Main Content

이 번역 페이지는 최신 내용을 담고 있지 않습니다. 최신 내용을 영문으로 보려면 여기를 클릭하십시오.

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 유지관리 알고리즘 개발의 핵심 단계는 상태 지표를 식별하는 것입니다. 상태 지표는 성능 저하가 진행됨에 따라 동작이 예측 가능한 방식으로 변화되는 시스템 데이터에 내포된 특징입니다. 상태 지표는 정상 작동과 결함 작동을 구분하거나 잔여 수명을 예측하는 데 유용한 모든 특징이 될 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 데이터 브라우저에서 평균화할 신호 Vibration/Data를 선택합니다. 그런 다음 필터링 및 평균화 > 시간-동기 평균화를 선택합니다.

시간-동기 평균화 탭이 새롭게 나타납니다. 탭 섹션 위의 앱 제목 표시줄에 처리 중인 신호 Vibration/Data가 표시됩니다.

회전속도계 신호가 있으므로 회전속도계 신호Tacho/Data를 선택합니다. 공칭 속도(rpm) 계산의 선택을 해제합니다.

적용을 클릭하여 앙상블의 16개 멤버 각각에 대한 TSA 계산을 시작합니다. 계산이 진행되는 동안 진행률 표시줄에 상태가 표시됩니다.

계산이 완료되면 다음이 수행됩니다.

  • 앞서 가져온 Ensemble1 데이터셋에 새로운 신호 변수 Vibration_tsa가 추가됩니다.

  • 신호 추적에 Vibration_tsa가 플로팅됩니다. 이 추적의 시간 축의 길이는 4초 미만입니다. 원래 진동 데이터의 길이는 30초였습니다. 짧아진 시간 범위는 각 멤버의 단일 회전의 지속 시간을 반영합니다.

  • 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.

파워 스펙트럼 계산하기

TSA 신호는 시간 영역 특징을 처음 생성하기 위한 정보를 충분히 제공하긴 하지만, 스펙트럼 특징을 살펴보려면 스펙트럼을 제공해야 합니다. 파워 스펙트럼을 생성하려면 데이터 브라우저에서 새 TSA 신호 Vibration_tsa/Data를 선택합니다. 그런 다음 스펙트럼 추정을 클릭하여 스펙트럼 옵션을 표시합니다. 이들 옵션 중에서 자기회귀 모델을 선택합니다.

자기회귀 모델 탭에 수정할 수 있는 파라미터가 표시됩니다. 적용을 클릭하여 디폴트 값을 그대로 사용합니다.

파워 스펙트럼의 처리 결과 새로운 변수 Vibration_ps/SpectrumData가 생성됩니다. 연결된 아이콘은 주파수 응답을 나타냅니다.

데이터 브라우저에서 스펙트럼 이름에 커서를 올려놓으면 새 스펙트럼의 소스(새 스펙트럼이 파생된 원래 신호)를 확인할 수 있습니다. 다음 그림은 신호 소스가 Vibration_tsa/Data이고 이 소스는 소스 Vibration/Data를 갖는다는 정보의 툴팁을 보여줍니다.

플롯 영역에 스펙트럼 플롯이 표시됩니다. 신호 추적과 마찬가지로, 파워 스펙트럼 탭에도 플로팅 옵션이 표시됩니다. 이러한 옵션은 신호 추적과 비슷합니다. 패너는 주파수가 아닌 시간에서만 작동하므로 패너 옵션은 없습니다.

특징 생성하기

신호 특징

TSA 신호를 소스로 사용하여 일반적인 데이터 통계량을 기준으로 특징을 생성합니다. 시간 영역 특징 > 신호 특징을 선택합니다.

특징을 생성할 때는 데이터 브라우저에서 소스 신호를 미리 선택하는 대신 특징을 지정하는 과정에서 소스 신호를 선택합니다. 신호Vibration_tsa/Data로 변경합니다. 디폴트 값은 모든 특징이 선택되는 것입니다. 형태 인자신호 처리 메트릭의 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 faultCode에 따라 데이터를 그룹화 또는 색 코딩합니다. 범례에서 알 수 있듯이 파란색 데이터는 정상 데이터이고 주황색 데이터는 결함 데이터입니다(세션에 따라 색 코딩이 달라질 수 있음). 정상 레이블과 결함 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. RMSCrestFactor가 효과적인 것으로 보입니다. 중첩되는 영역이 매우 적기 때문입니다. 반대로 SkewnessKurtosis는 중첩되는 영역이 많습니다. 이러한 특징은 이 데이터와 이 상태 변수에 대해 효과적이지 않은 것으로 보입니다.

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.

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 auto로 설정하면 CrestFactor의 분해능이 0.1이 됩니다. Bin 너비를 0.05로 입력하고 적용을 클릭합니다.

이 분해능에서는 CrestFactorImpulseFactor 모두 정상 데이터와 결함 데이터를 완벽하게 분리하는 것으로 보입니다. ClearanceFactor에는 아직도 일부 데이터가 겹쳐 있긴 하지만 더 큰 값의 Bin 너비를 사용할 때보다는 그 정도가 줄었습니다. Kurtosis는 Bin 너비를 auto로 설정했을 때 Bin 너비가 0.002로 더 작았습니다. 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 거리를 클릭합니다. 대화 상자에서 특징에 대한 그룹화 표시CrestFactor로 선택합니다.

그룹 거리는 KS 통계량으로 표현되며 1입니다. 이 확률 값은 완전한 분리를 나타냅니다.

다음으로, Kurtosis를 선택합니다. Kurtosis 히스토그램은 상당히 겹치는 모습을 보였습니다.

이 경우 KS 통계량은 약 0.6으로, 이러한 히스토그램을 반영하고 있습니다.

Bin 너비auto로 복원합니다.

회전 기계 특징

회전 기계를 살펴보고 있으니 회전 기계 특징을 계산해 보겠습니다. 시간 영역 특징 > 회전 기계 특징을 선택합니다. 회전 기계 대화 상자에서 분석할 TSA 신호를 선택하고 TSA 신호 메트릭을 선택합니다.

대화 상자에 있는 다른 특징 항목들은 필터링된 TSA 차분과 규칙적 신호를 소스로 사용합니다. 이 예제에서는 차분 및 규칙적 신호 기반 특징을 사용하지 않습니다. 이러한 신호는 공통된 축 속도를 가정하기 때문입니다.

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. 스펙트럼 특징을 클릭합니다. 스펙트럼에서 Vibration_ps/SpectrumData를 선택합니다.

주파수 대역을 설정합니다. 스펙트럼 특징 대화 상자를 열면 파워 스펙트럼 x 스케일이 자동으로 로그에서 선형으로 변경됩니다. 주파수 슬라이더를 움직이면 플롯이 슬라이더 설정에 해당하는 영역에 음영을 적용합니다. 파워 스펙트럼 피크를 효과적으로 캡처하려면 주파수 범위를 약 10Hz로 제한하십시오.

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 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.

참고 항목

관련 항목