군수용 고정익 항공기 구성품 PHM 적용을 위한 기술 요소 획득 로드맵 구성 및 구성품 선정단계 검증

김근영 경상대학교 항공우주특성화대학원 2019 국내석사

The United States has implemented the TLCSM(Total Life Cycle System Management) to minimize the total lifecycle cost of aircraft and to improve operating availability. As a practical strategy, CBM + is required to be applied to new weapons systems. The F-35 aircraft applied PHM under CBM + concept from the development stage. In this study, we analyzed the technology trends, the level of PHM technology in Korea, and the development trends of foreign technology. Then, we analyzed the PHM technical elements and constructed the 5 phases of technical elements acquisition roadmap for military fixed wing aircraft LRU PHM.

전원모듈의 고장예지 및 건전성 평가를 위한 FMMEA 절차 개발

심규섭 명지대학교 대학원 2014 국내석사

고장예지 및 건전성 평가(Prognostics and Health Management, PHM) 기술은 고장이 이미 발생했음을 알려주는 것이 아니라 고장이 발생할 것이라고 알려주는 예지의 개념으로 현재의 정비기술인 예방정비를 넘어 실제 제품의 데이터로부터 제품의 잔존수명을 예보하는 기술이다. 미국과 캐나다 등에서는 유지보수 정책의 결정을 위한 핵심 기술 중 하나로 평가되며 많은 기업과 연구소에서 PHM 기술을 연구하고 있지만 국내에서는 아직 미흡한 상황이다. 따라서 본 논문에서는 PHM 기술의 기반인 대상 시스템분석을 위해 개선된 FMMEA(Failure Mode & Mechanism Analysis)의 절차를 개발했다. 연구 방법으로는 PHM과 FMEA의 기존문헌연구를 통해 PHM에 적합하면서 효과적인 개선된 FMMEA 절차를 개발했다. 또한, 본 논문에서 연구한 PHM을 위한 FMMEA 절차를 전원모듈에 적용시켜 FMMEA 시트를 작성하고 주요관리 부품 및 측정 가능 고장 전조 파라미터를 도출하며 검증했다. 본 논문에서 연구한 내용은 고 신뢰성 및 안전성이 요구되는 산업에서 발생 가능한 잠재 고장요소들을 평가하고 분석하는 방법을 제공함으로 앞으로의 활용가치가 높다. 특히, 전원모듈은 모든 전기/전자 시스템에 내장되므로 광범위한 분야에서 응용 및 적용이 가능하다고 생각한다. Prognostics and Health Management (PHM) technology is used not to give a message that a fault already occurs, but to report that a fault will occur on the basis of the concept of prognosis. The technology not merely serves preventive maintenance, but also forecasts a product's remaining life on the basis of the data about the product. In the US, Canada, and other countries, the technology is evaluated as a core one to decide a policy on maintenance and repair, so that many companies and research institutes study PHM technology. However, such research is barely performed in Korea. Therefore, in this thesis, this researcher developed an improved FMMEA procedure for target system analysis based on PHM technology. As a study method, this work examined previous literatures related to PHM and FMEA to develop an improved FMMEA procedure suitable and effective to PHM. In addition, the FMMEA procedure for PHM developed in this study was applied to a power module to make a FMMEA sheet. By drawing measurable fault prognostic parameters of main management parts, this work evaluated the improved FMMEA procedure. This thesis provided a method of evaluating and analyzing potential fault factors which can occur in the industries requiring high reliability and safety, so that the method is expected to be highly used. In particular, given the fact that power modules are built in all electrical and electronic systems, the developed method is expected to be applied to a wide range of areas.

