KR20100129931A - 최적의 목표신뢰도 설정 및 분배방법을 활용한 철도차량의 유지보수 시스템 - Google Patents
최적의 목표신뢰도 설정 및 분배방법을 활용한 철도차량의 유지보수 시스템 Download PDFInfo
- Publication number
- KR20100129931A KR20100129931A KR1020090048546A KR20090048546A KR20100129931A KR 20100129931 A KR20100129931 A KR 20100129931A KR 1020090048546 A KR1020090048546 A KR 1020090048546A KR 20090048546 A KR20090048546 A KR 20090048546A KR 20100129931 A KR20100129931 A KR 20100129931A
- Authority
- KR
- South Korea
- Prior art keywords
- reliability
- maintenance
- railway vehicle
- optimal
- equation
- Prior art date
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000007689 inspection Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 108090000623 proteins and genes Proteins 0.000 claims description 5
- 210000000349 chromosome Anatomy 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 230000002759 chromosomal effect Effects 0.000 claims description 2
- 230000008439 repair process Effects 0.000 abstract description 18
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 34
- 238000004458 analytical method Methods 0.000 description 12
- 230000002068 genetic effect Effects 0.000 description 7
- 230000003449 preventive effect Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 108700005079 Recessive Genes Proteins 0.000 description 1
- 102000052708 Recessive Genes Human genes 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G06Q50/40—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Abstract
본 발명은 최적의 목표신뢰도 설정 및 분배방법을 활용한 철도차량의 유지보수 시스템에 관한 것으로서, 가상 복합시스템 및 도시철도 서브시스템의 운영 데이터로부터 시스템과 구성 부품들의 신뢰도 성장분석을 통해 신뢰도 지표의 추이분석을 수행하고, 소프트 컴퓨팅(soft computing) 기법을 사용하여 시스템의 목표 신뢰도를 만족하는 각각의 구성 부품들의 신뢰도를 최적화하며, 최종적으로 획득한 시스템 분석 자료와 최적화한 신뢰도를 기반으로 각 부품들의 정비주기를 산출함으로써, 도시철도와 같은 복합시스템의 안전성 확보와 경제적 실효성을 동시에 만족 가능한 최적의 목표신뢰도 설정 및 분배방법을 활용한 철도차량의 유지보수 시스템에 관한 것이다.
철도차량, 유지보수 시스템, 목표 신뢰도, 분배방법
Description
본 발명은 최적의 목표신뢰도 설정 및 분배방법을 활용한 철도차량의 유지보수 시스템에 관한 것으로서, 더욱 상세하게는 가상 복합시스템 및 도시철도 서브시스템의 운영 데이터로부터 시스템과 구성 부품들의 신뢰도 성장분석을 통해 신뢰도 지표의 추이분석을 수행하고, 소프트 컴퓨팅(soft computing) 기법을 사용하여 시스템의 목표 신뢰도를 만족하는 각각의 구성 부품들의 신뢰도를 최적화하며, 최종적으로 획득한 시스템 분석 자료와 최적화한 신뢰도를 기반으로 각 부품들의 정비주기를 산출한 최적의 목표신뢰도 설정 및 분배방법을 활용한 철도차량의 유지보수 시스템에 관한 것이다.
일반적으로, 도시철도차량은 전기적 및 기계적으로 결합된 매우 복잡한 구조를 가진 복합시스템으로써 안전성의 확보와 이를 유지할 수 있는 유지보수 시스템 의 구축이 필수적이다.
상기 복합시스템(Complex system)의 운영 및 유지 보수에 필요한 비용은 총수명 주기비용(Life Cycle Cost,LCC)의 60%정도를 차지할 정도로 유지 및 보수비가 전체 운영비에 미치는 영향이 크다고 알려져 있어 효율적인 운영, 유지, 보수 시스템의 구축을 통하여 유지·보수비용의 절감을 추구하는 일이 무엇보다 시급한 실정이다.
특히, 도시철도차량은 고가의 부품으로 구성되어 유지 및 보수비용이 높을 뿐만 아니라 유지보수를 위하여 차량 운용 스케쥴에서 차량을 떼어내는 복잡한 절차가 필요하게 되어 차량의 효율적인 운영에 크게 영향을 미치게 된다.
그럼에도 불구하고, 체계적인 도시철도 유지보수 예방정비시스템이 구축되지 못하여 예상치 못한 고장이 발생할 경우, 자료를 분석할 수 없어 효과적인 정비 방안을 제시하지 못해 유지 및 보수의 비능률화를 야기시키게 되는 문제점을 가지고 있다.
