진단 특징 디자이너에서 데이터 처리 및 특징 탐색하기
이 예제에서는 특징 추출을 준비하기 위해 앱에서 데이터를 처리하는 방법을 보여줍니다. 이 단계를 대화형 방식으로 진행하려면 진단 특징 디자이너에서 앙상블 데이터 가져오기 및 시각화하기에서 가져온 데이터를 사용하십시오. 세션 열기에서 지정한 파일 이름을 사용하여 세션 데이터를 다시 불러옵니다.
세션 데이터가 없으면 진단 특징 디자이너에서 앙상블 데이터 가져오기 및 시각화하기의 데이터 불러오기 및 가져오기 단계를 실행하십시오.
예측 정비 알고리즘 개발의 핵심 단계는 상태 지표를 식별하는 것입니다. 상태 지표는 성능 저하가 진행됨에 따라 동작이 예측 가능한 방식으로 변화되는 시스템 데이터에 내포된 특징입니다. 정상 작동과 결함 작동을 구분하거나 잔여 수명을 예측하는 데 효과적인 특징을 상태 지표로 사용할 수 있습니다. 유용한 특징은 유사한 시스템 상태는 군집화하고 상이한 상태는 분리합니다.
진단 특징 디자이너를 사용하면 다음과 같은 진단을 제공하는 특징을 설계할 수 있습니다.
일부 특징은 가져온 신호를 사용하여 직접 특징을 생성할 수 있습니다.
다른 특징의 경우 필터링, 평균화와 같은 추가 신호 처리를 수행해야 의미 있는 결과를 얻을 수 있습니다.
어떤 처리 방법을 수행할지는 특징의 계산 요구 사항과 시스템 및 시스템 데이터의 특성에 따라 달라집니다. 이 예제에서는 다음을 어떻게 수행하는지 보여줍니다.
특징 추출을 준비하기 위해 데이터 처리하기
다양한 유형의 특징 생성하기
히스토그램에서 특징이 얼마나 효과적인지 해석하기
시간-동기 평균화 수행하기
이 시스템의 데이터는 회전 부품이 있는 변속기 시스템을 나타냅니다. 변수에는 각 축 회전의 완료를 정밀하게 표시하는 회전속도계 출력값이 포함됩니다. 따라서 이 데이터는 시간-동기 평균화의 적합한 후보입니다.
시간-동기 평균화(TSA)는 회전 기계의 데이터를 분석하는 데 일반적으로 사용되는 기법입니다. TSA는 회전별로 평균을 수행하며 회전과 일관되지 않은 간섭이나 잡음을 필터링합니다.
TSA는 기어 톱니 결함으로 인한 섭동과 같이 각 회전마다 반복되는 결함 시그니처를 가려내는 데 유용합니다. 원래 진동 신호가 아닌 TSA 신호에서 생성된 특징은 회전 결함 상태를 더 명확히 구분해 줍니다. 이는 회전 기계와 관련된 특징이 아닌 경우에도 마찬가지입니다.
진동 데이터의 TSA를 계산하려면 먼저 변수 창에서 평균화할 신호 Vibration/Data
를 선택합니다. 그런 다음 필터링 및 평균화 > 시간-동기 평균화를 선택합니다.
시간-동기 평균화 탭이 새롭게 나타납니다.
회전속도계 신호가 있으므로 회전속도계 신호 및 Tacho/Data
를 선택합니다. 공칭 속도(rpm) 계산을 선택된 상태로 둘 수 있지만, 이 튜토리얼에서는 공칭 rpm 정보를 사용하지 않습니다.
탭 아래에 있는 플롯 탭 데이터 처리: Vibration/Data에 TSA 신호의 소스 신호가 표시됩니다.
적용을 클릭하여 앙상블의 16개 멤버 각각에 대한 TSA 계산을 시작합니다. 계산이 진행되는 동안 진행률 표시줄에 상태가 표시됩니다. 계산이 완료되면 새 변수 Vibration_tsa
가 신호 목록에 추가되고 신호가 플로팅됩니다.
TSA 신호 플롯의 시간 축 길이는 4초 미만입니다. 원래 진동 데이터의 길이는 30초였습니다. 짧아진 시간 범위는 각 멤버의 단일 회전의 지속 시간을 반영합니다.
이러한 신호에 대한 멤버 축 속도가 발산합니다. 피크의 정합이 어긋나는 정도가 회전 동안 커진다는 점과 멤버 추적이 서로 다른 시간에 중지한다는 점에서 이러한 발산을 명확히 알 수 있습니다.
TSA 신호에 대한 자세한 내용을 보려면 세부 정보 창을 사용하십시오. 이 창에서 TSA 신호가 진동 및 회전속도계 신호로부터 계산되는 것을 볼 수 있습니다. 내역을 클릭하여 TSA 신호 처리 내역의 플롯을 표시합니다. 파라미터를 클릭하여 사용한 처리 파라미터 목록을 표시합니다.
TSA 계산이 완료되면 시간-동기 평균화 탭과 데이터 처리 탭 대신 TSA 신호에 대한 신호 추적 탭이 표시됩니다. 시간-동기 평균화 탭으로 돌아가려면 플롯 탭 데이터 처리: Vibration/Data를 클릭하십시오.
