhance the prognostic performance, features must be carefully designed to represent the machine’s health condition. Conventional key features are often obtained by statistical signal processing techniques. Then, these features themselves are used as health indicators (HI) or fed to construct HIs. However, many conventional HIs are heavily relying on the type of machine components and expert domain knowledge. To solve these drawbacks, we propose a fully data-driven method, that is, the adversarial autoencoder-based health indicator (AAE-HI) [1]. Accelerated tests of bearing degradation collected from PRONOSTIA [2](open dataset) were used to justify the proposed AAE-HI method. It is shown that our proposed AAE-HI can autonomously learn and find features which well represent monotonicity and trendability of bearing degradation process. Finally, the performance of AAE-HI in RUL prediction is compared with other traditional HIs.