Advanced
Application of Neural Network for Damage Diagnosis of Marine Engine Cylinder Liner
Application of Neural Network for Damage Diagnosis of Marine Engine Cylinder Liner
Journal of the Korean Society of Tribologists and Lubrication Engineers. 2014. Dec, 30(6): 356-363
Copyright © 2014, Korean Society of Tribologist and Lubrication Engineers
  • Received : October 03, 2014
  • Accepted : November 12, 2014
  • Published : December 31, 2014
Download
PDF
e-PUB
PubReader
PPT
Export by style
Share
Article
Author
Metrics
Cited by
TagCloud
About the Authors
연상 조
현호 구
준홍 박
흥식 박
parkhs@dau.ac.kr

Abstract
Marine diesel engines operate in environments in which damage easily occurs from corrosion. Recently, damage to cylinder liners has increased from corrosion wear caused by increased engine power. This damage can cause serious problems in the economy. Thus, many researchers have treated and studied damaged cylinder liners. However, a method is necessary for real-time monitoring of damage to cylinder liners during operation of the engine, before serious damage can occur. This study carries out reciprocating friction and wear tests on a cast iron specimen under various corrosion atmospheres and verifies the variations of friction coefficient and friction surface. Additionally, the friction coefficient and friction status are predicted by using a neural network that learns the vibration and frequency spectrum data from an acceleration sensor. According to our conclusions, amplitude is distributed highly at high frequencies, and values of standard deviation and kurtosis are high when damage to the friction surface is serious. The accuracy rate of the friction coefficient predicted by the neural network is over 80% of the real measured value without NaCl, and application of the neural network is very effective for diagnosing the friction condition and damage to the cylinder liner.
Keywords
1. 서 론
대형 선박에서 사용되는 엔진은 사용 환경 및 사용 연료에 있어서 근본적인 문제를 내포하고 있고, 그 운전 조건도 더욱 악화되고 있어 스커핑에 의한 손상을 완전히 피하기는 어렵다 [1 , 2] . 특히 최근에는 엔진의 출력이 높아짐에 따라 피스톤의 상사점 부근에서 실린더 라이너의 마멸이 급격히 진행되고, 스커핑 발생 빈도도 더욱 높아지고 있는 실정이다. 이에 따라 스커핑을 방지하기 위한 방법과 스커핑이 발생하기 전에 미리 예측하여 진단하기 위한 기술이 더욱 필요해진 실정이다.
현재 엔진의 손상을 모니터링 하기 위하여 운전 중에 라이너 표면 온도 및 실린더 내의 유증기 농도의 비정상적인 증가를 실시간으로 체크하고 있다. 그러나 모니터링을 위한 여러 측정 방법은 신뢰성이 낮기 때문에 이상 징후를 보이며 문제가 나타났을 때는 라이너와 피스톤 링이 시저(seizure) 및 용착에 의한 파손이 발생하여 이미 심각한 손상에 도달할 수 있다. 이러한 이유로 현재는 실시간 모니터링 외에도 시간과 비용을 많이 들여 라이너와 링의 마모 상태를 주기적으로 직접 점검하고 있는 실정이다 [1 ~ 7] . 따라서 운전 중에 발생될 수 있는 문제를 보다 효과적으로 빠르게 대응하기 위한 진단 방법이 필요하다.
본 연구에서는 이를 위하여 기계 상태진단에 많이 활용하고 있는 진동분석법 [8 , 9] 과 지능이론인 신경 회로망 [10 , 11] 을 적용하고자 하였다. 따라서 선박 엔진의 실린더 라이너와 피스톤 링의 상대운동을 모의하여 다양한 부식환경에서 왕복동 마찰마멸 실험을 하였고 [12] , 이때 측정된 진동 파형 및 주파수 스펙트럼 [13] 으로부터 얻어진 데이터를 신경회로망에 학습하였다. 그리고 이를 통하여 마찰계수 및 위험도를 예측함으로써 선박엔진의 실린더 라이너의 상태진단에 활용하고자 하였다.