TSA 탭은 활성화되어 있고 데이터 처리 탭은 비활성화된 상태로 두 개의 툴스트립 탭이 모두 복원됩니다.
다른 변수에 대해 유사한 처리를 수행하려면 TSA 닫기를 클릭하십시오. 데이터 처리 탭이 활성화됩니다. 이 탭에서 처리할 신호를 변경할 수 있습니다. 그런 다음 데이터 처리 갤러리에서 TSA 처리를 선택하거나, 신호 선택과 호환되는 다른 처리를 선택할 수 있습니다. 선택한 처리 탭은 이 세션에서 이전에 지정한 모든 설정을 유지합니다.
파워 스펙트럼 계산하기
TSA 신호는 시간 영역 특징을 처음 생성하기 위한 정보를 충분히 제공하긴 하지만, 스펙트럼 특징을 살펴보려면 스펙트럼을 제공해야 합니다. 파워 스펙트럼을 생성하려면 변수 창에서 새 TSA 신호 Vibration_tsa/Data
를 선택합니다. 그런 다음 스펙트럼 추정을 클릭하여 스펙트럼 옵션을 표시합니다. 이들 옵션 중에서 자기회귀 모델
을 선택합니다.
자기회귀 모델 탭에 수정할 수 있는 파라미터가 표시됩니다. 적용을 클릭하여 디폴트 값을 그대로 사용합니다.
파워 스펙트럼의 처리 결과 새로운 변수 Vibration_ps/SpectrumData
가 생성됩니다. 연결된 아이콘은 주파수 응답을 나타냅니다.
플롯 영역에 스펙트럼 플롯이 표시됩니다. 신호 추적과 마찬가지로, 파워 스펙트럼 탭에도 플로팅 옵션이 표시됩니다. 이러한 옵션은 신호 추적과 비슷합니다. 스펙트럼이 프레임 기반(분할됨)이 아닌 한 스펙트럼 플롯에 대해 패너가 작동하지 않으므로, 플롯에 패너 옵션이 없습니다.
Vibration_ps/SpectrumData
를 선택합니다. 세부 정보 창에 이 신호가 TSA 신호에서 파생되었다는 내용이 표시됩니다. 처리 파라미터 목록은 TSA 처리 파라미터 목록보다 더 광범위합니다.
특징 생성하기
신호 특징
TSA 신호를 소스로 사용하여 일반적인 데이터 통계량을 기준으로 특징을 생성합니다. 시간 영역 특징 > 신호 특징을 선택합니다.
데이터 처리에서와 같이, 특징 옵션을 선택하기 전에 소스 신호를 미리 선택합니다. Vibration_tsa/Data
를 선택한 다음 신호 특징을 클릭하여 신호 특징 탭을 표시합니다. 기본적으로 모든 특징이 선택되어 있습니다. 형태 인자 및 고조파 특징의 모든 옵션 선택을 해제합니다.
선택한 모든 특징에 대해 앱은 각 앙상블 멤버에 대한 값을 계산하고 결과를 히스토그램에 표시합니다. 각 히스토그램은 Bin 범위에 해당하는 특징 값의 개수를 포함하는 Bin을 포함합니다. 히스토그램 탭에는 히스토그램의 내용과 분해능을 결정하는 파라미터가 표시됩니다.
히스토그램은 그룹화 기준의 상태 변수 faultCode
에 따라 데이터를 그룹화 또는 색 코딩합니다. 범례에서 알 수 있듯이 파란색 데이터는 정상 데이터(faultCode = 0
)이고 주황색 데이터는 성능 저하 데이터(faultCode = 1
)입니다(세션에 따라 색 코딩이 달라질 수 있음). 정상 레이블과 성능 저하 레이블이 겹치는 특징의 경우, 파란색과 주황색이 겹치게 되므로 색이 갈색으로 나타납니다.
파란색 데이터와 주황색 데이터가 명확하게 분리되는 특징이 무엇인지 살펴봄으로써 어느 특징이 효과적인지를 대략적으로 파악할 수 있습니다. CrestFactor
(가운데 맨 위)와 RMS
(왼쪽 맨 아래)는 중첩되는 영역이 매우 적기 때문에 이 두 특징이 효과적인 것으로 보입니다. 반대로 Skewness
(가운데 맨 아래)와 Kurtosis
(왼쪽 중간)는 중첩되는 영역이 많습니다. 이러한 특징은 이 데이터와 이 상태 변수에 대해 효과적이지 않은 것으로 보입니다.
히스토그램이 특정 상태를 어떻게 나타내는지 보려면 범례에서 해당 상태를 나타내는 컬러 상자를 클릭하십시오. 히스토그램에서 해당 상태가 있는 위치를 나타내는 부분이 윤곽선으로 표시됩니다. 이 상태 윤곽선은 특히 3개 이상의 상태에 대한 히스토그램을 평가할 때 유용합니다.