Resilience Analysis and Design Methodology Considering False Alarms for Complex Engineered Systems

윤정택 서울대학교 대학원 2018 국내박사

공학 시스템은 생애주기에 걸쳐 다양한 불확실성에 노출되며, 이로 인해 목표 성능을 충족시키지 못할 경우 사회적, 경계적, 인적 소실을 야기하게 된다. 이에 대한 해결 방안 중 하나로 리질리언스 주도 설계 기술 (resilience-driven system design; 이하 RDSD)이 개발되었다. RDSD는 건전성 예측 및 관리 기술 (prognostics & health management; 이하 PHM)을 설계에 도입함으로써 비용 효율적인 고장 예방을 가능케 하였다. 하지만, RDSD는 PHM의 고장 오경보 현상을 고려하지 않는 한계점을 갖는다. 고장 오경보는 건전한 시스템을 고장이라 추정하는 현상으로, 불필요한 시스템 정지 및 검사 비용을 야기하여, PHM과 RDSD의 기술적 효용성을 떨어트리게 된다. 따라서, RDSD의 기술적 약진과 실적용을 도모하기 위해서는 고장 오경보 현상을 해결해야 한다. 본 논문에서는 고장 오경보의 고려를 통해 리질리언스 해석 및 설계 방법론을 개선하고자 하며, 이를 위해 세 가지 연구 주제를 제안한다. 첫 번째 주제는 오경보를 고려한 리질리언스 분석으로, 공학 시스템의 리질리언스 시나리오 분석에 기반해 리질리언스 지수를 새롭게 정식화 한다. 이 지수는 고장 오경보로 인한 리질리언스의 저하를 분석함으로써, 정확한 리질리언스 추정을 가능케 한다. 두 번째 주제는 고장 오경보를 고려한 리질리언스 주도 설계 방법론이다. 이는 3단계의 계층적 요소로 구성된다. 먼저 목표 리질리언스 지수를 만족하면서 생애주기비용을 최소화하기 위해, 목표 신뢰도와 목표 오경보 및 유실경보율을 최적화한다. 이후 신뢰성 기반 최적 설계 (reliability-based design optimization)를 통해 목표 신뢰도를 확보하고, PHM 설계를 통해 할당된 목표 오경보 및 유실경보율을 충족시킨다. 세 번째 주제는 시변(時變) 오경보를 고려한 리질리언스 주도 설계 방법론이다. 기존의 설계 방법론들은 시스템의 건전성 상태를 시불변(時不變)하다 간주하였으나, 실제 시스템은 운행에 따라 점진적으로 건전성이 저하된다. 본 연구에서는 시변성을 분석하기 위해 시변 오경보율 및 유실경보율에 대한 개념을 새롭게 제안하였으며, 생애주기 시뮬레이션을 통한 총 유지보수 비용 분석 방법론을 개발하였다. 이를 통해 생애주기비용을 보다 엄밀하고 정확하게 추정할 수 있게 되었으며, 이를 최소화하는 방향으로 시스템과 PHM의 설계를 최적화였다. 본 연구에서 제안한 방법론들은 이론적 분석과 사례 연구를 통해 그 효용성을 입증하였다. Most engineered systems are designed with a passive and fixed design capacity and, therefore, may become unreliable in the presence of adverse events. In order to handle this issue, the resilience-driven system design (RDSD) has been proposed to make engineered systems adaptively reliable by incorporating the prognostics and health management (PHM) method. PHM tracks the health degradation of an engineered system, and provides health state information supporting decisions on condition-based maintenance. Meanwhile, one of the issues awaiting solution in the field of PHM, as well as in RDSD, is to address false alarms. A false alarm is an erroneous report on the health state of an engineered system; it estimates a healthy engineered to be faulty, resulting unnecessary system shutdown, inspection, and – in the case of incorrect inspection – unnecessary system repair or replacement. Although false alarms make a system unavailable with capital loss, it has not been considered in resilience engineering. To cope with false alarm problems, this research is elaborated to advance the resilience engineering considering false alarms. Specifically, this consists of three research thrusts: 1) resilience analysis considering false alarms, 2) resilience-driven system design considering false alarms (RDSD-FA), and 3) resilience-driven system design considering time-dependent false alarms (RDSD-TFA). In the first research thrust, a resilience measure is newly formulated considering false alarms. This enables the evaluation of resilience decrease due to false alarms, resulting in accurate analysis of system resilience. Based upon the new resilience measure, RDSD-FA is proposed in the second research thrust. This aims at designing a resilient system to satisfy a target resilience level while minimizing life-cycle cost. This is composed of three hierarchical tasks: resilience allocation problem, reliability-based design optimization (RBDO), and PHM design. The third research thrust presents RDSD-TFA that considers time-dependent variability of an engineered system. This makes one to estimate life-cycle cost in an accurate and rigorous manner, and to design an engineered system more precisely while minimizing its life-cycle cost. The framework of RDSD-TFA consists of four tasks: system analysis, PHM analysis, life-cycle simulation, and design optimization. Through theoretical analysis and case studies, the significance of false alarms in engineering resilience and the effectiveness of the proposed ideas are demonstrated.

