논문 상세보기
pp.619-629
전기추진 선박의 추진축계 이상상태는 심각한 선박 운항 장애를 초래할 수 있으므로, 추진 시스템의 상태를 정확히 진단하고 사전에 예방 유지보수를 수행하는 Prognostics and Health Management(PHM) 기술의 필요성이 증가하고 있다. 본 연구에서는 전기추진 선박 의 추진축 이상상태를 조기에 감지하고 진단하기 위하여 진동 데이터를 기반으로 한 머신러닝 기반 PHM 시스템의 개발과 성능 평가를 수행하였다. Land-Based Testing System(LBTS) 시스템에서 수집된 정상 상태와 축 정렬 이상 상태(0.5 mm, 1.0 mm, 1.5 mm)의 진동 데이터를 활용하여 데이터 전처리 및 특성 추출을 수행하였다. 연구에서는 Fully Connected Neural Network(FCNN) 및 Convolutional Neural Network(CNN)을 적용하여 이상 상태를 진단하는 모델을 개발하고 비교 분석하였다. FCNN 기반 모델은 단순한 구조로 빠른 학습이 가능 하여 실시간 모니터링에 적합한 반면, CNN 모델은 미세한 상태 변화를 효과적으로 탐지하는 데 탁월한 성능을 보였다. 성능 평가 결과 FCNN 모델은 평균 95% 이상의 정확도를 나타냈으며, CNN 모델은 이보다 더욱 향상된 성능을 제공하였다. 본 연구를 통해 개발된 진동 기반 PHM 시스템은 전기추진 선박 추진축 이상상태를 효과적으로 조기에 진단할 수 있는 능력을 입증하였다. 이러한 연구 성과는 전기 추진 선박의 안전하고 효율적인 운항을 위한 신뢰성 높은 유지보수 전략 수립에 중요한 기여를 할 것으로 기대된다. 향후 연구로는 데이 터 품질 개선 및 추가적인 딥러닝 모델 적용을 통한 성능 향상을 목표로 한다.
Faults in propulsion shafts of electric ships can lead to critical disruption of operations, necessitating precise diagnostic methods and proactive maintenance strategies through prognostics and health management (PHM) technologies. In this study, we developed and evaluated a vibration-based PHM system utilizing machine learning methods to detect and diagnose shaft faults in electric propulsion systems at an early stage. Normal and abnormal vibration data sets were collected using a Land-Based Testing System (LBTS), simulating various shaft misalignment scenarios at 0.5, 1.0, and 1.5 mm offsets. After preprocessing the collected data, feature extraction was performed using processes tailored specifically for effective fault characterization. Two types of machine learning models, a fully connected neural network (FCNN) and a convolutional neural network (CNN), were implemented and comparatively analyzed for their fault diagnostic capabilities. The FCNN model, characterized by its simple structure and rapid training process, demonstrated suitability for real-time monitoring applications, achieving an average classification accuracy exceeding 95%. However, the CNN model excelled in detecting subtle changes in vibration patterns, outperforming the FCNN model in overall diagnostic performance. The proposed vibration-based PHM system was effective in accurately diagnosing propulsion shaft anomalies at an early stage, contributing significantly to establishing reliable maintenance strategies for the safe and efficient operation of electric ships. Future research will focus on improving data quality and exploring additional advanced deep learning models to further enhance diagnostic accuracy and operational applicability.
Abstract
1. 서 론
2. 데이터 수집 및 처리 과정
2.1 LBTS의 실험장치의 구성
2.2 LBTS의 데이터 수집 및 처리
3. 머신러닝 모델 설계 및 학습
3.1 데이터 구성
3.2 학습 모델
3.3 학습 및 평가 결과
4. 결 론
Acknowledgment
References