2. 실험 방법
- 2-1. 부식 윤활 마찰 마멸 실험
본 연구에서는 윤활 마찰·마멸 실험을 하기 위해 Fig. 1 에 나타낸 왕복동 마찰·마멸 시험기 [12] 를 이용하였다. 40 × 65 × 7.5 mm 크기인 합금주철 시험편은 서보모터를 사용하여 상하운동을 시켰으며, 핀 시험에 사하중을 가하고 로드셀로부터 마찰력을 측정하여 마찰계수를 구하였다. 그리고 핀 홀더에 가속도 센서를 부착하여 마찰시 발생되는 진동 파형을 측정하였다. 진동파형은 4초마다 한번씩 25.6 kHz 샘플링 속도로 2초 동안 측정하고 이를 주파수 스펙트럼으로 변환하여 저장하였다. 윤활유는 교반기를 이용하여 수용액과 계속 혼합 상태가 유지되도록 하였고, 로터리 펌프를 이용하여 시험편의 표면에 공급하였다. 그리고 시험편 뒤에는 가열기를 부착하여 시험편이 일정한 온도가 되도록 가열하였다. 윤활유는 기유에 Table 1 에 나타낸 바와 같이 증류수, 염화나트륨(NaCl) 수용액, 묽은황산을 각 5% 씩 혼합하여 부식마멸 실험을 하였다.
PPT Slide
Lager Image
Schematic diagram of reciprocating friction and wear tester of pin on disk type.
Experiment conditions
PPT Slide
Lager Image
Experiment conditions
- 2-2. 신경회로망의 구성과 학습
본 연구에서는 실험을 통해 측정된 진동파형과 주파수 스펙트럼 [13] 으로부터 마찰계수를 예측하기 위하여 Fig. 2 에 나타낸 신경회로망 모델을 프로그래밍하여 구성하였다. 신경회로망은 입력층의 각 뉴런에 입력한 값에 대하여 목표값을 학습 데이터로 하여 출력층의 출력값과 목표값의 오차가 최저가 되도록 각 뉴런과 연결되어 있는 결합강도를 조정하여 학습하는 것이다. 본 연구에서는 신경회로망의 입력 층에는 진동 특성 파라미터 [13] 인 저주파(L.F.) 값과 진폭(L.F. Amp.), 고주파(H.F.) 값과 진폭(H.F. Amp.), 파형의 표준편차(St. Amp.) 및 첨도(Kurtosis) 값을 입력하도록 하였고, 중간 층은 3층으로 각 층마다 6개의 뉴런으로 구성하였다. 그리고 출력 층에는 마찰계수 및 마찰면의 손상 위험도를 출력하도록 하였다. 신경회로망의 학습 데이터는 Table 2 에 나타낸 바와 같이 각 조건마다 1시간동안 측정한 데이터의 평균값을 이용하였고, 이를 640000회 학습을 하여 8.6 × 10 −7 의 오차를 가지도록 신경회로망을 구성하였다.
PPT Slide
Lager Image
Neural network Model.
Learning data for neural network
PPT Slide
Lager Image
Learning data for neural network
3. 결과 및 고찰
- 3-1. 진동 파라미터의 분포 특징
사람이 여러 파라미터를 분석하여 그 특징을 통해 인식, 판별 및 예측을 하듯이 신경회로망은 측정된 파라미터가 어떤 특징을 가지고 있다면 이에 유연하게 반응하여 비선형적 인식, 판별 및 예측이 가능하다. 따라서 본 연구에서는 각 조건에 따른 저주파 영역에서의 주파수 스펙트럼 및 진폭, 고주파영역에서의 주파수 스펙트럼 및 진폭, 진동파형의 표준편차 및 첨도를 측정 파라미터로 선정하여 그 분포 특징을 살펴보았다.
Fig. 3 은 기유에서 왕복동 마찰 실험을 하여 측정된 파라미터의 분포 특징으로 (a) 저주파 영역의 주파수와 진폭, (b) 진동파형의 표준편차와 첨도에 대하여 실험시간에 따른 분포 상태를 나타내었다. 기유에서는 스틱슬립이 발생하지 않고 고주파 영역의 주파수와 진폭은 나타나지 않았기 때문에 분포도를 표시하지 않았다. 실제 본 연구를 통하여 스틱슬립에 의한 이음(異音)과 함께 이상 마멸이 진행되는 경우에 고주파 영역의 주파수 스펙트럼이 나타나는 것을 확인하였으며, 이는 기유를 제외한 다른 혼합유에서는 경계마찰 및 부식마멸에 따른 마찰 표면의 손상 상태를 직접적으로 나타내 주는 중요한 파라미터라고 할 수 있다.
PPT Slide
Lager Image
Distribution diagram of measured parameters in base oil.