아울러, 이와 같은 유지 및 보수의 비능률화로 인해 향후 발생할 수 있는 잠재적인 고장이 실제 기능 고장으로 발전할 가능성이 높아져 결과적으로 유지보수 비용이 증가하는 문제점을 가지고 있다.
따라서, 본 발명은 상기와 같은 문제점을 해결하기 위하여 발명한 것으로서, 가상 복합시스템 및 도시철도 서브시스템의 운영 데이터로부터 시스템과 구성 부품들의 신뢰도 성장분석을 통해 신뢰도 지표의 추이분석을 수행하고, 소프트 컴퓨팅(soft computing) 기법을 사용하여 시스템의 목표 신뢰도를 만족하는 각각의 구성 부품들의 신뢰도를 최적화하며, 최종적으로 획득한 시스템 분석 자료와 최적화한 신뢰도를 기반으로 각 부품들의 정비주기를 산출함으로써, 도시철도와 같은 복합시스템의 안전성 확보와 경제적 실효성을 동시에 만족 가능한 최적의 목표신뢰도 설정 및 분배방법을 활용한 철도차량의 유지보수 시스템을 제공하고자 한다.
상기와 같은 목적을 달성하기 위하여 본 발명은 최적의 목표신뢰도 설정 및 분배방법을 활용한 철도차량의 유지보수 시스템에 있어서, 철도차량의 유지보수 비용 함수를 구축하는 제1단계; 인공 신경망을 통해 신뢰도 네트워크를 구성하는 제2단계; 다목적 최적화를 통해 철도차량의 목표 신뢰도를 결정하는 제3단계; 진화 알고리즘을 이용하여 철도차량 각 부품의 유지보수 신뢰도를 분배하는 제4단계; 최적의 검수 및 정비 주기를 도출하는 제5단계;를 포함하는 것을 특징으로 한다.
이상에서 본 바와 같이, 본 발명에 따른 최적의 목표신뢰도 설정 및 분배방법을 활용한 철도차량의 유지보수 시스템에 의하면, 최적화된 신뢰도를 기반으로 하여 시스템의 정비를 통해 비용 절감을 도모하고, 안전성 확보를 유지할 수 있는 효과가 있다.
이하, 첨부도면을 참조하여 본 발명의 구성에 대해 상세하게 설명하면 다음과 같다.
첨부한 도 1은 본 발명에 따른 최적의 목표신뢰도 설정 및 분배방법을 활용한 철도차량의 유지보수 시스템의 제어방법을 나타내는 플로우챠트이고, 도 2는 본 발명에 따른 최적의 목표신뢰도 설정 및 분배방법을 활용한 철도차량의 유지보수 시스템의 신뢰도에 대한 관리비용을 나타내는 도면이며, 도 3은 본 발명에 따른 신뢰도 네트워크를 나타내는 도면이다.
또한, 도 4는 본 발명에 따른 목표 신뢰도를 결정하기 위한 과정을 나타내는 플로우챠트이다.
본 발명은, 가상 복합시스템 및 도시철도 서브시스템의 운영 데이터로부터 시스템과 구성 부품들의 신뢰도 성장분석을 통해 신뢰도 지표의 추이분석을 수행하고, 소프트 컴퓨팅(soft computing) 기법을 사용하여 시스템의 목표 신뢰도를 만족하는 각각의 구성 부품들의 신뢰도를 최적화하며, 최종적으로 획득한 시스템 분석 자료와 최적화한 신뢰도를 기반으로 각 부품들의 정비주기를 산출하는데 그 주안점 이 있다.
(1)시스템의 유지보수 비용함수 구축
본 발명의 바람직한 실시예에서, 시스템 운영의 총비용은 각 컴포넌트 운영 비용의 합이며, 시스템 유지의 총 운영을 컴포넌트의 초기 비용, 수리 비용, 관리 비용의 세부분으로 나누어 아래 식과 같이 비용 함수를 정의한다.
그리고, 각 비용은 컴포넌트의 특성을 반영하기 위하여 계수(Weighting factor)를 가진다.
여기서, Ctotal는 시스템 운영 총비용, Ci는 초기비용, w1i는 i컴포넌트군의 초기비용 계수, Cr은 수리비용, w2i는 i컴포넌트군의 수리비용 계수, Cm은 관리비용, w3i는 i컴포넌트군의 관리비용 계수이다.