모션 과장화 처리와 영상 기반 특징 추출 학습을 활용한 PHM에 관한 연구

양웅 연세대학교 대학원 2017 국내석사

제품(냉장고, 엔진) 혹은 생산 설비와 같은 대형 기계 장비의 문제가 발생시, 진동 변화 및 소음이 가장 먼저 발생하고, 이후 온도나 압력 등 여러 인자들의 변화가 나타납니다. 제조업체 측면에서 생산 설비의 고장은 비용의 증대와 함께 생산 효율성을 감소시켜 큰 수익 감소를 초래한다. Industry 4.0 시대로 접어들면서, IT 기술을 기반으로 이러한 문제점을 해결하기 위한 연구가 진행되며 그 중 하나가 PHM 기술이다. 제품 고장진단 및 건전성 관리 기술(PHM: Prognostics and Health Management)은 기계의 고장을 미리 예측하고 사전 조치를 통해 적은 유지비용으로 안정적이고 신뢰성 있는 시스템 관리를 가능케 하는 연구 분야이다. 실제 기계 부품 간 마찰 및 마모, 생체 반응 측정 분야는 현재 상업적으로 사용 중이다. 그러나 기계의 고장을 판단하기 위해서는 많은 센서의 장착, 방대한 데이터 처리의 문제점이 존재하며, 이 문제를 해결하고자 Data-Driven PHM에서는 기계 학습을 접목하는 것이 최신 연구 트렌드이다. Data-Driven PHM은 데이터 습득, Feature 추출, Feature 선택, 분류 예측의 4단계로 구성된다. 데이터를 습득하는 방법은 대부분 고도로 발전된 진동, 압력, 가속도 센서 등을 이용한다. 하지만 센서의 사용은 물체의 특정 포인트를 실험 주체가 정해야 하며, 이를 최적화 시키는 작업의 어려움이 따른다. 본 연구는 센서로 특정 포인트를 잡는 행위 자체에 대해 의문점을 가지고 시작했다. 이 한계는 과거의 패턴 인식 분야의 문제였던 음성, 이미지, 텍스트 등 인식 하고자 하는 Feature를 추출하고 선택하는 행위에 개입하는 것이 오히려 인식률을 떨어트린다는 결과와 비교해 볼 수 있다. 즉 사람의 지식 추출 과정에 의존했던 기존 인공 지능 시스템과 달리, 인간의 특징 추출에 의문을 표하는 Deep Learning은 기계가 현상 그 자체로부터 특징을 학습하여 지식을 정의함으로서 패턴 인식 분야에서 좋은 성능을 보여주고 있다. 본 연구에서는 PHM 분야에서도 이런 관점으로 문제에 접근하여, 센서 기반이 아닌 검사할 기계의 영상 Raw Data를 습득하고, 비전 알고리즘을 이용하여 눈에 보이지 않는 진동 및 변화를 과장시킨 영상을 생성한다. 그 이후 Feature 추출과 Feature 판단, 분류 및 학습, 일련의 과정을 Deep Learning을 통해 진행하여 센서 기반의 PHM과 버금가는 고장 진단률 달성을 목표로 하고 있다. 최종적으로는 고장 진단 뿐만 아니라 기계 장비 및 시스템의 잔여 유효 수명 예측 가능케 하여, 작업자의 접근이 어려운 영역에서의 사고나 고장 등을 미리 예방하고 보다 신속한 대응을 가능하게 할 것이다. When the machine failure with large machinery such as products (refrigerators, engines) or factory equipment occurred, changes of vibration and noise generates the first time, after that, it changes in several factors such as temperature and pressure. Failure of the production facility on the manufacturer side decreases the production efficiency and the great profit also decrease as the cost increases. At the beginning of the Industry 4.0 era, researches are being made to solve these problems based on IT technology, one of which is PHM technology. PHM(Prognostics and Health Management) is a research field that predicts machine failures in advance and takes prior measures to enable highly reliable system management with low maintenance cost. Currently, PHM technology is used commercially in the field of measurement of friction, abrasion and biological reaction between actual mechanical parts. However, there are problems of installation of many sensors and enormous data processing in order to validate the failure of the machine. To solve this problem, it is the latest research trend that Data - Driven PHM incorporates machine learning. Data-Driven PHM consists of four stages: Data acquisition, Feature extraction, Feature selection, classification and prediction. As a way to acquire data, we use advanced vibration, pressure, acceleration sensors. However, it is necessary for the experimental subject to set the attachment position of the sensor on the object, and it is accompanied by difficulty of work to optimize it. In this research, we began questioning the act itself of taking measurement points with sensors. This limitation can be compared with the results in the field of past pattern recognition that participating in the act of extracting and selecting the Feature rather lowers the recognition rate. In other words, Deep learning which expresses doubts about extraction of human features shows superior performance in the field of pattern recognition by machines learning features from the phenomenon itself and defining knowledge. In this research, we approached the problem from this point of view even in the field of PHM. Instead of sensor based, learning the video Raw Data of the machine to be inspected, and utilizing the vision algorithm to generate an motion magnified video. After that, feature extraction, feature validation, classification, and a series of processes are performed through Deep Learning, the goal is to achieve comparable failure diagnosis rate with sensor based PHM. Ultimately, not only the failure diagnosis but also the remaining useful life of the mechanical device and the system can be predicted, accidents and breakdowns are prevented beforehand so that prompt response can be made.