기유에서 측정된 파라미터의 분포 특징을 살펴보면 실험시간이 지남에 따라 저주파 영역에서는 90Hz 이하, 진폭은 0.3G 이하에 주파수 성분이 분포한다. 그리고 전반적으로 표준편차는 1G와 1.5G 사이, 첨도는 2.5와 4 사이에 분포한다. 여기서 실험 초기 60분 내에 주파수가 비교적 높고 진폭과 첨도 값이 큰 것은 마찰면이 안정화되기 전인 초기마멸에 따른 현상으로 생각되며, 이러한 결과로 볼 때 마찰이 안정적으로 진행될 때에는 88~89 Hz 부근에서 진폭이 0.1G를 나타내고 있으며, 파형의 표준편차는 1~1.5G, 첨도는 2.5~3.5 사이의 값을 가진다.
Fig. 4 는 기유와 증류수의 혼합유에서 측정된 (a) 저주파 영역의 주파수와 진폭, (b) 고주파 영역의 주파수와 진폭, (c) 진동파형의 표준편차와 첨도의 분포 특징을 나타낸다. 증류수의 혼합유에서는 유막 파괴에 의한 고체마찰이 증가되어 마찰면의 온도 상승과 함께 마찰면의 산화가 조속히 진행되고 마찰계수가 높게 나타난다 [12] . 따라서 (a) 저주파 영역에서는 90~96Hz에서 진폭 0.3G~0.6G에 주파수 성분이 분포하고 있다. 그리고 (b) 고주파 영역에서도 840 Hz 부근에서 주파수 성분이 분포하고 있다. 특히 실험시간 초기에 저주파 범위가 넓은 것은 마찰면의 상태 변화가 심하다는 것을 나타내며, 고주파 영역에서의 진폭이 큰 범위에 있다는 것은 마찰 초기에 스틱슬립과 함께 이상마멸이 조금 더 크게 발생되고 있다는 것을 의미한다 [12] . 그리고 (c) 진동파형의 표준편차 1.5~2.1G, 첨도는 2.5~4 범위의 값을 나타낸다. 이는 기유에 비하여 마찰면의 응착 및 이탈에 의한 손상이 크다는 것을 나타낸다.
PPT Slide
Lager Image
Distribution diagram of measured parameters in base oil and 5% H2O.
Fig. 5 는 기유와 염화나트륨 수용액의 혼합유에서 측정된 (a) 저주파 영역의 주파수와 진폭, (b) 고주파 영역의 주파수와 진폭, (c) 진동파형의 표준편차와 첨도의 분포 특징을 나타낸 것으로 (a) 저주파 영역에서는 주파수의 변화와 진폭의 변화가 크게 나타난다. 그리고 (b) 고주파 영역에서는 실험시간이 진행됨에 따라 점차 진폭이 크게 나타난다. 이는 초기 60분 동안에 유막파괴로 인한 마찰이 지배적으로 작용하다가 염화나트륨 수용액에 의한 부식이 시작되어 점차 부식 마멸이 지배적으로 작용한 결과라고 생각한다. 그리고 (c) 진동파형의 표준편차와 첨도에서도 표준편차는 0.9~2.5G, 첨도는 2.5~6의 분포를 보이고 있다. 이는 증류수에 비해 파형의 진폭은 크게 차이가 없지만 급격하게 파형이 변하는 부분이 많다는 것으로 부식마멸에 의한 응착 및 이탈의 속도가 비교적 빠르다는 것을 보여준다. 이는 염화나트륨의 영향으로 증류수에 비해 마찰계수가 현저히 낮게 나타나더라도 마찰 표면의 손상은 증류수 보다 빠르게 진행되고 있음을 보여준다.
PPT Slide
Lager Image
Distribution diagram of measured parameters in base oil and 5% NaCl solution.
Fig. 6 은 기유와 묽은 황산 수용액의 혼합유에서 측정된 (a) 저주파 영역의 주파수와 진폭, (b) 고주파 영역의 주파수와 진폭, (c) 진동파형의 표준편차와 첨도의 분포 특징을 나타낸 것으로 저주파 및 고주파 영역 모두 다른 혼합유에 비해 높은 주파수 성분에서 높은 진폭 영역에 값이 분포하고 있다. 그리고 진동 파형의 표준편차와 첨도 값도 매우 높은 값을 가지고 있다. 이는 다른 혼합유에 비해 부식 진행 속도도 매우 빠르고 마찰 표면의 응착 및 이탈 속도도 매우 빠르다는 것을 나타내는 것으로 마찰면의 손상이 가장 심각하게 진행되고 있음을 알 수 있다.
PPT Slide
Lager Image
Distribution diagram of measured parameters in base oil and 5% H2SO4 solution.