상기 초기비용이란 컴포넌트의 구입 비용으로부터 시스템 설치에 필요한 모든 비용을 의미하며, 아래 식과 같이 i컴포넌트의 개수(ni)와 초기비용 계수(c1i)간 곱의 총합으로 정의한다.
컴포넌트의 고장발생 시에 발생하는 수리비용을 확률적 접근을 통하여 수리비용을 정의한다. i컴포넌트군의 수리비용 계수(w2i)와 i컴포넌트로 인해 발생하는 고장발생의 확률 간의 곱의 합을 총 수리비용으로 한다.
따라서, 전체 수리비용은 각 i컴포넌트의 수리비용의 합으로 아래 식과 같이 표현할 수 있다.
관리비용은 시스템의 신뢰도를 유지 및 향상시키기 위한 점검 및 유지 비용으로 정의하며, 컴포넌트의 고장 데이터는 획득 가능하다는 가정 하에, 아래 식과 같이 나타낸다.
여기서, w3i는 관리비용 계수이며,
는 i컴포넌트의 정비도이다.
상기 정비도란, 컴포넌트의 고장 발생 및 기능의 유지 및 향상의 정도를 말한다. 정비도는 아래 식에 의해 계산되며, MTTR(Mean Time To Repair)는 수리계 부품의 평균 수리시간을 의미하며, 부품 시스템의 운영 고장 데이터로부터 획득하게 된다.
도 2는 정비도가 관리비용 함수에 미치는 영향을 보여준다. 같은 신뢰도라도 정비도가 높으면 관리 비용이 적다. 낮은 정비도를 가진 부품은 높은 신뢰도에 도달하기에는 큰 비용이 소요됨을 알 수 있다.
또한, 첨부도면을 통해 신뢰도가 커질수록 많은 관리 비용이 소요되며, 높은 신뢰도가 요구되는 0.95 이상의 영역에서는 비용이 급격하게 증가함을 확인할 수 있다.
(2) 인공 신경망을 통한 신뢰도 네트워크 구성
인공신경망은 인간이나 동물이 가지고 있는 생물학적인 뇌의 신경세포(neuron)를 모델화하여 인공적인 지능을 만드는 것이다. 이러한 신경망에서 중요한 구성요소는 처리기(processing element)와 이들 상호간의 연결(interconnection)이다.
상기 신경세포의 인공적인 모델을 처리기 또는 유닛(unit)이라 하는데, 이는 한 처리기에 연결된 다른 처리기들로부터의 입력에 연결선의 가중치를 고려하여 더한 후 그 결과를 적당한 활성화 함수로 처리하여 연결된 다른 처리기로 출력한다.
이를 수학적으로 표현하기 위하여 하나의 처리기와 연결된 다른 처리기들의 출력 xi을 해당하는 두 처리기 사이의 연결강도 wi를 곱한 값들의 합 즉, net은 아래 식과 같이 계산할 수 있다.
이 합을 아래 식과 같은 활성함수에 적용시켜서 얻은 결과를 그 처리기의 출력으로 하여 이와 연결되어 있는 다른 처리기로 보낸다.
여기서, 활성화 함수 f( net )는 신경세포의 반응 여부를 결정하는 역할을 한다. 현재 제안된 다양한 신경망 모델은 계층 수, 출력 형태, 데이터 유형, 학습 방법 그리고 활성화 함수와 같은 기준에 따라 분류할 수 있으며, 본 발명에서는 신경망 모델 중 다층 및 순환 신경망인 역전파(back propagation) 인공신경망을 사용하였다.
상기 역전파 학습 알고리즘은 두 단계의 순서에 의해 이루어진다고 볼 수 있는데, 첫 번째 단계에서는 입력을 네트워크에 제시할 경우, 이것이 네트워크의 전 방향(forward)으로 전파되어 출력을 내고, 이 출력과 목표와의 차이에 미분계수를 곱하여 출력 뉴런에 대한 오차를 계산한다. 두 번째 단계에서는 오차신호가 네트워크의 역방향으로 전파되면서 각 뉴런의 오차신호가 계산되고, 이것을 바탕으로 연결강도를 수정하게 된다.
이러한 네트워크를 도 3에 나타내고 있다.
도 3에 도시된 바와 같이, 모든 유닛은 연속적인 층들 사이에 단지 순방향 연결로만 이루어진 입력층, 은닉층, 출력층을 형성한다. 역전파 인공신경망의 학습, 즉 지도학습을 위한 기본 개념은 아래 식에서 시작된다.
