2장에서는 선박 추진기관의 기관실에서 고장진단을 위해 필요한 각종 시스템의 종류와 시운전 데이터, 실시간 선박운항 모니터링 데이터를 검토, 분석하고 이를 시스템별로 분류하였다. 분류된 데이터를 식별하고 측정항목 간의 연관성을 분석하여 정성적으로 분석하여 이상검출모듈, 이상진단모듈 설계를 위한 기초자료로 활용한다. 다. 그러나 전반적으로 부하직원들과 부정적인 관계를 유지하고 있는 것으로 볼 수 있다.
N연관관계검토?
Y 운전범위 이탈?
선박 엔진의 측정항목 데이터는 서로 영향을 주고 긴밀한 관계로 동작하는 항목들로 구성되므로, 본 논문에서는 측정항목 간의 관계를 상관계수(CC)로 정량적으로 표현한다. 분석방법은 이상탐지모듈과 이상진단모듈의 설계에 사용된다. 본 논문에서는 모니터링 데이터가 동작 범위를 벗어났을 때뿐만 아니라, 모니터링 데이터를 모니터링하는 경우에도 이상 상황을 감지하고 이상 유무를 판단할 수 있는 이상 감지 모듈과 이상 진단 모듈을 설계하는 것을 목표로 한다. 작동 범위를 초과하지 않음을 나타냅니다. 따라서 디젤엔진 연소계통의 각 요소간의 연결정도를 CC를 이용하여 정량적인 지표로 표현할 수 있다. 이상징후 탐지 및 이상진단에 필요한 지식베이스를 구축하는데 사용됩니다.
이상 탐지 모듈 이상 탐지 모듈 이상 탐지 모듈 이상 탐지 모듈. 이상탐지 지식베이스와 이상진단 지식베이스를 통해 데이터를 비정상으로 분류한 후, 이상 여부를 좀 더 자세히 확인하기 위해 5장에서 다루게 될 의사결정 모듈을 통해 관련 항목을 자세히 검토한다. 자세한 방법. , 결함 진단의 최종 결과가 출력됩니다. . 출력변수 : 배기가스온도 표 3.18 전문지식을 바탕으로 한 이상진단 지식기반.
Y 이상감지구간 검색?
각 시스템별로 2개의 항목을 설정하여 MVSD에서 설정한 FDR에서 측정항목간 CC를 실시간으로 계산하고, 각 항목에 대한 이상진단 결과를 고장검출 지식베이스 및 고장진단 지식을 통해 FaultState 창에 표시합니다. 베이스. 이상 감지 상태 상세 및 이상 진단 내역을 팝업창으로 표시하여 이상 감지 모듈과 이상 진단 모듈의 모니터링 데이터 오류 진단 결과를 확인할 수 있습니다. 이는 스크린 인쇄용으로 구성되었으며 동일한 방식으로 열 교환기 시스템, 전기 모터 및 펌프 시스템에서 비정상적인 상태를 감지하고 진단 결과를 얻을 수 있습니다. 예를 들어, 실시간 모니터링 입력 중 1번 실린더의 배기온도가 1번인 경우, 이상검출 지식베이스 중 1개는 비정상으로 검출되었으며, 그 외 실린더는 정상, 부하가 낮고, 압축기 입구온도는 중간, 소기압력은 낮음 이 모델은 중간온도, 소기온도가 낮을 때 사용하는 모델입니다. , 배기가스 누출 소리가 들립니다.
고장 진단은 다음과 같이 수행됩니다. 데이터 이상 감지 모듈에서 통계적 분석 기법을 이용하여 이상 감지 지식 베이스에서 감지한 이상 데이터는 FDCC이며, 이는 1번 실린더 배기가스 온도 기준이다. 1 사이의 CC 분포에 따라 3회 이상 연속으로 벗어나면 비정상 데이터로 출력됩니다. 이상 탐지 및 진단 모듈 이상 진단 모듈. 데이터 수집, 이상 감지 및 진단 모듈, 의사결정 모듈, 결과 출력.
CM CMCMCM
MADS MADSMADSMADS
SRA SRA SRA
SRA SRAM SRAM SRAM SRAM
기존의 문제점을 극복하기 위해 본 논문에서는 동작범위를 벗어나지 않더라도 이상상태를 감지하고 진단할 수 있는 이상탐지모듈과 이상진단모듈의 관련 항목을 통계분석 기법을 이용하여 구체적으로 살펴보고자 한다. 결과를 표시하는 의사결정 모듈과 중장기 모니터링 데이터를 통해 고장 상태를 예측할 수 있는 고장 예측 시스템을 포함한 고장 진단 모듈을 설계했습니다. 이렇게 구축된 지식베이스를 이용하여 이상을 탐지하고 진단하는 이상탐지 알고리즘을 설계하고, 통계분석 기반 이상진단 모듈과 병행하여 이상상태를 진단하기 위한 전문지식을 기반으로 한 지식베이스를 설계하였다. 설계된 이상탐지모듈과 이상진단 모듈의 유용성을 확인하였으며, 실제 선박운항 데이터의 통계적 특성을 갖는 정규분포의 난수를 전체 모집단 구간, 랜덤 구간, 이상탐지 구간에서 각각 생성하여 컴퓨터 시뮬레이션을 통해 확인하였다. 데이터의 비정상적인 상태가 확실하게 감지되었음을 확인했습니다. 이는 하나의 종속변수와 하나의 종속변수 사이의 관계로 정의할 수 있으며, 상관관계가 높은 항목은 높은 선형성을 유지하는 것으로 나타났다. 이를 통해 측정 항목 간의 관계를 단순 회귀 분석 방법을 사용하여 해석할 수 있었고, 선박 We We는 운영 데이터에서 상관 관계가 높은 항목 간의 단순 회귀 분석을 사용하여 고장 예측 모듈을 설계할 수 있었습니다. 고장예측모듈을 통해 새로 수집된 데이터의 회귀분석 데이터를 참고데이터와 비교평가함으로써 중장기적인 측정이 가능하였고, 변화량을 측정함으로써 변화정도를 추정하여 예측할 수 있었다. 비정상적인 상태. 또한, Visual C++ 6.0을 구현하여 모형선의 실시간 운용 데이터, 이상 진단 및 출력 오류 예측 결과에 대해 실시간으로 이상 상태를 감지하고 그 유용성을 확인하였다.
향후에는 다양한 선박에 적용하여 시스템의 적용성과 신뢰성을 확인하고, 보다 신뢰성 있는 고장진단 모듈을 설계하고, 다양한 이상현상에 대한 지능형 이상탐지 모듈 및 유지보수 일정을 개발해야 한다. 진단 모듈을 생성해야 합니다.
