KR101925480B1 - 가속수명시험 데이터 기반 고장예지용 운용하중 데이터 생성 방법 및 장치 - Google Patents

Abstract

본 발명의 실시예에 따른 가속수명시험 데이터를 활용한 고장예지용 운용하중 데이터 생성 방법은 복수의 하중 중 적어도 3개의 제 1 하중의 가속수명시험 데이터 세트를 입력 받아 인공신경망을 사용하여 각 하중별로 복수의 회귀모델을 생성하는 단계; 입력받은 적어도 3개의 제 1 하중의 가속수명시험 데이터 세트에 대한 복수의 회귀모델 별로 역승 모델의 기울기를 여러 열화 수준의 가속수명시험 데이터에 기초하여 산출한 결과들의 평균 값에 기초하여 구하고, 베이지언 접근법을 활용하여 복수의 샘플 y 절편을 생성하는 단계; 등간격으로 이루어진 복수의 하중 중 실제 운용 하중과 가장 가까운 적어도 3개의 제 2 하중을 선택하고, 제 1 하중별, 상기 가속수명시험 데이터 세트에 대한 복수의 회귀모델별, 및 상기 샘플 y 절편 별로 복수의 회귀모델을 인공신경망을 통하여 생성하는 단계; 및 생성된 제 2 하중에 대한 복수의 회귀모델 중 어느 하나에 기초하여 상기 실제 운용 하중에 대한 열화 데이터를 생성하는 단계를 포함할 수 있다.

Description

가속수명시험 데이터 기반 고장예지용 운용하중 데이터 생성 방법 및 장치{A Method and an Apparatus for Generating Degradation Data under Field Operating Conditions to Predict Remaining Useful Life Based on an Accelerated Life Testing Data}

본 발명은 가속수명시험 데이터를 활용한 고장예지용 운용하중 데이터 생성 방법 및 시스템에 관한 것으로, 가속수명시험 데이터를 이용하여 실제 운용환경에서 시스템의 잔존 유효 수명을 예측하기 위한 열화데이터를 생성할 수 있는 데이터 생성 방법에 관한 것이다.

일반적으로 가속수명시험(ALT, Accelerated Life Test) 데이터는 설계를 검증하기 위해, 필드 운용 조건보다 가혹한 하중 조건에 기초하여 시스템의 평균 수명을 예측하기 위하여 사용된다. 가속수명시험 데이터는 비교적 얻기 쉽지만, 시험 중의 환경은 필드 조건과 상이하기 때문에 필드 조건에서 유용한 수명 예측을 위해 가속수명시험 데이터를 활용하는 연구가 진행되어 왔다.

가속수명시험 데이터는 데이터 기반 고장예지를 위한 수학적 모델을 구축하는데 사용되었지만, 가속화된 하중 조건을 실제 운용 조건으로 변환하지 않고는 잔존 유효 수명을 예측하기 어려운 문제가 발생하였으며, 잔존 유효 수명을 예측하기 위한 열화 데이터는 실제 필드 시스템에서 열화 데이터를 얻기 어렵거나 데이터를 얻기 위해 큰 비용이 필요한 경우가 많았다.

본 발명은 설계 검증을 위해 빈번하게 사용되는 가속수명시험 데이터를 이용하여 운용하중에서의 열화 데이터를 생성할 수 있는 가속수명시험 데이터를 활용한 고장예지용 운용하중 데이터 생성 방법을 제안한다.

본 발명은 상술한 요구에 부응하기 위하여 안출된 것으로, 본 발명에 따르면, 머신러닝을 이용한 지도 학습 기반으로 가속수명시험 데이터를 이용하여 운용하중에서의 열화데이터를 생성할 수 있다.