이러한 결과로 볼 때, 측정된 파라미터는 각 조건에 따라 명확한 분포 특징을 나타내고 있다. 따라서 각 파라미터의 대표적인 분포 특징이라 할 수 있는 평균값을 신경회로망에 학습시킴으로써 조건에 따른 마찰 상태를 효과적으로 판별 및 예측할 수 있다고 생각된다.
- 3-2. 마찰계수 추정 및 위험도 판정
각 조건별로 실험 시간 동안 측정된 마찰계수와 신경회로망에 의해 예측된 마찰계수를 Fig. 7 에 비교하여 나타내었다. 여기서 (a) 기유의 경우에는 측정된 마찰계수와 거의 유사하게 마찰계수를 예측하고 있고, (b) 증류수 및 (d) 묽은 황산 혼합유 에서도 다소 오차가 있지만 유사한 형태로 마찰계수를 예측하고 있다. 이는 정상적인 마멸 상태 또는 부식마멸에 따른 진동파형과 주파수 스펙트럼의 특성이 명확히 차이가 있기 때문이라고 생각한다. 그러나 (c) 염화나트륨 수용액의 혼합유 에서는 다른 혼합유에 비해 오차가 크게 나타나고 있다. 이는 Fig. 5 의 주파수 스펙트럼, 첨도 및 진폭의 분포도에서 볼 수 있듯이 다른 혼합유에 비하여 그 분포범위가 넓게 산재되어 있어 실험시간에 따른 각 인자의 평균과의 차가 크기 때문이라고 생각된다.
PPT Slide
Lager Image
Comparison of predicted and measured friction coefficient.
이러한 결과를 식 (1)의 마찰계수 예측 적중률로 나타내보면 기유의 경우는 90.5%로 매우 높았으며, 증류수는 82.8%, 염화나트륨은 65.5%, 그리고 묽은 황산은 88.5%의 적중률을 보였다. 비록 염화나트륨의 경우 적중률이 비교적 낮게 나타났지만 신경회로망은 실험을 통해 측정된 진동파형과 주파수 스펙트럼으로부터 마찰계수를 예측하는데 유용하다고 생각된다. 그리고 이는 선박엔진의 실린더 라이너의 상태진단에 매우 효과적인 수단이 될 수 있다고 생각된다.
PPT Slide
Lager Image
여기서 μm 은 측정된 마찰계수, μp 는 예측된 마찰계수 이다.
Fig. 8 은 각 혼합유 조건에서 실험시간에 따른 마찰면의 손상 위험도를 신경회로망에 의하여 판정한 결과이다. 여기서 위험도 0은 정상 마멸 상태를 나타내며, 위험도 0.5 이상이면 이상 마멸이 발생하여 마찰 표면의 손상이 진행되고 있음을 의미한다. 따라서 위험도 1은 마찰표면의 손상이 매우 심각하다는 것을 나타낸다. 이는 Table 2 에 나타낸 바와 같이 마찰계수 [12] 평균이 0.3 미만인 경우에는 표면손상의 위험도를 0, 마찰계수 평균이 0.3 이상 0.4 미만인 경우에는 0.5 그리고 마찰계수 평균이 0.4 이상인 경우에는 1로 정하여 학습 판정한 결과이다.
PPT Slide
Lager Image
Determinant results of degree of risk for each condition using neural network.
그림에서 나타낸 바와 같이 (a) 기유의 경우에는 모두 정상마멸 상태로 판정하고 있으며, 심각한 표면의 손상을 보이고 있는 (d) 묽은 황산의 경우에도 초기 약 10분간은 이상마멸이 발생하여 그 이후 매우 심각한 손상이 진행 된다고 판정하고 있다. 그리고 (b) 증류수 혼합유에서는 유막 파괴로 인하여 마찰면 산화가 이루어지는 실험 초기에는 이상마멸이 발생하고 있다고 판정하고 있으며, 실험 시간 70분 이후에는 유막형성이 거의 되지 못하여 심각한 손상이 진행 된다고 판정하고 있다. (c) 염화나트륨 수용액의 경우에는 Table 2 의 목표값에 나타낸 바와 같이 마찰계수 0.3 이상 0.4 미만이라 위험도를 0.5로 설정하여 학습하였기에 실험 초기 20분 이후부터 이상 마멸과 심각한 손상이 발생하고 있다고 판정하고 있다.
이러한 결과는 신경회로망이 파라미터의 특징을 학습하여 마찰계수를 예측하는 것뿐만 아니라 마찰 표면의 손상정도를 판정하는데도 매우 유용하다는 것을 보여준다고 생각된다.