여기서, Ep는 P번째 학습패턴에 대한 오차의 제곱항을 의미하며 n은 출력 유닛의 수, m은 패턴 수, RT_pk는 P번째 학습패턴에 대한 K번째 시스템 신뢰도의 목표값, RQ_pk는 P번째 학습패턴에 대한 시스템 신뢰도의 출력값을 나타낸다. 학습과정 동안 연결강도는 아래 식를 이용한 최급경사도강하법(steepest gradient descent method)에 의해 수정되고 출력 값이 목표 값에 근사하게 되었을 때 학습이 종료된다.
여기서, η는 학습률이다. 인공신경망은 학습을 위한 신경망 학습변수(learning parameter)들에 민감한데, 본 발명에서는 각 부품의 신뢰도를 입력층, 시스템의 신뢰도를 출력층으로 지정하여 인공신경망을 구성하였다.
활성화 함수로 시그모이드(sigmoid) 함수를 사용하였고, 입/출력을 0.1 ~ 0.9로 스케일링하였으며, 은닉층의 개수는 문제의 특성에 맞도록 조정하였다.
또한, 역전파 학습 알고리즘의 수렴성 향상을 위해 모멘텀(momentum)과 적응 학습률(adaptive learning rate)을 이용하였다.
(3)다목적 최적화를 통한 시스템 목표 신뢰도 결정
검수/정비주기 최적화를 위한 부최적화 문제는 시스템의 목표 신뢰도를 결정하기 위한 것이다.
만약, 시스템의 목표 신뢰도를 높게 설정할 경우는 작은 시스템에 점검 및 유지보수에 따른 시스템 운영 및 관리비용의 증가로 경제적인 제약이 따르게 되고, 시스템의 목표 신뢰도를 낮게 설정할 경우는 시스템의 안전성에 대한 제약이 따를 것이다.
따라서 시스템과 구성 부품의 검수/정비주기 최적화 과정에 앞서 현재 운영되고 있는 복합시스템의 운영상황을 고려하여 적절한 목표 신뢰도를 결정하는 일이 선행되어야 한다. 시스템의 운영상황을 고려한 목표 신뢰도를 결정하는 과정은 도 에 도시되어 있다.
각 과정을 살펴보면 아래와 같다.
1) Crow-AMSAA 모형을 이용한 시스템의 고장률(λsystem)과 구성 부품들의 고장률(λpart)추정
2) 추정된 고장률 함수를 이용하여 운영시간에 따른 시스템, 구성 부품들의 신뢰도(
)함수 생성
3) 유지보수 비용함수에 적용하여 운영시간에 따른 시스템 운영비용 함수 생성
4) 시스템의 신뢰도를 최대화하면서 시스템 운영비용을 최소화하는 시점인 최적의 가동시간(t*) 도출
5) 최적 가동시간과 시스템의 고장률간의 관계를 신뢰도 함수 정의식에 적용하여 시스템 목표신뢰도(Rg)획득
(4)진화 알고리즘을 통한 각 부품의 유지보수 신뢰도 분배
유전자 알고리즘은 진화 알고리즘 중 하나로 자연 진화의 모델에 기초를 둔 확률 최적화 알고리즘이다.
상기 유전자 알고리즘은 Holland에 의해 개발되었으며, 전통적으로 고정된 길이의 비트형식과 같은 문자열을 사용한다. 목적함수의 값으로부터 가장 좋지 못한 개체를 이탈시키는 방법을 통해 각 개체의 적합성을 일률적으로 판단한다.
유전자 알고리즘은 3가지 연산자(operator), 즉 교배(crossover), 돌연변이(mutation), 선택(selection)을 이용하여 진화과정을 인위적으로 수행하는 것으로 각 연산자의 역할과 최적화 과정에 대한 기본 개념을 다음 네 가지로 분류할 수 있다.
1) n개의 염색체(chromosome)로 구성된 최초 유전자 집단을 무작위로 구성한다.
2) 다음 세대를 구성하는 염색체 후보들을 선별하는 과정으로서 아래 식을 이용한 적합도가 높은 개체를 확률적인 방법으로 선택한다.
확률적 선택을 위해서 개체 Ri의 번식률 Pc는 아래 식과 같은 상대적 적합방정식에 의해 얻는다.
3) 선택된 유전자들 중에서 확률적으로 선택된 한 쌍씩을 상호 교배시켜 새로운 염색체를 구성한다. Pc는 개체마다 재결합의 확률을 의미하고, 일반적으로 [0.6, 1.0]사이의 값이다. 무작위로 선정된 두 개체들은 다음 세대의 새로운 두 개체로 번식된다.