기본적으로 앱은 특징 테이블에 있는 모든 특징에 대해 히스토그램을 플로팅합니다. 특징 선택을 사용하여 히스토그램의 서브셋으로 초점을 좁힐 수 있습니다. 특징 선택을 사용하여 히스토그램 플롯을 특징 테이블의 처음 4개로 제한합니다. 특징의 순위가 아직 지정되지 않았기 때문에 앱은 이름을 기준으로 특징을 정렬합니다. 순위를 지정한 후에 특징 선택을 사용하면 순위순(디폴트 값) 또는 이름순을 선택할 수 있습니다.
이제 히스토그램 보기에 선택한 특징만 포함됩니다.
히스토그램 탭의 파라미터를 사용하여 히스토그램의 모양을 제어합니다. 이 탭은 히스토그램을 생성하면 활성화됩니다. CrestFactor
특징은 정상 데이터와 비정상 데이터를 거의 완벽하게 분리하는 것으로 보입니다. 이 결과가 분해능에 민감한지 조사합니다. 히스토그램 탭에서 Bin 너비를 auto
로 설정하면 CrestFactor
의 분해능이 0.1이 됩니다. Bin 너비를 0.05로 입력하고 적용을 클릭합니다.
이 분해능에서는 CrestFactor
와 ImpulseFactor
모두 정상 데이터와 성능 저하 데이터를 완벽하게 분리하는 것으로 보입니다. ClearanceFactor
에는 아직도 일부 데이터가 겹쳐 있긴 하지만 더 큰 값의 Bin 너비를 사용할 때보다는 그 정도가 줄었습니다. Kurtosis
는 Bin 너비를 auto
로 설정했을 때 Bin 너비가 0.002로 더 작습니다. Bin 너비를 0.05로 변경하면 모든 Kurtosis
데이터를 포함하는 하나의 Bin이 생성됩니다.
히스토그램은 특징이 정상 데이터와 비정상 데이터를 분리하는 능력을 시각화합니다. 그룹 거리를 사용하여 수치적 평가를 구할 수도 있습니다. 그룹 거리는 정상 데이터 분포와 비정상 데이터 분포 사이의 분리를 나타냅니다. 그룹 거리 표시를 클릭합니다. 대화 상자에서 특징에 대한 그룹화 표시를 CrestFactor
로 선택합니다.
그룹 거리는 KS 통계량으로 표현되며 1입니다. 이 값은 완전한 분리를 나타냅니다.
다음으로, Kurtosis
를 선택합니다. Kurtosis
히스토그램은 상당히 겹치는 모습을 보여줍니다.
이 경우 KS 통계량은 약 0.6으로, 이러한 히스토그램을 반영하고 있습니다.
Bin 너비를 auto
로 복원합니다.
회전 기계 특징
회전 기계를 살펴보고 있으니 회전 기계 특징을 계산해 보겠습니다. 변수 창에서 TSA 신호를 선택합니다. 그런 다음 시간 영역 특징 > 회전 기계 특징을 선택합니다.
회전 기계 특징 탭은 TSA 신호뿐 아니라 TSA 차분 신호와 TSA 규칙적 신호에서 특징을 만들 수 있습니다. TSA 신호만 있으므로, 다른 신호 유형을 필요로 하는 선택 항목은 비활성화됩니다.
적용을 클릭하여 디폴트 선택 항목을 그대로 사용합니다.
앱은 특징 테이블과 특징 선택 목록에 자동으로 새로운 특징을 추가하고 히스토그램 표시 상단에 새 히스토그램을 플로팅합니다. CrestFactor
히스토그램과 Kurtosis
히스토그램은 신호 특징으로 계산되든 회전 기계 특징으로 계산되든 모두 TSA 신호를 소스로 사용하므로 기본적으로 동일합니다.
스펙트럼 특징
앞에서 생성한 파워 스펙트럼에서 스펙트럼 특징을 계산합니다. Vibration_ps/SpectrumData
를 선택합니다. 그런 다음 주파수 영역 특징 > 스펙트럼 특징을 선택합니다.
최소 대역 값과 최대 대역 값을 설정하여 사용할 주파수 대역을 지정합니다. 파워 스펙트럼 피크를 효과적으로 캡처하려면 주파수 범위를 0.001
Hz에서 시작하여 최대 10
Hz로 제한하십시오. 플롯에서 이 대역은 주파수 플롯 배경에 주황색 사각형으로 표시됩니다.
히스토그램은 3개의 특징 모두에 대해 하나 이상의 Bin에서 정상 데이터와 비정상 데이터가 상당히 겹치는 모습을 보입니다.
이렇게 해서 다양한 특징 세트를 갖게 되었습니다.
세션 데이터를 저장합니다. 진단 특징 디자이너에서 특징에 순위 지정 및 특징 내보내기 예제를 실행할 때 이 데이터가 필요합니다.
다음 단계
다음 단계는 이러한 특징에 순위를 지정하여 시스템 상태를 가장 잘 나타내는 특징이 무엇인지 확인하는 것입니다. 자세한 내용은 진단 특징 디자이너에서 특징에 순위 지정 및 특징 내보내기 항목을 참조하십시오.