머신러닝을 이용한 고장 예측진단 모델 연구

박장순 배재대학교 대학원 2021 국내석사

Based on the recent development of IT(Information Technology) technology and the technology of the 4th industrial revolution era, various sensor devices are attached in equipment and facilities to collect data in real time, diagnose failure through various analysis techniques, and the timing of the failure. There is a lot of research on PHM(Prognostics and Health Management) that predicts the disease. PHM diagnoses abnormal phenomena by continuously observing performance degradation and defects of actual equipment and facilities in operation, and predicts the timing or level of abnormal phenomena to prevent loss due to failure. It is also a technology that improves operational efficiency by securing the availability and safety of maintenance. In addition, the PHM measures RUL (Remaining Useful Life), which indicates the effective time before failure, based on probability statistics for the predicted maintenance timing. PHM can improve economics, reliability, integrity, and availability, so many studies are being conducted at home and abroad, but it is still very insufficient. Therefore, this paper analyzes data for failure prediction and diagnosis using machine learning and deep learning, and predicts failure times by estimating failure rates and models that diagnose failures or conditions. Suggest a model. In the predictive model, TTE(Time To Event) data is analyzed in a non-parametric method, which uses a predictive model based on MCMC(Markov Chain Monte Carlo). This makes it possible to predict the time of failure by estimating the failure rate based on time. In the diagnosis model, a condition or failure is diagnosed using a diagnosis model based on SVM(Support Vector Machine), which is one of the supervised learning methods. The performance was verified by experimenting with the predictive model and diagnostic model proposed in the paper. For the SVM-based diagnostic model, performance was verified using ROC (Receiver Operating Characteristic) Curve. In the case of the MCMC-based predictive model, the performance was verified using the DTW(Dynamic Time Warping) distance for the measured current and previous failure rates. As a result of the experiment, the failure rate is estimated by analyzing the data in the predictive model and the diagnostic model to diagnose a failure or condition. Using this, we predicted the timing of maintenance and use, and proved the effectiveness of the proposed predictive model and diagnostic model. 최근들어 IT(Information Technology) 기술의 발전과 4차산업혁명 시대 기술을 바탕으로 장비와 시설 등에서 다양한 센서 기기들을 부착하여 실시간으로 데이터를 수집하고 다양한 분석 기법을 통해 고장에 대해 진단하고 고장에 대한 시기를 예견하는 PHM(Prognostics and Health Management)에 대해 많이 연구되고 있다. PHM은 실제 운영 중인 장비와 시설의 성능 저하 및 결함을 지속적으로 관찰하여 이상 현상을 진단하고 이상 현상에 대한 시기나 수준을 예측하여 고장으로 인한 손실을 방지한다. 또한 유지 보수의 가용성과 안전성을 확보하여 운영 효율성을 향상하는 기술이다. 