본 발명의 실시예에 따른 가속수명시험 데이터를 활용한 고장예지용 운용하중 데이터 생성 방법은 복수의 하중 중 적어도 3개의 제 1 하중의 가속수명시험 데이터 세트를 입력 받아 인공신경망을 사용하여 각 하중 별로 복수의 회귀모델을 생성하는 단계; 입력 받은 적어도 3개의 제 1 하중의 가속수명시험 데이터 세트에 대한 복수의 회귀모델 별로 역승 모델의 기울기를 여러 열화 수준의 가속수명시험 데이터에 기초하여 산출한 결과들의 평균 값에 기초하여 구하고, 베이지언 접근법을 활용하여 복수의 샘플 y 절편을 생성하는 단계; 등 간격으로 이루어진 복수의 하중 중 실제 운용 하중과 가장 가까운 적어도 3개의 제 2 하중을 선택하고, 제 1 하중별, 상기 가속수명시험 데이터 세트에 대한 복수의 회귀모델별, 및 상기 샘플 y 절편 별로 복수의 회귀모델을 인공신경망을 통하여 생성하는 단계; 및 생성된 제 2 하중에 대한 복수의 회귀모델 중 어느 하나에 기초하여 상기 실제 운용 하중에 대한 열화 데이터를 생성하는 단계를 포함할 수 있다.

이 경우, 상기 역승 모델은 아래 수학식에 따르는 모델일 수 있다.

(수학식)

또한, 상기 실제 운용 하중에 대한 열화 데이터를 생성하는 단계는 생성된 제 2 하중에 대한 복수의 회귀모델 중 열화 수준별로 랜덤으로 선택하고, 선택된 회귀모델에 기초하여 상기 실제 운용 하중에 대한 열화 데이터를 생성하는 단계를 포함할 수 있다.

또한, 상기 가속수명시험 데이터는 크랙 크기를 포함하는 열화수준 및 수명을 포함할 수 있다.

또한, 상기 가속수명시험 데이터는 정해진 사이클마다 측정된 열화수준일 수 있다.

상술한 바와 같이 이루어진 본 발명에 따른 가속수명시험 데이터를 활용한 고장예지용 운용하중 데이터 생성 방법 및 시스템은 가속수명시험 데이터의 활용도가 증가할 수 있다.

또한, 운용하중 열화데이터의 자유로운 생성 및 이로 인한 수명 예측의 정확도/정밀도가 향상될 수 있다.

또한, 상태기반정비를 통한 정비 비용이 감소할 수 있다.

또한, 항공, 풍력발전, 전기자동차, 무인기 등 고장예지 기술이 필요한 모든 분야에 적용할 수 있다. 물론 이러한 효과들에 의해 본 발명의 범위가 한정되는 것은 아니다.

도 1은 본 발명의 실시예에 따른 잔존 유효 수명(RUL)을 예측하는 그래프이다.
도 2는 본 발명의 실시예에 따른 데이터 기반 고장예지를 설명하는 그림이다.
도 3은 본 발명의 실시예에 따른 랜덤 잡음을 포함하는 다양한 하중 조건의 합성 균열 성장 데이터에 대한 그래프이다.
도 4는 본 발명의 실시예에 따른 수명의 로그 및 하중 사이의 선형 관계에 기초한 매핑 프로세스에 대한 그래프이다.
도 5는 본 발명의 실시예에 따른 27,000가지 가능성(30×30×30)에서 매핑 불확실성에 대한 그래프이다.
도 6은 본 발명의 실시예에 고장예지용 데이터 생성 방법에 대한 흐름도이다.

이하, 첨부된 도면들을 참조하여 본 발명의 실시예를 상세히 설명하면 다음과 같다. 그러나 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있는 것으로, 이하의 실시예는 본 발명의 개시가 완전하도록 하며, 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 또한, 설명의 편의를 위하여 도면에서는 구성 요소들이 그 크기가 과장 또는 축소될 수 있다.

그러나, 이하의 실시예는 이 기술분야에서 통상적인 지식을 가진 자에게 본 발명이 충분히 이해되도록 제공되는 것으로서 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 다음에 기술되는 실시예에 한정되는 것은 아니다.

도 1은 일반적인 잔존 유효 수명(RUL) 예측 그래프이다.