4. 결 론
선박용 실린더 라이너의 부식마멸 상태 진단을 위한 목적으로 왕복동윤활마찰·마멸 실험 장치를 이용하여 다양한 부식조건을 모사한 환경하에서 실험을 수행하였다. 실험 결과에 얻은 마찰계수 및 마찰면을 토대로 각 조건별 마모 특성을 파악하고, 진동센서를 통해 얻은 진동 데이터를 분석하여 마찰면에서 발생하는 진동 파형 및 주파수 스펙트럼에 대한 정보를 지능 이론인 신경회로망에 학습시켜 부식 마멸에 따른 마찰계수 및 마멸 상태를 예측하고 판단하여 다음과 같은 결론을 얻었다.
  • 1. 기유 조건에서 마찰이 안정적으로 진행될 때에는 88~89 Hz 부근에서 진폭이 0.1G를 나타내고 있으며, 파형의 표준편차는 1~1.5G, 첨도는 2.5~3.5 사이의 값을 가진다.
  • 2. 마찰면의 손상이 심할수록 높은 주파수 성분에서 높은 진폭 영역에 값이 분포하고, 진동 파형의 표준편차와 첨도 값도 높은 값을 가지고 있다.
  • 3. 신경회로망에 의한 마찰계수 추정 결과, NaCl 조건을 제외한 나머지 조건에서는 실제 측정값의 80% 이상의 마찰계수 적중율을 나타낸다.
  • 4. 신경회로망을 통하여 각 조건에 따른 위험도를 판정할 수 있었으며, 이를 선박엔진에 적용할 경우, 실시간으로 실린더 라이너의 부식마멸 에 따른 마찰계수 및 마멸 상태를 예측 가능할 것이라 판단된다.
Acknowledgements
이 논문은 동아대학교 교내연구비에 의하여 연구되었음.
References
Doug W. 2011 Marine Diesel Engines and Gas Turbines Ninth Edition Dongmyung comp
Francesco M. , Markus W. , Matthias S. , Konrad R. , Marco P. 2010 “Suction air humidity influence on piston running reliability in low-speed two-stroke diesel engines” CIMAC (74) 1 - 15
Chandrasekaran S. , Khemchandani M. V. , Sharma J. P. 1985 “Effect of abrasive contaminants on scuffing” Tribology International 18 (4) 219 - 222    DOI : 10.1016/0301-679X(85)90065-9
Nagamatsu H. , Tajima J. , Takasu I. , Yoshiyuki S. 2004 “Study of Scuffing and Piston Deposits - Hardness of Inorgaric Compound’s Deposits”
Yamada T. 2004 “Monitoring of Cylinder Liner and Piston Ring on Low-Speed Diesel Engines” CIMAC
Shigeru S. , Yoshiyuki S. , Takayuki Y. 2005 “Tribology between Piston Rings and Cylinder Liners of Marine Diesel Engines” IHI Engineering Review 38 (1)
Lee Y. M. , Lee K. Y. , Bae S. H. , Jang H. , Lee J. K. 2010 “Defect Detection and Defect Classification System for Ship Engine using Multi-Channel Vibration Sensor” The KIPS Transaction 17A (2) 81 - 92    DOI : 10.3745/KIPSTA.2010.17A.2.081
Martin H. R. 1995 ASM HANDBOOK Friction, Lubrication, and Wear Technology-Vibration Analysis 293 - 298
Yang B. S. 2006 Condition Monitoring & Diagnostics Intervision
Kim D. S. 2005 Neural Networks - Theory and Applications Jinhan M&B
Park H. S. 1995 “Analysis Wear Debris on the Lubricated Machine Surface by the Newral Network” J. Korean Soc. Tribol. Lubr. Eng. 11 (3) 24 - 30
Koo H. H. , Cho Y. S. , Cho H. Y. , Park H. S. 2012 “Effect of Atmosphere on Corrosive Wear of Alloy Cast Iron for Cylinder Liner of Large Ship Engine” J. Korean Soc. Tribol. Lubr. Eng. 28 (5) 233 - 239    DOI : 10.9725/kstle-2012.28.5.233
Koo H. H. , Cho Y. S. , Park J. H. , Park H. S. 2014 “Vibration Analysis for Failure Diagnosis of Cylinder Liner of Large Ship Engine” J. Korean Soc. Tribol. Lubr. Eng. 30 (5) 21 - 28    DOI : 10.9725/kstle.2014.30.1.21