그리고 PHM은 예측 정비시기를 위해 확률 통계 기반으로 고장 발생 전의 유효한 시간을 나타내는 RUL(Remaining Useful Life)에 대하여 측정을 진행한다. PHM은 경제성, 신뢰성, 보전성, 가용성을 향상할 수 있어 국내외에서 많은 연구를 진행하고 있지만 아직은 매우 미흡한 실정이다. 이에 본 논문에서는 머신 러닝(Machine Learning)과 딥 러닝(Deep Learning)을 이용하여 고장 예측 진단을 위해 데이터를 분석하고 고장이나 상태를 진단하는 고장률과 모델을 추정함으로써 고장 시기를 예측가능하게 하는 예지 모델을 제안한다. 예지 모델에서는 TTE(Time To Event) 데이터에 대해 비모수적인 방법으로 분석하게 되는데 이는 MCMC(Markov Chain Monte Carlo)에 기반하여 예지 모델을 사용한다. 이로써 시간에 기반한 고장률을 추정하여 고장 시기를 예측할 수 있다. 진단 모델에는 지도 학습 방법 중 한 방법인 SVM(Support Vector Machine) 기반한 진단 모델을 이용하여 상태나 고장을 진단한다. 논문에서 제안한 예지 모델과 진단 모델에 대해 실험하여 성능을 검증하였다. SVM 기반 진단 모델에 대해서는 ROC(Receiver Operating Characteristic) Curve를 사용하여 성능을 검증하였다. MCMC 기반 예지 모델의 경우에는 측정된 현재 고장률과 이전 고장률에 대해 DTW(Dynamic Time Warping) 거리를 사용하여 성능을 검증하였다. 실험 결과 예지 모델과 진단 모델에서 데이터를 분석하여 고장이나 상태를 진단하여 고장률을 추정한다. 이를 활용하여 정비 시기 및 사용 시기를 예측하여 제안한 예지 모델과 진단 모델에 대한 유효성을 입증하였다.

베어링 RUL예측을 위한 CPC기반 도메인 일반화 모델 개발

강민규 서울과학기술대학교 2022 국내석사

Recently, interest in PHM (Prognostics and Health Management), a technology that predicts and preserves failures of assets such as facilities and machines in advance, is increasing. Model-based and data-based approaches exist as PHM approaches. Among them, as the design and structure of assets become more complex, data-based approaches that can effectively predict the life of assets without defining mathematical and physical degradation models of assets are in the spotlight. In particular, among data-based approaches, deep learning-based approaches, which are known to be end-to-end learning and have excellent performance, are the main ones. PHM often utilizes vibrations that best represent the state of the machine. However, extracting significant features from raw-state vibrations is still challenging, especially when learning data from different environmental conditions together does not significantly increase the performance of the model. In this work, we present a continuous predictive coding CPC-based methodology that effectively extracts features for predicting RUL (Residual Useful Life) of machines from vibration data under different environmental conditions. The methodology was verified using bearing vibration data from the PRONOSTIA platform 최근 설비, 기계 등 자산의 고장을 미리 예지하고 보전하는 기술인 PHM(Prognostics and Health Management)에 대한 관심이 높아지고 있다. PHM의 접근법으로서 모델기반과 데이터기반의 접근법이 존재한다. 그 중 자산의 설계와 구조가 복잡해짐에 따라 자산의 수학적, 물리적 열화 모델이 정의되지 않아도 효과적으로 자산의 수명을 예측할 수 있는 데이터 기반의 접근법이 각광을 받고 있다. 특히 데이터 기반 접근법 중 end to end학습이 가능하며 성능이 우수한 것으로 알려진 딥러닝 기반의 접근법이 주를 이룬다. PHM에서는 기계의 상태를 가장 잘 대변할 수 있는 진동을 활용하는 경우가 많다. 하지만 raw상태의 진동에서 유의미한 feature를 추출하는 것은 여전히 어려운 일이며 특히 서로 다른 환경조건의 데이터를 함께 학습했을 때 모델의 성능이 크게 상승하지 못하는 어려움이 있다. 본 연구에서는 서로 다른 환경 조건의 진동 데이터에서 기계의 RUL(Residual Useful Life) 예측을 위한 feature를 효과적으로 추출하는 CPC(Contrastive Predictive Coding) 기반의 방법론을 제시한다. 해당 방법론은 PRONOSTIA 플랫폼의 베어링 진동 데이터를 활용하여 검증되었다.