4) 어떤 유전자가 미처 검증 받지 못하고 도태되는 것을 방지하기 위해 미리 주어진 확률에 의해 돌연변이 시키는 것으로 최적의 값을 구하기 위한 수단으로 이용한다. 유전자 알고리즘에서 돌연변이는 비트 문자 레벨에서 이루어지며, 전형적인 유전자 작용자이다. 돌연변이 확률 Pm은 매우 작은 값을 가지며, 하나의 비트를 아래 식과 같이 변화시킴으로써 작용한다.
여기서, θij는 각 비트를 새로이 만드는 [0, 1]사이의 무작위 변수이다.
이와 같이 유전자 알고리즘은 각 세대에서 적합도가 낮은 열성 유전자는 도태시키고 우성개체들끼리 상호교차 시켜서 우수한 새로운 세대를 만드는 과정을 반복적으로 수행함으로써 최적해를 구하게 된다.
이와 같은 과정을 거쳐 설계변수인 각 부품의 최적의 신뢰도를 도출하게 된다.
(5)최적의 검수/정비주기 도출
도시철도 전동차에서 고장은 우발고장으로 신뢰도 지표는 지수분포를 따르므로 일반적인 관계를 이용하면 아래 식과 같이 신뢰도 함수를 나타낼 수 있다.
여기서, t는 각 장치의 가동시간이고, λ(t)는 고장률 함수, m은 장치의 평균고장간격 MTBF를 의미한다. 이러한 위 함수식을 이용하여 역함수로 풀어 시간영역으로 변환하면 아래 식과 같다.
앞서 수행한 도시철도 서브시스템을 구성하는 각 부품의 최적 신뢰도 결과수준을 만족하는 검수/정비주기를 계산하기 위해 최적 신뢰도, 현 시점의 고장률 및 평균고장간격, 검수/정비시간 등을 이용하여 아래 식을 재구성하면 다음과 같다.
여기서, Ti *는 i번째 장치의 검수/정비주기, λi는 i번째 장치의 현 고장률, mi는 i번째 장치의 현 평균고장간격, Ri *는 i번째 장치의 최적 신뢰도이다. Normal(Rs=0.90)은 유지보수 비용을 고려하지 않고, 시스템의 신뢰도가 90%에 도달하는 시점에서, 모든 구성 부품에 대해 일괄적인 예방보전 활동의 수행을 의미한다.
Step 1은 해당 유지보수 기관의 운영 특성을 고려하여 가동시간에 대한 유지보수 비용의 최소화와 신뢰도의 최대화를 동시에 만족시킬 수 있는 검수/정비 주기를 의미한다. 본 발명에서는 유지보수 비용과 신뢰도의 중요도를 동일하게 적용하였다. 하지만 비교되는 Normal(Rs=0.90)및 Step 1의 두 가지 단계는 시스템을 기준으로 검수/정비주기를 산출하는 방법을 통하여 일괄적인 예방보전 활동을 수행함으로써 유지보수가 필요치 않은 부품까지 예방보전 활동을 수행하게 되고, 이는 유지보수 비용의 낭비를 가져올 수 있다. 따라서 Step 2와 같이 도시철도 서브시스템을 구성하고 있는 부품들의 검수/정비주기를 각각 산출하여 시스템에 적용한 예방보전 활동은 유지보수 비용의 낭비를 최소화하는 검수/정비주기 기준이라 할 수 있다.
(6)도시철도 서브시스템의 목표 신뢰도 결정(step 1)
신뢰도 평가 알고리즘과 구축된 신뢰도 네트워크를 이용하여 신뢰도 조합을 생성하였다.
여기서, 신뢰도 조합이란 현재 시간부터 서브시스템 평균고장시간까지의 신뢰도 추이분석을 한 결과 그래프에서 서브시스템을 구성하고 있는 각 부품에 대한 동일시간 기준의 다양한 신뢰도 조합을 의미한다.
비용함수와 신뢰도 추이에 대한 함수를 다항식으로 근사화하여 함수로 정의하였다. 도시철도 서브시스템의 목표 신뢰도를 선정하기 위한 최적화 문제 정의는 아래 식과 같다.
