The large process plant is currently implementing predictive maintenance technology to transition from the traditional Time-Based Maintenance (TBM) approach to the Condition-Based Maintenance (CBM) approach in order to improve equipment maintenance and productivity. The traditional techniques for predictive maintenance involved managing upper/lower thresholds (Set-Point) of equipment signals or identifying anomalies through control charts. Recently, with the development of techniques for big analysis, machine learning-based AAKR (Auto-Associative Kernel Regression) and deep learning-based VAE (Variation Auto-Encoder) techniques are being actively applied for predictive maintenance. However, this predictive maintenance techniques is only effective during steady-state operation of plant equipment, and it is difficult to apply them during start-up and shutdown periods when rises or falls. In addition, unlike processes such as nuclear and thermal power plants, which operate for hundreds of days after a single start-up, because the pumped power plant involves repeated start-ups and shutdowns 4-5 times a day, it is needed the prediction and alarm algorithm suitable for its characteristics. In this study, we aim to propose an approach to apply the optimal predictive alarm algorithm that is suitable for the characteristics of Pumped Storage Power Plant(PSPP) facilities to the system by analyzing the predictive maintenance techniques used in existing nuclear and coal power plants.

5MW급 풍력발전용 기어박스의 효율적인 구조해석과 근사모델을 생성하여 경량화를 위한 형상 최적설계를 수행하였다. 풍력발전용 기어박스의 구조는 기어 트레인, 축, 베어링, 하우징과 같이 복잡한 구성요소로 이루어져 있어 구조해석에 많은 요소 수를 요구하고 있다. 본 연구에서는 헬리컬 기어의 치강성 계수를 고려한 효과적인 기어박스의 구조해석 모델을 생성 하였다. 치강성 계수를 사용한 유성 기어열은 상대적으로 적은 요소 수와 해석시간으로도 전체 기어박스 시스템의 구조해 석과 형상 최적화를 가능케 한다. 치강성을 이용한 단순화된 해석모델과 근사모델을 적용하여 하우징 무게에 영향이 큰 부 위의 두께를 설계변수로 설정하여 케이스 최적설계안을 도출하였으며, 최적설계를 위해 사용된 근사모델의 신뢰성과 최적 기어박스 하우징 형상의 수치해석을 통해 타당성을 검증하였다.