Bi-LSTM이 적용된 전이학습을 활용한 항공장비 잔존 유효 수명 예측

최형준 서울대학교 대학원 2026 국내석사

일반적으로 가동장비를 유지보수하는 전략에는 크게 사후 정비(CM)와 예방 정비 (PM)가 있다. 이 방법들은 가동 중인 장비의 불확실성에 취약하며 장비의 수명을 정 확하게 예측하지 못함으로써 장비에 대한 과잉 정비 또는 과소 정비로 인한 불필요한 지출을 증가시키는 경향이 있다. 이러한 한계를 극복하기 위한 기술로 센서 데이터를 기반으로 장비의 잔존수명(Remaining Useful Life, RUL)을 예측하는 건전성 예측 및 관리(Prognostics and Health Management, PHM)가 대안으로 떠올랐다. PHM은 설 비의 건전성을 예측하여 설비에 관련한 의사 결정을 돕는 학문 분야이다. 군사대비태세 유지해야하는 군은 장비의 가동률을 일정 수준 이상으로 유지해야하기 때문에 장비의 상태를 예측하는 것이 매우 중요하다. 이는 장비의 상태 예측에 실패하여 장비의 가동 률이 목표치보다 낮아질 경우 군사대비태세에 직접적인 영향을 줄 수 있기 때문이다. 하지만 여기에는 또 다른 문제가 있다. 현재 군이 운용하는 항공기, 함정 등의 첨단 장비들은 비용 문제로 인하여 운용되는 수가 제한되고 그에 따라 상태 예측을 위한 데 이터의 절대적인 양에서도 그 한계가 명확하게 드러난다. 이러한 문제를 해결하기 위하여 본 연구에서는 전이학습(Transfer Learning, TL) 기법을 도입하여 절대적인 데이터 양의 한계를 극복하고자 하였다. 이를 통해 제한된 데이터를 유사 영역으로 확장하여 예측함으로써 유지보수 소요를 예측하고 장비의 가 동률을 일정 수준 이상으로 유지하는 것을 목표로 한다. Maintenance strategies for operating equipment are generally classified into corrective maintenance (CM) and preventive maintenance (PM). However, these approaches are vulnerable to uncertainties inherent in operating environments and often fail to accurately predict the equipment’s lifespan. As a result, they frequently incur unnecessary costs due to both overmaintenance and under-maintenance. To overcome such limitations, Prognostics and Health Management (PHM), which predicts the Remaining Useful Life (RUL) of equipment based on sensor data, has emerged as a promising alternative. PHM provides decision-making support by forecasting the health status of assets. In the military domain, where maintaining operational availability of combat equipment above a certain threshold is critical, accurate prediction of equipment condition is essential. Failure in prediction can cause operational availability to fall below target levels, thereby directly impacting combat 57readiness. Nevertheless, challenges remain. Advanced military assets, such as aircraft and naval vessels, are often limited in number due to high acquisition and maintenance costs. Consequently, the absolute amount of conditionmonitoring data available for prediction is highly restricted, underscoring a fundamental limitation. To address this issue, this study introduces Transfer Learning (TL) techniques as a means to overcome data scarcity. By leveraging knowledge from related domains and extending predictive capacity to new contexts, the proposed approach aims to improve forecasting accuracy for maintenance needs and sustain operational availability of military equipment at a satisfactory level.

