LM 베어링의 정동적 강성과 댐핑을 반영하는 FEM 모델링 :(A) FEM modeling reflecting static and dynamic stiffness and damping for LM bearings

김혜연

추천

검색

자료유형: 학위논문

저자정보: 김혜연 (국민대학교, 國民大學校大學院)

지도교수: 鄭在一

발행연도: 2013

저작권: 국민대학교 논문은 저작권에 의해 보호받습니다.

이용수7

이 논문의 연구 히스토리 (3)

2013

LM 베어링의 정동적 강성과 댐핑을 반영하는 FEM 모델링

김혜연 機械設計學科 2013.01 학위논문

2012

공작기계 LM 베어링의 정동적 특성을 반영하는 전산 모델링

김혜연 , 정종규 , 원종진 외 1명 Journal of the Korean Society for Precision Engineering 2012.10 학술저널

정동강성 특성을 반영하는 LM 베어링의 유한요소모델링

김혜연 , 정재일 , 김도형 외 1명 한국정밀공학회 학술발표대회 논문집 2012.05 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

LM(Linear Motion) 베어링은 기계장비의 직선 운동 부분에 필수적으로 사용되는 기계요소로, 모든 기계의 성능과 정밀도를 좌우하는 핵심부품이다. 초정밀을 요구하는 생산 장비 시스템에서는 직선결합부의 정적 특성 및 동적 특성을 예측하는 것이 중요하다. 초정밀 가공 기술은 고도 산업사회에서 핵심적인 역할을 하고 있으며 공작기계를 사용하는 사용자는 기계성능을 비교하여 더 나은 성능을 가지는 장비를 구매하고 있으나, 장비를 사용함에 있어서 생산 단가를 줄이기 위해서는 사용되는 비용을 최소화해야 하기 때문에 핵심 유니트의 신뢰성에 많은 관심을 가지고 있으며 연구도 진행되고 있다.
이전 연구들은 대부분 정적 특성 및 동적 특성에 대하여 각각의 구속조건을 개별적으로 적용하여 예측하고 있다. 또한 베어링의 강성만을 고려하여 단순화된 모델링을 제시하고 있다. 정적 특성 및 동적 특성에 대한 정확한 거동을 동시에 예측하기 위해서는 상세한 모델링을 해야 하나, FEM 모델링 시 이러한 점을 고려하기 위해서는 많은 유한요소가 필요해 시간이 많이 걸리고, 복잡성으로 인한 수렴성의 보장이 어렵게 된다. 따라서, LM 베어링에 대한 FEM 모델에 대하여 정동적 강성 및 댐핑을 고려하여 그대로 반영하면서도 간단한 전산 모델링을 제시하여 해석 시간을 줄이고 모델링에 들어가는 계산 비용을 줄일 수 있는 단순화 과정이 필요하다.
본 연구에서는 공작기계의 LM 베어링에 대하여 정동적 강성 및 댐핑의 특성을 동시에 반영하는 단순화된 전산 모델링을 제시하고자 한다. 복잡한 형상을 단순화하여 모델링하고 FEM 해석에 용이하도록 LM 베어링에 수 개의 스프링으로 강성을 분배한다. 또한 무게에 따른 damping ratio의 변화를 측정하여 이를 적용해 정적 특성 및 동적 특성을 예측하고, 이를 동시에 반영하여 FEM 해석을 위한 단순화 모델로 이용할 수 있도록 한다.

List of figures
List of tables
국문 요약
제1장 서론
1.1 연구 배경
1.2 연구 목적
제2장 모델링 방법론
2.1 이전 연구
2.1.1 단순화 모델링 방법
2.1.2 Hertz 접촉 이론
2.1.3 라그랑지안 운동방정식 및 정규모드 분석
2.2 FEM 모델링 구성
2.2.1 단순화 모델링
2.2.2 스프링 댐퍼 시스템의 진동 이론
2.2.3 스프링 위치 및 강성 분배
제3장 LM 베어링의 실험 및 시뮬레이션
3.1 동강성 측정 실험
3.1.1 Vibrometer 동강성 측정 실험 셋업
3.1.2 Accelerometer 동강성 측정 실험 셋업
3.1.3 Vibrometer 동강성 측정 실험 결과
3.1.4 Accelerometer 동강성 측정 실험 결과
3.2 시뮬레이션
3.2.1 Modal analysis
3.2.2 Harmonic analysis
3.2 실험과 시뮬레이션 결과 비교 분석
제4장 솔버 제작
제5장 결론
참고문헌

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (3)

초록· 키워드

목차

최근 본 자료

댓글(0)