초록 열기/닫기 버튼
구름 베어링은 회전 기계에서 회전축을 지탱하는 주요 구성요소 중 하나로 열악한 사용 환경에서 잦은 고장과 파손이 발생한다. 구름 베어링의 파손은 회전 기계 전체의 가동 중단으로 이어져 막대한 금전적 손실을 초래하기 때문에 이의 상태를 진단하는 모니터링 시스템은 필수적인 부분이 되었다. 그러나 다양한 기능을 담당하는 복잡한 기계요소들의 상호 간섭으로 상태 모니터링 프로세스가 복잡해지고, 상태 모니터링에 요구되는 시간이 오래 걸려 결과적으로 높은 비용이 초래되고 있는 실정이다. 따라서 구름 베어링의 상태 모니터링 연구를 위해 고장 패턴 학습이 아닌 통계적 공정관리(SPC: statistical process control)를 활용한 성능지표화를 통해 다양한 결함 패턴을 감지하는 것이 요구된다. 본 연구에서는 구름 베어링을 대상으로 가속도 데이터를 통계적 공정관리 성능지수로 변환하였으며, 이를 결함 감지 기준으로 선정하였다. 통계적 공정관리 성능지수는 상용 통계해석 프로그램인 JMP를 통해 분산분석을 수행하여 통계적 유의차를 도출하였으며, 상자그림으로 각 변수들의 결함을 분류하는 기준인 0.8과 1.5를 선정하였다. 아울러 다항 로지스틱 회귀분석을 수행해본 결과, SPC 성능지수를 적용한 다항 로지스틱 회귀 분석은 결함 발생확률 추정에 대해 높은 정확도를 보였음을 확인하였다.
Rolling bearings are among the main components that support the shaft in rotating machines. Rolling bearings are typically subjected to harsh operating environments, and hence, experience wear and tear significantly. Because the failure of rolling bearings can result in the downtime of rotating machines and lead to significant monetary losses, the health monitoring of such machine components is an ongoing issue in industries. However, the mutual interference of complex mechanical elements with various functions complicates the health monitoring process, increases time consumption, and consequently, increases costs. In this study, the acceleration data of rolling bearings obtained in the time domain was analyzed using the statistical process control (SPC) performance index. Through the analysis of variance via SAS JMP, the analyzed data was found to have statistical significance, and the box plot classified the failure of each parameter based on 0.8 and 1.5 of the SPC performance index. Consequently, when the SPC performance index was considered, the multinominal logistic regression analysis provided a satisfactory evaluation of the probability of failure occurrence.
키워드열기/닫기 버튼
Fault Detection, Multi-nominal Logistic Regression, Rolling Bearing, Statistical Process Control
