神經回路網에 의한 油壓驅動 部材의 摩擦狀態 識別에 관한 硏究 = (A)study on the identification of friction condition of hydraulic driving members by neural network
현재까지 유압구동부의 마찰상태는 직접 눈으로 확인할 수 없기 때문에 단지 전문가의 경험에 주로 의존하고 있는 실정에 있어 보다 범용적인 수법의 개발이 필요한 실정에 있다. 따라서 본 연구는 유압 피스톤 모터의 슬리퍼 패드 (slipper-pad)와 피스톤 볼의 구동부재로 사용되는 LBC3와 SCM440의 마찰상태 식별을 행할 목적으로 유압 피스톤 모터를 모의한 윤활 마찰·마멸 실험장치를 통하여 다양한 마찰조건에 따라 발생되는 마멸분의 4가지 형태 파라미터 (50% 체적경, 장단도, 복잡도 및 광택도)를 컴퓨터로 영상처리하여 마멸분의 모집단과 영상 수에 따른 이들의 형태적 특징을 해석하였다. 그리고 계층형 신경회로망에 이들 마멸분의 형태 파라미터를 입력값으로 학습시켜 마찰조건에 대응하는 마찰상태 식별과 마찰계수의 추정을 행한 결과 다음과 같은 결론을 얻었다.
1. 컴퓨터 영상처리로 해석한 마멸분의 4가지 형태 파라미터인 50% 체적경, 장단도, 복잡도 및 광택도를 통하여 유압구동 부재의 다양한 마찰 조건에 따른 마멸분의 형태 특징의 구별이 가능하다.
2. LBC3의 마멸분이 침탄한 SCM440의 마멸분보다 4가지 형태정보의 전체 평균값이 대체로 높게 나타난다.
3. 정확한 마멸분의 형태 특징을 구별하기 위해서는 전체 마멸분에서 마멸입자 100개마다의 작은 집단으로 나누어 그 평균값을 이용하는 것이 마찰조건에 따른 마찰상태 식별에 유효하다.
4. 신경회로망의 은닉층 수 및 유니트 수를 달리하여 24개의 학습패턴을 학습한 결과 3개 층에 각각 27개의 유니트를 은닉층으로 하는 것이 학습오차 수렴 임계값인 0.0001을 만족하고 있으며 빨리 수렴한다.
5. 신경회로망의 입력 데이터로 영상 1장마다의 마멸분의 모집단 정보를 이용하였을 경우, 부재에 대한 정답율은 100%로 높게 나타나지만 작용하중과 미끄럼속도에 대한 정답율은 60%이하로 나타난다.
6. 유압구동 부재의 마찰조건의 식별을 위해서는 영상 1장마다 보다는 4장마다의 마멸분 정보의 평균값을 신경회로망의 입력 데이터로 이용하는 것이 높은 정답율을 나타낸다.
7. 신경회로망에 의한 재료에 대한 판정은 100% 식별이 가능하고, 마찰계수 추정값은 작용하중 및 미끄럼속도에서 마멸분 50개마다 보다 100개마다의 모집단 평균값을 이용하는 것이 마찰계수 값의 실측값에 더욱 가깝다.
Wear debris can be collected from the lubricants of operating machinery and its morphology is directly related to the fiction condition of the interacting materials from which the wear particles originated in lubricated machinery. This paper was undertaken to identify the friction condition for hydraulic moving members by neural network. The wear test of ball-on-disk type was carried out under different experimental conditions. The computer image processing are used to classify and recognize the shape of wear particles generated in hydraulic moving members. In order to describe the characteristics of wear debris with various shapes and sizes, the four shape parameters(50% volumetric diameter, aspect, roundness and reflectivity) of wear particles are used as input values to the network and identified the friction coefficient and moving condition of hydraulic moving members.
The results obtained were as follows:
1. It is easily distinguished the morphology of wear debris on driving condition of the hydraulic moving members through the four shape parameters of wear debris with computer image processing.
2. Total average value of the four shape parameters for LBC3 more higher than carburized SCM440.
3. It was effective to identification of friction condition on moving condition to divide with small classes of every 100 wear debris for total wear debris to distinguish the morphological characteristics of wear debris.
4. It was converged quickly and had satisfied value of learning critical error 0.0001 to use hidden layer with 27 unit in three layer from learning results of 24 learning patterns.
5. If a data of group with every 1 sheet of image as input value of neural network was used, it was shown the decision of 100% but it of applied load and sliding speed was under 60%.
6. It had higher decision rate to use as input value of neural network average value of the shape parameters with image of 4 sheet than image of 1 sheet for identification of friction condition of hydraulic moving members.
7. It was presented the decision rate of 100% for materials by neural network. and presumed friction coefficient was nearer to measured friction coefficient to use average value of every 100 wear debris than it of every 50 wear debris for the applied load and sliding speed.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)