여기서, C(t)는 도시철도 서브시스템의 t시간에서 신뢰도 조합에 따른 비용함수이며, Rs(t)는 t시간에서 신뢰도 조합에 따른 서브시스템의 신뢰도 함수, t*는 비용함수를 최대화하며, 서브시스템의 신뢰도를 최대화하는 최적 가동시간이다. t 시간에 따른 신뢰도 조합의 범위는 0부터 시스템의 평균고장간격(ms)이다.
t*를 획득하기 위하여 iSight8.0의 NCGA(Neighborhood Cultivation Genetic Algorithm)를 이용하였다.
본 발명에서는 다목적 최적화를 위해 목적함수인 신뢰도 함수와 유지보수 비용함수의 값이 유사한 범위 내에서 변할 수 있도록 스케일링을 하였다. 또한 두 함수의 중요도를 동일하게 설정하기 위해 가중치(weight factor)를 각각 0.5씩 설정하여 다목적 최적화를 수행하였으며, 도출된 다수의 최적 값 중 유지보수 비용과 신뢰도의 차가 가장 작은 값을 최적 값으로 결정하였다.
(7)도시철도 서브시스템의 신뢰도 분배(step 2)
도시철도 서브시스템의 유지보수 신뢰도 배분을 위해 Step 1을 통해 획득한 목표신뢰도(Rg)와 각 부품의 신뢰도 범위를 설정하여 정의한 최적화 문제는 아래 식과 같다.
설계변수는 서브시스템을 구성하고 있는 각 부품의 신뢰도 Ri이며, 목적함수는 본 발명에서 구축한 유지보수 비용함수이다.
각 부품의 최대 및 최소신뢰도는 현 시점에서 서브시스템의 평균고장간격 시간을 기준으로 각 부품의 신뢰도 추이분석에서 변할 수 있는 신뢰도 영역으로 선정하였다. 비용함수의 상수인 각 비용계수와 정비도는 각각 1과 0로 동일하게 설정하여 문제를 단순화하였다.
따라서, 본 발명은, 가상 복합시스템 및 도시철도 서브시스템의 운영 데이터로부터 시스템과 구성 부품들의 신뢰도 성장분석을 통해 신뢰도 지표의 추이분석을 수행하고, 소프트 컴퓨팅(soft computing) 기법을 사용하여 시스템의 목표 신뢰도를 만족하는 각각의 구성 부품들의 신뢰도를 최적화하며, 최종적으로 획득한 시스템 분석 자료와 최적화한 신뢰도를 기반으로 각 부품들의 정비주기를 산출함으로써, 도시철도와 같은 복합시스템의 안전성 확보와 경제적 실효성을 동시에 만족 가능하게 된다.
이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 또한 설명하였으나, 본 발명은 상기한 실시예에 한정되지 않으며, 특허청구범위에서 청구된 본 발명의 요지를 벗어남이 없이 당해 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 실시가 가능한 것은 물론이고, 그와 같은 변경은 기재된 청구범위 내에 있게 된다.
도 1은 본 발명에 따른 최적의 목표신뢰도 설정 및 분배방법을 활용한 철도차량의 유지보수 시스템의 제어방법을 나타내는 플로우챠트,
도 2는 본 발명에 따른 최적의 목표신뢰도 설정 및 분배방법을 활용한 철도차량의 유지보수 시스템의 신뢰도에 대한 관리비용을 나타내는 도면,
도 3은 본 발명에 따른 신뢰도 네트워크를 나타내는 도면,
도 4는 본 발명에 따른 목표 신뢰도를 결정하기 위한 과정을 나타내는 플로우챠트이다.
Claims (5)
- 최적의 목표신뢰도 설정 및 분배방법을 활용한 철도차량의 유지보수 시스템에 있어서,철도차량의 유지보수 비용 함수를 구축하는 제1단계;인공 신경망을 통해 신뢰도 네트워크를 구성하는 제2단계;다목적 최적화를 통해 철도차량의 목표 신뢰도를 결정하는 제3단계;진화 알고리즘을 이용하여 철도차량 각 부품의 유지보수 신뢰도를 분배하는 제4단계;최적의 검수 및 정비 주기를 도출하는 제5단계;를 포함하는 것을 특징으로 하는 최적의 목표신뢰도 설정 및 분배방법을 활용한 철도차량의 유지보수 시스템.
- 제1항에 있어서,상기 제3단계는 도시철도 서브시스템의 목표 신뢰도를 결정하는 단계를 포함한 것을 특징으로 하는 최적의 목표신뢰도 설정 및 분배방법을 활용한 철도차량의 유지보수 시스템.