도 1을 참조하면, 운용 중 획득한 열화(Degradation) / 데미지(Damage) 데이터는 시스템 성능 열화를 모델링하고, 잔존 유효 수명(RUL)을 예측하는데 사용될 수 있다.

물리모델 기반 고장예지(Physics-based Prognostics)의 경우, 먼저, 현재 시간 ‘k’까지의 열화 데이터들(검은 점)을 사용하여 주어진 하중조건 하에서 데미지 모델의 파라미터들이 결정될 수 있다. 그 후, 데미지가 임계치(가로 붉은 선)까지 성장되는 지점에서 잔존 유효 수명이 예측된다. 데이터 기반 고장예지(Data-driven Prognostics)의 경우, 사용 조건과 유사한 조건의 열화 데이터(회색 점)들도 수학적 모델을 훈련시키는데 사용될 수 있다. 측정, 모델 형태 및 사용 조건의 불확실성(Uncertainty)으로 인하여, 잔존 유효 수명 예측은 종종 통계적 분포가 될 수도 있다.

고장예지(Prognostics)를 활용한 상태 기반 유지보수(Condition-based Maintenance)는 주기적인 예방차원의 유지보수 대비 안전하고 비용상 효율적이지만, 업계에서 실 사용되기 위해서는 몇 가지 해결 과제들이 남아있다. 그중, 본 발명에서는 필드 운용 조건에서 제한된 수의 열화 데이터를 사용하는 점으로 인해 발생하는 문제점에 집중하고자 한다. 실제 운용 중인 시스템에서 열화 데이터를 획득하는 것은 매우 어렵거나 또는 매우 높은 비용을 요구한다. 본 발명의 주요한 공적은 실사용 중인 시스템의 고장 예지를 위하여 가속 수명 시험으로 획득한 데미지 데이터를 사용한다는 점이다. 관련 업체들은 가속 수명 시험 데이터를 설계 확인을 위해 자주 사용하지만, 가속 수명 시험의 운용 조건은 필드 운용 조건 대비 너무 가혹하다.

가속 수명 시험 데이터를 사용한 수명 추정에 대한 연구 대부분은 설계 확인 및 시스템들의 평균 수명 추정을 하기 위해 이루어진다. 고장예지 분야에서, 가속 하중 조건 하에 생성한 ALT 데이터는 잔존유효수명 예측 연구에 사용 될 수 있다. 그러나, 가속 수명 실험 중 환경은 실제 조건과 다르기 때문에 관련 연구들은 필드 조건에서의 유효 수명 추정에 집중되어 있다.

기존의 ALT 데이터를 활용한 물리모델 기반 고장예지 연구들이 있었지만, 열화 모델 및 하중조건 정보의 부재가 일반적인 현실에서 실용적일 수 없었다. 그리고, 데이터 기반 접근법에서 수학적 모델을 확립하는 것에 ALT 데이터가 활용되었으나, 가속 하중 조건들을 실제 필드 운용 조건으로 치환하지 않고는 잔존 유효 수명 예측에 어려움이 있다.

본 발명은 필드에서 운용되는 특정 시스템의 잔존 유효 수명을 예측하는 것에 ALT로부터 획득한 열화 데이터를 사용한다. 특히, 본 발명은 물리적 열화 모델이나 하중 조건이 가용하지 않은 경우에 데이터 기반 접근법을 활용하여 필드 데이터의 불충분으로 인한 정확성의 부족을 보완하는 매핑(Mapping) 방법을 제시한다.

가속수명시험 중 센서가 시스템에 설치되거나 데미지가 임계치에 도달할 때까지 데미지 성장 이력이 측정되도록 정기적인 검사가 수행된다고 가정한다. 임계치는 유지보수 없이 시스템을 더 이상 작동할 수 없는 상태에서 결정된다. 또한 필드의 현재 시스템에는 현재 시간까지의 데미지를 측정하는 온보드(Onboard) 센서가 있다고 가정한다.