철도 유지보수 및 PHM 대상장치 선정에 관한 절차 및 방법론 연구

오왕석 서울과학기술대학교 2024 국내박사

제 목 : 철도 유지보수 및 PHM 대상장치 선정에 관한 절차 및 방법론 연구 높은 신뢰성을 갖춘 제품이 개발되고 생산을 하기 위해서는 시장 정보의 기획, 수집, 명확한 신뢰성 예측 및 설계, 신뢰성을 갖춘 원재료 조달, 이를 지원하기 위한 신뢰성 시험과 제조 프로세스(Process)에서의 신뢰성 관리, 사용(운용)단계의 보전관리, 해석과 피드백(Feedback) 및 고장정보 수집 등 많은 업무가 일관성있게 이루어져야 한다. 특히 제품에대한 신뢰성 향상을 위해서는 제품 개발 초기 단계에서부터 신뢰성 확보가 중요 하다. 제품의 신뢰성을 높이기 위한 방법으로 고장 유형 및 영향 분석(Failure Mode and Effect Analysis : 이하 FMEA)이 많이 사용되고 있다. 제품과 시스템에 대한 고객의 요 구사항도 기능상의 편리함과 더불어 보다 신뢰감을 줄 수 있는 안전한 제품을 선호하는 추세로 요구사항도 변화되어 나아가고 있다. 본 논문에서는 AIAG & VDA FMEA Handbook 에 영향분석(FMEA) 및 고장형태 대한 자료 책자에서 시스템과 제품에 대한 잠재적인 고장 범주의 분석과 유지보수 단계에서 의도한 대로 제품이 기능을 발휘할 것인가를 평가하고, 만족지 못할 시에는 개선조치 활동에 의해 고장을 사전에 예방코자 하는 신뢰성 활동 중에 하나인 FMEA 방법에 대하 여 재분석하고 나은 방법을 제안하였다. 시스템 고장 분석기법 중 하나인 FMEA 분석기 법은 장비와 시스템 고장의 영향을 결정하기 위한 신뢰성 평가기술로 사용 되었다. 또 한 FMEA는 제품과 시스템에 어떤 영향을 미치는지 정성적으로 분석하는 방식이다. 따 라서 정확한 측정방법, 평가지표 또는 체계가 정착되어 있지 않다. 본 논문에서 이와같이 경험에 의해 고장 검지를 위한 대상을 선정하는 방식은 비효율 적이라 생각하여, 좀 더 효과적이고 현실적인 FMEA의 실시 방안을 찾는 것이 중요하다 고 생각하였다. 따라서 본 논문에서는 정성적인 내용을 좀 더 구체화하여 고장형태표 (Failure Modes Table)에 기반을 둔 고장형태들의 체계적 축적 및 마스터(Master) FMEA 표준화 양식을 만들어, 철도 CBM(Condition Based Maintenance, 상태기반유지보수) 및 PHM(Prognostics and Health Management, 건전성 예측 및 관리) 대상선정에 새롭게 체 계화하고자 하는 것이 주목적이다. To develop and produce highly reliable products, collection and planning of market information, accurate reliability prediction, design, and procurement of raw materials with high reliability are required. In addition, in order to support this, many tasks such as reliability testing, reliability management in the manufacturing process, maintenance management in the use (operation) stage, analysis, feedback, and fault information collection should be carried out consistently. In particular, to improve the product reliability, it is important to secure reliability from the early stages of product development. Failure Mode and Effect Analysis (FMEA) is widely used as a method to increase the product reliability. Customer’s requirements for the products and systems are also evolving towards preferring safe products that can provide more reliability as well as functional convenience. In this paper, we will use the AIAG & VDA FMEA Handbook on Impact Analysis (FMEA) with failure patterns, analyze the potential failure categories for systems and products, and evaluate whether the product will operate as intended during the maintenance phase. When unsatisfactory, we can re-analyze the FMEA technique which is one of the reliability methods to prevent the failures in advance through remedial action activities to propose a better method. FMEA analysis, one of the system failure analysis techniques, was used as a reliability evaluation technique to determine the impact of equipment and system failures. The FMEA is a qualitative analysis method to investigate how failures affect the products and systems. Nevertheless, this method does not provide accurate measurement methods, evaluation indicators or processes that have not been established. In this study, because the method of selecting targets for fault detection based on experience is not efficient, we suggest a more effective and realistic way to perform FMEA. As a result, the main purpose of this paper is to systematically accumulate the failure types based on the Failure Modes Table and to create a master FMEA standardized form to systematize the qualitative content in the selection of railway CBM (Condition Based Maintenance) and PHM (Prognostics and Health Management) targets.