- 제1항에 있어서,상기 제4단계는 도시철도 서브시스템의 신뢰도를 분배하는 단계를 포함한 것을 특징으로 하는 최적의 목표신뢰도 설정 및 분배방법을 활용한 철도차량의 유지보수 시스템.
- 제1항에 있어서,상기 제3단계는, 시스템의 고장률(λsystem)과 구성 부품들의 고장률(λpart)을 추정하는 단계;상기 추정된 고장률 함수를 이용하여 운영시간에 따른 시스템의 구성 부품들의 신뢰도()함수를 생성하는 단계;
유지보수 비용함수에 적용하여 운영시간에 따른 시스템 운영비용 함수를 생성하는 단계;상기 시스템의 신뢰도를 최대화하면서 시스템 운영비용을 최소화하는 시점인 최적의 가동시간(t*)을 도출하는 단계;5) 최적 가동시간과 시스템의 고장률간의 관계를 신뢰도 함수 정의식에 적용하여 시스템 목표신뢰도(Rg)를 획득하는 단계;를 포함하여 구성된 것을 특징으로 하는 최적의 목표신뢰도 설정 및 분배방법을 활용한 철도차량의 유지보수 시스템. - 제1항에 있어서,상기 진화 알고리즘은 그 연산자의 역할 및 최적화 과정이 n개의 염색체(chromosome)로 구성된 최초 유전자 집단을 무작위로 구성하는 단계;다음 세대를 구성하는 염색체 후보들을 선별하는 과정으로서 하기 식 1을 이용한 적합도가 높은 개체를 확률적인 방법으로 선택하는 단계;선택된 유전자들 중에서 확률적으로 선택된 한 쌍씩을 하기 식 2를 이용하여 상호 교배시켜 새로운 염색체를 구성하는 단계;미리 주어진 확률에 의해 식 3을 이용하여 돌연변이시키는 단계를 포함하는 것을 특징으로 하는 최적의 목표신뢰도 설정 및 분배방법을 활용한 철도차량의 유지보수 시스템.[식 1]
(단, 상기 Ri는 개체이고, Pc는 개체 Ri의 번식률임)[식 2]
[식 3]
(단, Pm은 돌연변이 확률이고, θij는 각 비트를 새로이 만드는 [0, 1]사이의 무작위 변수임)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020090048546A KR20100129931A (ko) | 2009-06-02 | 2009-06-02 | 최적의 목표신뢰도 설정 및 분배방법을 활용한 철도차량의 유지보수 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020090048546A KR20100129931A (ko) | 2009-06-02 | 2009-06-02 | 최적의 목표신뢰도 설정 및 분배방법을 활용한 철도차량의 유지보수 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20100129931A true KR20100129931A (ko) | 2010-12-10 |
Family
ID=43506402
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020090048546A KR20100129931A (ko) | 2009-06-02 | 2009-06-02 | 최적의 목표신뢰도 설정 및 분배방법을 활용한 철도차량의 유지보수 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20100129931A (ko) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101288005B1 (ko) * | 2012-08-21 | 2013-07-23 | 매크로이에스아이 주식회사 | Ｎ차원 매트릭스를 이용한 부품 수명 분석 시스템 |
| CN109711635A (zh) * | 2019-01-08 | 2019-05-03 | 北京交通大学 | 一种基于车站能力保持的设备维修策略优化方法 |
| WO2020013619A1 (ko) * | 2018-07-11 | 2020-01-16 | 효성중공업 주식회사 | 전력계통 신뢰도 지수를 토대로 한 변전소 자산 관리 방법 및 장치 |
| KR20200048641A (ko) * | 2018-10-30 | 2020-05-08 | 주식회사 한화 | 부품 관리 장치 및 이의 동작 방법 |
| CN112149844A (zh) * | 2020-09-18 | 2020-12-29 | 一汽解放汽车有限公司 | 维修金额的预测方法、装置、设备和介质 |
| CN112288108A (zh) * | 2020-11-09 | 2021-01-29 | 常州大学 | 基于故障风险的动车组塞拉门多部件预防性机会维修策略 |
| KR102281522B1 (ko) * | 2020-10-23 | 2021-07-26 | 네모시스 주식회사 | 부품의 최적기대수명 산출방법 및 장치 |
| US11507074B2 (en) | 2017-04-28 | 2022-11-22 | Hyosung Heavy Industries Corporation | Method for asset management of substation |
-
2009
- 2009-06-02 KR KR1020090048546A patent/KR20100129931A/ko not_active Application Discontinuation
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101288005B1 (ko) * | 2012-08-21 | 2013-07-23 | 매크로이에스아이 주식회사 | Ｎ차원 매트릭스를 이용한 부품 수명 분석 시스템 |
| US11507074B2 (en) | 2017-04-28 | 2022-11-22 | Hyosung Heavy Industries Corporation | Method for asset management of substation |
| WO2020013619A1 (ko) * | 2018-07-11 | 2020-01-16 | 효성중공업 주식회사 | 전력계통 신뢰도 지수를 토대로 한 변전소 자산 관리 방법 및 장치 |
| KR102067831B1 (ko) * | 2018-07-11 | 2020-01-17 | 효성중공업 주식회사 | 전력계통 신뢰도 지수를 토대로 한 변전소 자산 관리 방법 및 장치 |
| US11394237B2 (en) | 2018-07-11 | 2022-07-19 | Hyosung Heavy Industries Corporation | Substation asset management method and apparatus based on power system reliability index |
| KR20200048641A (ko) * | 2018-10-30 | 2020-05-08 | 주식회사 한화 | 부품 관리 장치 및 이의 동작 방법 |