또한, 본 발명은 현재 시스템의 잔존 유효 수명을 예측하여 시스템이 작동불가 상태에 도달하기 전에 유지보수를 주문할 수 있도록 하는 것이 목적이다. 이 예측은 수많은 불확실성을 내포하기 때문에, 예측은 확률 분포의 형태로 주어지며, 유지 수준은 위험 수준에 따라 결정될 수 있다.

고장예지 접근법에 대한 검토

일반적으로, 고장예지는 정보 사용에 따라 물리모델 기반 접근법, 데이터 기반 접근법 및 혼합 접근법으로 분류할 수 있다. 본 발명에서는 데이터 기반 접근 방법을 활용하므로, 데이터 기반 접근 방법에 대해서만 설명한다.

데이터 기반 접근 방법

도 2를 통해 데이터 기반 접근법에 대하여 상세히 후술하도록 한다.

데이터 기반 접근법은 물리적 열화 모델을 사용하지 않으며, 유사한 시스템에서 수집된 데이터(훈련 데이터)를 사용하여 데미지 상태를 식별하고 잔존 유효 수명(200)을 예측하는 수학적 모델을 학습할 수 있다. 많은 데이터 알고리즘은 두 가지 분류로 나눠질 수 있다.

(1) 신경망(Neural Network) 및 퍼지 로직(Fuzzy Logic)을 포함하는 인공 지능 접근법

(2) 감마 프로세스(Gamma Process), 히든 마르코프 모델(Hidden Markov Model), 가우시안 프로세스(Gaussian Process), 상관 벡터 머신(Relevance Vector Machine) 및 최소 자승 회귀법 등 회귀-기반 모델을 포함하는 통계적 접근법,

보다 구체적으로, 데이터 기반 접근법은 수학적 모델 (f), 입력 변수(p) 및 파라미터(w)를 포함하는 외삽 회귀법이 사용될 수 있다. 이때, 수학적 모델은 입력 변수와 출력 데미지 상태 간의 관계를 나타낸다. 현재 시간의 데미지 상태가 구해지면, 이전 시간의 데미지 상태는 입력 변수로 사용되고, 연속적인 데미지 상태 사이에 증분 관계를 만들 수 있다. 그러나, 입력 변수는 예를 들어, 하중의 정보를 포함할 수 있으므로 예측 정확도가 높아질 수 있다.

이때, 수학적 모델이 결정되면, 모델 파라미터는 수학적 모델에 의해 예측된 데미지 사이의 오차를 최소화하여 식별될 수 있다.

한편, 다시 도 1을 참조하면, 파라미터를 식별하는 데 사용되는 데미지 데이터인 학습 데이터는 다른 시스템에서 다양한 사용(하중)조건에서 제 1 데이터(125) 또는 현재 시스템에서 주어진 사용(하중)조건의 제 2 데이터(105)에서 획득할 수 있다.

이때, 모델 파라미터가 식별되면, 미래의 데미지 상태 및 잔존 유효 수명(200)을 예측하는데 사용될 수 있으며, 예측의 불확실성은 학습 결과와 학습 데이터 사이의 평균 제곱 오차 또는 가우시안(Gaussian) 잡음을 추가하고 신뢰 한계를 계산하여 불확실성을 고려할 수 있다.

한편, 본 발명은 신경망(Neural Network)을 사용하여 학습하며, 본 발명에 사용되는 신경망은 입력층(Input Layer) 및 1개의 은닉층(Hidden Layer)과 출력층(Output Layer)을 포함하며, 각각 3개의 입력노드(Input Node) 및 2개의 은닉노드(Hidden Node)와 1개의 출력노드(Output Node)를 포함할 수 있다. 이때, 입력층은 입력 변수 이전 3회 데미지 데이터가 사용될 수 있다. 또한, 순수 선형 및 접선 시그모이드(Sigmoid)함수가 전달 함수로 사용될 수 있으며, 이전의 데미지 데이터가 입력으로 사용되기 때문에, 실제 데이터 대신 예측된 데이터가 입력 데미지 상태로 사용되어, 실제 데이터가 없을 경우에도 잔존 유효 수명(200)을 예측할 수 있다.