고장 예지 기술의 표준 아키텍쳐 개발 및 적용에 관한 연구

정규성 한국항공대학교 일반대학원 2018 국내석사

최근 생산 공정에서는 4차 산업혁명의 영향으로 인해 자동화 및 고정밀화의 추세가 증가하고 있으며, 일반 선반보다 작업이 용이하고 정밀한 가공이 가능한 CNC 선반과 같은 컴퓨터 기반의 자동화 설비의 사용량이 점차 증가하고 있다. 하지만 자동화 생산설비의 사용 및 보급 증가 추세에 비해 현장에서는 설비를 관리하는 기술이 많이 부족한 실정이다. 예를 들어 CNC 선반의 갑작스런 고장이나 가공 정밀도의 저하는 긴급 점검 및 다운타임을 유발하게 되고, 이는 곧바로 생산 공정에서 큰 손실로 이어진다. 이에 저자는 생산 공정에서 핵심 설비인 CNC 선반에 대해 고장 예지 기술 가이드라인으로 “핵심 설비 고장 예지 표준 아키텍쳐”를 개발하고, 이를 배포함으로 현장의 PHM 비전문가 사용자들에게 본 기술에 대한 접근성을 증대시키고자 한다. 개발된 고장 예지 표준 아키텍쳐는 고장 예지 문헌 조사표, 고장 예지 기법 선택수형도, 고장 예지 기법 장단점 표, 고장 예지 기법 성능 평가 도구를 포함하여 총 4가지 도구로 구성되어 있다. 위와 같은 도구들은 PHM 비전문가인 사용들이 자신들의 어플리케이션 상황에 따라 최적의 예지 기법을 선택할 수 있도록 보조해준다. 실제 배터리 열화 데이터를 통해 아키텍쳐를 검증한 결과, 사용자가 필요한 상황에서 적절하게 단일 또는 다수의 기법을 선택하여 데이터에 적용할 수 있었으며, 최종적으로 기법들의 성능을 평가함으로 사용자의 어플리케이션에 가장 적합한 기법을 도출해줌을 확인하였다. 또한 이러한 PHM 기술이 시스템에 적용되었을 때 어떠한 가치를 가지는지 정량적인 수치로 사용자들이 투자 판단을 할 수 있도록 비용효과 분석에 대한 연구에 대해서도 문헌 조사 결과를 서술하고 실제 사례를 연구하였다. 마지막으로 아키텍쳐의 실증을 위해 실제 CNC를 모사한 PHM 테스트 베드를 설계 및 제작과정을 서술하였다. 국제 표준과 PHM 문서들을 토대로 구성된 설계 과정에 따라 테스트 베드를 설계 및 제작하였으며 이를 소개하며 본 논문은 마무리된다.

상태기반정비 개념 하에서의 빅 데이터를 활용한 항공기 예측정비 기술 발전 방향 연구

허종욱 경상대학교 항공우주특성화대학원 2019 국내석사

Equipment in the aeronautical field, such as aircraft, requires a great deal of operating and maintenance costs. This is the reason that the equipment has been equipped with high precision technology and always guarantees its performance. Recently, Condition Based Maintenance (CBM+) and Prognostic Health Management(PHM) have been actively studied to reduce the maintenance cost of aircraft. In this Study, the concept and research trend of CBM+ and PHM have been investigated. And I investigated how to apply Big Data, one of the key technologies of the 4th Industrial Revolution, to predictive maintenance. Thus, I suggest the development direction of PHM technology using Big Data in the concept of CBM+, which can develop the maintenance system of Korea Air Force by combining CBM+ and PHM and Big Data.