| CN109711635A (zh) * | 2019-01-08 | 2019-05-03 | 北京交通大学 | 一种基于车站能力保持的设备维修策略优化方法 |
| CN109711635B (zh) * | 2019-01-08 | 2020-10-27 | 北京交通大学 | 一种基于车站能力保持的设备维修策略优化方法 |
| CN112149844A (zh) * | 2020-09-18 | 2020-12-29 | 一汽解放汽车有限公司 | 维修金额的预测方法、装置、设备和介质 |
| KR102281522B1 (ko) * | 2020-10-23 | 2021-07-26 | 네모시스 주식회사 | 부품의 최적기대수명 산출방법 및 장치 |
| CN112288108A (zh) * | 2020-11-09 | 2021-01-29 | 常州大学 | 基于故障风险的动车组塞拉门多部件预防性机会维修策略 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20100129931A (ko) | 최적의 목표신뢰도 설정 및 분배방법을 활용한 철도차량의 유지보수 시스템 | |
| Qolomany et al. | Particle swarm optimized federated learning for industrial IoT and smart city services | |
| Vlahogianni et al. | Spatio‐temporal short‐term urban traffic volume forecasting using genetically optimized modular networks | |
| Deris et al. | Ship maintenance scheduling by genetic algorithm and constraint-based reasoning | |
| Barbounis et al. | Locally recurrent neural networks for wind speed prediction using spatial correlation | |
| Jeatrakul et al. | Comparing the performance of different neural networks for binary classification problems | |
| Bolzern et al. | On almost sure stability of continuous-time Markov jump linear systems | |
| AU2024200810A1 (en) | Training tree-based machine-learning modeling algorithms for predicting outputs and generating explanatory data | |
| Melo et al. | Gaussian-PSO with fuzzy reasoning based on structural learning for training a Neural Network | |
| EP1557788B1 (en) | Reduction of fitness evaluations using clustering technique and neural network ensembles | |
| CN102622510A (zh) | 一种软件缺陷量化管理系统和方法 | |
| Guo et al. | Hybrid optimization algorithm of particle swarm optimization and cuckoo search for preventive maintenance period optimization | |
| Singh et al. | Enhanced hybrid model for electricity load forecast through artificial neural network and Jaya algorithm | |
| Chandra | Adaptive problem decomposition in cooperative coevolution of recurrent networks for time series prediction | |
| Ji et al. | Forecasting wind speed time series via dendritic neural regression | |
| Okada et al. | Interval GA for evolving neural networks with interval weights and biases | |
| Miranda et al. | Multi-objective transmission expansion planning based on Pareto dominance and neural networks | |
| Xu et al. | Application of GMDH to short-term load forecasting | |
| Nawi et al. | CSBPRNN: a new hybridization technique using cuckoo search to train back propagation recurrent neural network | |
| CN115471009A (zh) | 预测性优化的电力系统规划方法 | |
| Liu et al. | Evaluation of the failure rates of transmission lines during hurricanes using a neuro-fuzzy system | |
| Shrivastava et al. | A novel approach of input variable selection for ANN based load forecasting | |
| Hassan et al. | Neural network ensemble: Evaluation of aggregation algorithms in electricity demand forecasting | |
| Srinivasan et al. | Guest Editorial Special Issue on “Neural Networks and Learning Systems Applications in Smart Grid” | |
| Pramelakumari et al. | Short-term load forecast of a low load factor power system for optimization of merit order dispatch using adaptive learning algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application |