크랙 성장 예

한편, 본 발명의 데미지 증가량은 아래 수학식 1과 같은 패리스 모델(Paris Model)에 기초할 수 있다.

(수학식 1)

여기서 a는 반 균열 크기, N은 하중의 사이클의 수, m 및 C는 패리스 모델 파라미터, ΔK는 모드 1 응력 확대 계수의 범위, 및 Δσ는 압력차이로 인한 응력 범위를 나타낸다. 또한, 측정 데이터는 수학식 1을 사용하여 시뮬레이션 되며, 아래와 같은 실제 파라미터를 사용할 수 있다.

,

또한, 초기 반 균열 크기 이 사용될 수 있으며, 이러한 실제 파라미터는 시뮬레이션된 데이터 생성에만 사용될 수 있다.

도 3은 본 발명의 실시예에 따른 랜덤 잡음을 포함하는 다양한 하중 조건의 합성 균열 성장 데이터에 대한 그래프이다.

도 3을 참조하면, Δσ=145MPa, 140MPa, 및 135MPa 와 같이, 3가지의 고 응력 범위에서 가속수명시험이 수행된다고 가정하며, 실제 작동 조건은 Δσ=68MPa로 가정한다. 한편, 측정 잡음을 시뮬레이션 하려면, ± u mm 사이의 균일하게 분포된 랜덤 잡음이 시뮬레이션된 데이터에 추가될 수 있으며, 실험실의 가속수명시험환경이 필드 조건보다 더 통제되기 때문에, 가속수명시험 데이터에는 u = 0.7mm가 사용되고, 필드 운용 조건에는 u = 1.5mm가 사용될 수 있다.

한편, 도 3(a)의 3세트의 가속수명시험(410, 420, 430) 데이터는 도 3(b)의 필드 시스템의 데미지 예측 정확도(440)를 높이기 위해 사용될 수 있다.

이하에서는 도 4 내지 도 6을 사용하여, 본 발명에 따른 고장예지 방법을 상세히 설명한다.

도 4는 본 발명의 실시예에 따른 수명의 로그 및 하중 사이의 선형 관계에 기초한 매핑 프로세스에 대한 그래프이다. 이때, 도 4(c)에서 5 MPa의 등 간격으로 50 MPa에서 90 MPa까지의 하중에서의 예제(1540)를 나타낸다.

본 발명은 물리적 모델 및 필드 하중 정보가 없을 경우에 활용되며, 최소한의 정보만을 필요로 하기 때문에 실용적으로 사용될 수 있다. 또한, 물리적 모델이 없기 때문에, 데이터 기반 예측을 활용할 수 있다.

일반적으로, 데이터 기반 접근법은 필드 운용 조건과 유사한 하중 조건의 많은 학습 데이터를 필요로 한다. 그러나, 이러한 데이터를 얻는 것은 상당히 높은 비용과 노력을 필요로 한다. 본 발명에 따르면, 가속수명시험 조건의 데미지 데이터는 필드 운용 조건의 데미지 데이터와 매핑(Mapping)되므로 현재 운용중인 시스템의 예측을 위한 학습 데이터로 활용할 수 있다.

이 경우, 가속수명시험 데이터 및 필드 데이터 간의 매핑을 위해 역승 모델(Inverse Power Model)이 활용된다. 상술한 모델은 예컨대, 전기 절연체, 베어링 및 금속 피로와 같은 문제에 적용될 수 있다. 이러한 역승 모델은 수명과 하중의 로그 사이에 아래 수학식 2에 나타낸 바와 같은 선형 관계로 표시된다.

