http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
기계기술자가 방계현장에서 수행하는 직능에 대한 조사분기에 관한 연구
이종순 대한기계학회 1976 大韓機械學會誌 Vol.16 No.2
기계공악은 Service Engineering 이라는 일면을 지니고 있을 뿐만아니라 직접 기계류를 생산하지 않은 업체중에서도 기업상으로 또한 학문상으로는 본래 기계공업의 영역에 속하는 산업이면서 산 업적, 학문적 전문화에의하여 분화된 공업도 많으므로 기계기술자의 역할도 광범위할 수 밖에 없 다. 특히 우리 나라에서 그동안의 사정을 살펴 볼때 각종 생필품의 수요급증과 정부의 수출산업 우선정책등으로 완제품생산규모의 plant도입에의한 제품생산공업이 위주였으므로 제산업이 기반 조건인 기계공업성장의 과정이 경시되어 왔으며 따라서 대학에서 기계공학을 전공한 기계기술자 가 일반적인 기계의 설계와 제작을 다루는 기회보다도 특정기계장치의 운전내지는 시설의 영선을 담당하는 경우가 허다하고 그 외에 광범위한 분야에서 다양한 업무를 취급하여 왔다. 이러한 사 정을 감안하여 본연구는 기계기술자가 섬유, 제지, 비료, 정유등 화학계 공장을 위시하여 채광, 금속, 전자, 방직등 물리계공장 및 발전소 토건업등 기타 소위 비기계공업계열의 기업에서 실제에 어떠한 내용의 작업 또는 직무에 임하고 있는가의 실태를 조사분석하여 기계기술자의 인력수급계 획이나 대학교과과정상의 참고자료에 공할 것을 일차적으로 시도한 것이다.
김태완(Taewan Kim),이승철(Seungchul Lee) 대한기계학회 2021 대한기계학회 춘추학술대회 Vol.2021 No.4
데이터 기반 예후의 성능은 측정치로부터 뽑아낸 특징 인자(feature)의 성능에 의존한다. 높은 수준의 예후 성능을 달성하기 위해서는, 기계의 건강 상태를 잘 나타내도록 특징 인자들이 잘 디자인하여야 하며, 특징 인자들은 일반적으로 원 신호에서 계산되거나 통계적 신호처리 기법들을 통해 얻어진다. 이렇게 만들어진 특징 인자들은 그 자체로 건강 지표로 사용되거나, 또는 다른 특징 인자들과 함께 새로운 건강 지표를 구성한다. 그러나 기존의 많은 건강 지표들은 기계의 종류마다 만들어지는 방식이 다르며, 높은 수준의 도메인 지식이 요구된다. 이러한 단점을 해결하기위해, 우리는 데이터 기반 방법인 적대적 오토 인코더 [1] 기반 건강 지표 (AAE-HI)를 추출할 수 있는 일반적인 방법론을 제안한다. PRONOSTIA [2]에서 수집된 된 구름 베어링의 가속 열화 실험의 데이터셋을 사용하여 AAE-HI를 검증하였다. AAE-HI는 원 신호에서 높은 수준의 단조성 (monotonicity)과 시간에 대한 상관성 (trendability)을 가진 건강 지표를 뽑아낼 수 있었으며, 이를 구름 베어링의 잔존 수명과 비교하여 열화 과정에 대한 정보를 충분히 담고 있다는 것을 보였다. The performance of data-driven prognostics heavily depends on the features extracted from measured raw signals. Therefore, in order to enhance the prognostic performance, features must be carefully designed to represent the machine’s health condition. Conventional key features are often obtained by statistical signal processing techniques. Then, these features themselves are used as health indicators (HI) or fed to construct HIs. However, many conventional HIs are heavily relying on the type of machine components and expert domain knowledge. To solve these drawbacks, we propose a fully data-driven method, that is, the adversarial autoencoder-based health indicator (AAE-HI) [1]. Accelerated tests of bearing degradation collected from PRONOSTIA [2](open dataset) were used to justify the proposed AAE-HI method. It is shown that our proposed AAE-HI can autonomously learn and find features which well represent monotonicity and trendability of bearing degradation process. Finally, the performance of AAE-HI in RUL prediction is compared with other traditional HIs.