(수학식 2)

여기서 Life는 시스템의 수명(Lifespan), α, β는 계수이다. 이러한 계수들은 적어도 두 가지 하중 조건 하의 수명 데이터를 사용하여 찾아야 한다. 또한, 계수가 결정되면, 필드 운용 조건에서의 수명은 수학식 2로부터 계산될 수 있다. 상술한 역승 모델은 기존의 가속수명시험을 사용한 설계 검증에 사용된 바 있으나, 고장예지 목적 및 특히 데이터 기반 예측을 위한 학습 데이터를 생성하는데 사용된 적은 없었다.

한편, 수학식 2의 두 개의 계수는 역승 모델을 적용하기 위해 먼저 결정되어야 한다. 이 경우, 먼저 수명은 데미지 크기가 임계값에 도달한 시점으로 정의된다. 예를 들어, 데미지 임계값이 50 mm인 경우(1500), 세 개의 하중, 145 MPa(1530), 140 MPa(1520) 및 135 MPa(1510)의 수명은, 1734 사이클(Cycle), 1947 사이클 및 2241 사이클로 각각 결정될 수 있다. 이 때, 이 선의 기울기는 계수 β에 해당하며, y- 절편은 logα에 해당한다. 또한, 두 세트의 데이터만 사용할 수 있는 경우, 로그 눈금 그래프에 직선을 연결하여 두 파라미터를 찾을 수 있다. 한편, 두 개 이상의 데이터 세트가 사용 가능할 경우, 회귀 분석을 사용하여 파라미터를 찾을 수 있다.

파라미터가 식별되면, 실제 운용하중에서의 수명은 수학식 2를 사용하여 계산할 수 있다. 도 4(c)에서 5 MPa의 등 간격으로 50 MPa에서 90 MPa까지의 하중에서의 예제가 별 표시로 표시된다. 이 프로세스는 도 4(a) 및 도 4(b)의 많은 파선으로 표시된 것과 같이 서로 다른 임계 값에 대해 반복될 수 있으며, 도 4(c)의 실선은 동일한 하중을 갖는 수명 결과를 연결하여 얻을 수 있다. 그러나, 불확실한 하중 범위, 50에서 90 MPa를 모두 고려하는 것은 너무 넓은 범위를 고려하는 것이다. 그 이유는 도 4(c)는 범위를 초과하여 현저히 다른 데미지 성장율을 보여주고 있기 때문이다. 대신, 운용 데미지 데이터가 최대 10000 사이클인 경우, 실제 작동 하중 범위를 65 MPa와 75 MPa 사이에서 쉽게 줄일 수 있다. 그러므로, 본 실시예에서는 3 개의 하중 65, 70, 및 75 MPa에 대하여 3 개의 세트 매핑 데이터가 생성되어 학습 데이터로 사용되었다.

이 경우, 3 개의 매핑으로 인해 불확실성이 발생할 수 있는 3 가지 케이스에 관해 상세히 설명한다.

1. 제 1 회귀모델 불확실성: 도 4(a)에 주어진 가속수명시험 데이터는 100 사이클마다 측정된 열화수준이지만, 필요한 데이터는 주어진 열화수준에서의 수명(사이클)이기 때문에, 파란색, 초록색, 빨간색 곡선과 같이 회귀모델을 만들어야 한다. 여기에 회귀모델 불확실성이 존재하게 되는데, 이를 고려하기 위해 인공신경망 알고리즘을 이용하였고, 초기 가중치와 훈련 데이터 세트를 임의로 선택하여 30개의 모델을 구축하였다. 도 4(a)의 서로 다른 색의 곡선은 그 중앙값을 나타낸다.

2. 역승 모델 변수 불확실성: 한정된 세 쌍의 수명-하중 데이터로 가속수명모델의 변수(α, β)를 추정하기 때문에 불확실성이 존재한다. 계산된 수명 데이터의 불확실성은 매핑을 위한 역승 모델의 계수를 식별하는데 영향을 미칠 수 있다. 또한, 계수의 작은 변화는 로그 관계 때문에 매핑 결과에 큰 차이를 가져올 수 있다. 서로 다른 임계치의 기울기는 거의 동일하며, 기울기 및 y 절편은 강한 선형 관계를 갖기 때문에, 본 실시예에서 기울기(β)는 여러 열화수준에서 얻어진 결과의 평균값을 공통으로 사용하였고, y-절편(log(α))의 불확실성만을 고려하였다. y-절편의 불확실성은 베이지언 접근법으로 계산되었고, 30개의 샘플로 그 불확실성을 표현하였다.

3. 제 2 회귀모델 불확실성: 역승 모델에 의해 얻어지는 결과는 주어진 하중에서의 수명데이터로, 도 4(a)의 고정된 열화수준에서의 결과이다. 반면, 고장예지를 위한 데이터는 열화수준을 측정해야 하는 것으로, 임의의 시간에서의 열화수준을 알기 위해서는 도 4(c)의 곡선들과 같은 또 다른 회귀모델이 필요하다. 여기에도 제 1 회귀모델 불확실성을 해결하기 위한 방법과 동일하게 인공신경망을 활용하여 30 개의 모델을 구축하여 불확실성을 고려하였다.

도 5는 매핑 불확실성으로 인한 27,000가지 가능한 경우(30×30×30)를 나타낸 그래프이다.

도 5를 참조하면, 불확실성의 영향은 마커(Markers)들의 높이로, 90% 신뢰 구간에서 표시된다.

또한, 매핑된 데이터는 실제 값(도 5(a) 곡선들)과 비슷하며, 학습에 사용되는 최종 매핑 데이터의 경우, 27,000 세트 중에서 랜덤으로 한 세트의 데미지 증가를 선택하거나, 실제 작동 하중에서의 데이터와 유사한 수준의 잡음을 가진 훈련 데이터는 실제 작동 하중에서의 데미지 증가를 예측하는데 도움이 될 수 있음을 고려하여 데미지 데이터의 불확실성을 고려한 다른 방법을 개발할 수 있다.

한편, 도 5(b)는 학습에 사용되는 최종 매핑 데이터를 나타내며, 매핑 결과의 중앙 값에 잡음을 추가하여 생성된다. 이때, 잡음은 1 mm± 사이에 균일하게 분포되어 있으며, 현재 시간까지의 필드 데이터에 기초하여 레벨이 결정될 수 있다.

도 6은 본 발명의 실시예에 따른 고장예지 방법에 대한 흐름도이다.

도 6에 따르면, 최초 시스템에서는, 복수의 하중 중 적어도 3개의 제 1 하중의 가속수명시험 데이터 세트를 입력 받아 인공신경망을 사용하여 각 하중별로 복수의 회귀모델(예컨대, 30개)을 생성한다.

예를 들어, 제 1 하중은 도 4의 145 Mpa, 140 Mpa, 및 135 Mpa이여, 인공 신경망을 사용하여 복수의 회귀모델을 생성하는 방법은, 예를 들어, An, D. 등의“Practical options for selecting data-driven or physics-based prognostics algorithms with reviews”(Reliability Engineering & System Safety 133(2015), Page 223-236)에 상세히 기재되어 있으며, 상기 논문은 본 명세서에 참조로서 포함된다.

상술한 적어도 3개 하중의 가속 수명 데이터 세트에 기초한 복수의 회귀모델 각각에 따라 역승 모델의 기울기(β)를 여러 열화수준에서 얻어진 결과의 평균값에 기초하여 구하고, 베이지언 접근법을 활용하여 복수의 (예컨대, 30개) 샘플 y-절편(log(α))을 생성한다.

등간격으로 이루어진 복수의 하중 중, 실제 운용 하중과 가장 가까운 3개의 제 2 하중을 선택하여, 상술한 복수의 회귀 모델 별, 복수의 y 절편 별로, 상술한 선택된 적어도 3개의 제 2 하중에 대한 복수의 회귀 모델을 인공신경망을 활용하여 생성한다.

예를 들어, 상술한 적어도 3개의 제 2 하중은, 운용하중이 68 Mpa이고, 상기 등 간격이 5Mpa일 때, 65 Mpa, 70 Mpa, 75Mpa일 수 있다.

마지막으로 상술한 제 2 하중에 대한 복수의 회귀 모델 중 어느 하나를 선택하고, 선택된 제 2 하중에 대한 복수의 회귀 모델(예컨대, 30개)에 기초하여 실제 운용 하중에서의 열화 데이터를 생성하고, 고장예측을 수행한다.

상술한 과정과 같이 생성된 열화 데이터는 예컨대, 도 5(b)에 나타낸 바와 같다.

따라서, 상술한 바와 같이 본 발명에 따른 가속수명시험 데이터를 활용한 고장예지용 운용하중 데이터 생성 방법은 가속수명시험 데이터의 활용도를 증가시킬 수 있다. 또한, 운용하중 열화데이터의 자유로운 생성 및 이로 인한 수명 예측의 정확도/정밀도가 향상될 수 있다. 또한, 상태기반정비를 통한 정비 비용이 감소할 수 있다. 또한, 항공, 풍력발전, 전기자동차, 무인기 등 고장예지 기술이 필요한 모든 분야에 적용할 수 있다.

한편, 본 발명의 상세한 설명 및 첨부도면에서는 구체적인 실시예에 관해 설명하였으나, 본 발명은 개시된 실시예에 한정되지 않고 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러가지 치환, 변형 및 변경이 가능하다. 따라서, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 안되며 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들을 포함하는 것으로 해석되어야 할 것이다.

Claims (5)

1. 복수의 하중 중 적어도 3개의 제 1 하중의 가속수명시험 데이터 세트를 입력 받아 인공신경망을 사용하여 각 하중별로 복수의 회귀모델을 생성하는 단계;
   입력받은 적어도 3개의 제 1 하중의 가속수명시험 데이터 세트에 대한 복수의 회귀모델 별로 역승 모델의 기울기를 여러 열화 수준의 가속수명시험 데이터에 기초하여 산출한 결과들의 평균 값에 기초하여 구하고, 베이지언 접근법을 활용하여 복수의 샘플 y 절편을 생성하는 단계;
   등간격으로 이루어진 복수의 하중 중 실제 운용 하중과 가장 가까운 적어도 3개의 제 2 하중을 선택하고, 제 1 하중별, 상기 가속수명시험 데이터 세트에 대한 복수의 회귀모델별, 및 상기 샘플 y 절편 별로 복수의 회귀모델을 인공신경망을 통하여 생성하는 단계; 및
   생성된 제 2 하중에 대한 복수의 회귀모델 중 어느 하나에 기초하여 상기 실제 운용 하중에 대한 열화 데이터를 생성하는 단계를 포함하는,
   가속수명시험 데이터를 활용한 고장예지용 운용하중 데이터 생성 방법.
   
2. 제 1 항에 있어서,
   상기 역승 모델은 아래 수학식에 따르는 모델인,
   가속수명시험 데이터를 활용한 고장예지용 운용하중 데이터 생성 방법.
   (수학식)
   

   

   
   
3. 제 1 항에 있어서,
   상기 실제 운용 하중에 대한 열화 데이터를 생성하는 단계는 생성된 제 2 하중에 대한 복수의 회귀모델 중 열화 수준별로 랜덤으로 선택하고, 선택된 회귀모델에 기초하여 상기 실제 운용 하중에 대한 열화 데이터를 생성하는 단계를 포함하는,
   가속수명시험 데이터를 활용한 고장예지용 운용하중 데이터 생성 방법.
   
4. 제 1 항에 있어서,
   상기 가속수명시험 데이터는 크랙 크기를 포함하는 열화수준 및 수명을 포함하는,
   가속수명시험 데이터를 활용한 고장예지용 운용하중 데이터 생성 방법.
   
5. 제 4 항에 있어서,
   상기 가속수명시험 데이터는 정해진 사이클마다 측정된 열화수준인,
   가속수명시험 데이터를 활용한 고장예지용 운용하중 데이터 생성 방법.
   

Images