모니터링, 결함 검출 및 예측을 위한 상태 지표

상태 지표란 시스템이 성능 저하를 겪거나 여러 작동 모드에 있을 때 그 동작이 예측 가능한 방식으로 변화하는 시스템 데이터의 특징을 말합니다. 정상 작동과 결함 작동을 구분하거나 잔여 수명을 예측하는 데 효과적인 특징을 상태 지표로 사용할 수 있습니다. 유용한 상태 지표는 비슷한 시스템 상태는 군집화하고 서로 다른 상태는 구분합니다. 상태 지표의 예로 다음으로부터 도출된 수량을 들 수 있습니다.

• 간단한 분석(예: 시간에 따른 데이터의 평균값)

• 보다 복잡한 신호 분석(예: 신호 스펙트럼의 피크 크기의 주파수, 시간에 따른 스펙트럼의 변화를 기술하는 통계적 모멘트)

• 데이터의 모델 기반 분석(예: 데이터를 사용하여 추정된 상태공간 모델의 최대 고유값)

• 모델 기반 방법과 신호 기반 방법의 조합(예: 신호를 사용하여 동적 모델 추정, 동적 모델을 시뮬레이션하여 잔차 신호 계산, 잔차에 대해 통계 분석 수행)

• 여러 특징을 하나의 유효한 상태 지표로 조합

상태 지표 식별은 일반적으로 예측 정비 알고리즘 설계 워크플로에서 데이터 액세스 및 전처리 다음에 수행하는 세 번째 단계입니다.

알려진 상태에서 수집된 시스템 데이터로부터 추출한 상태 지표를 사용하여 모델을 훈련시킨 다음, 이 훈련된 모델로 알려지지 않은 상태에서 수집된 새로운 데이터를 기반으로 시스템의 상태를 진단하거나 예측할 수 있습니다. 실제 현장에서는 데이터를 탐색하고 여러 상태 지표로 실험을 거듭해 기계, 데이터, 결함 상태에 가장 적합한 상태 지표를 찾아야 할 수 있습니다. 잔차 분석을 사용한 원심 펌프의 결함 진단 예제와 Simulink를 사용하여 결함 데이터 생성하기 예제에서는 여러 상태 지표를 테스트하여 경험적으로 최적의 상태 지표를 결정하는 분석 예를 보여줍니다.

여러 상태 지표의 조합이 단일 지표보다 결함 상태들을 더 잘 구분해 주는 경우도 있습니다. 구름 요소 베어링 결함 진단 예제는 여러 지표의 조합이 유용하게 사용되는 사례입니다. 마찬가지로, 다수의 앙상블 멤버를 대상으로 계산한 여러 상태 지표가 포함된 테이블을 사용하여 결함 검출 및 진단을 목적으로 결정 모델을 훈련시킬 수 있는 경우도 많습니다. 이러한 방식을 사용하는 예제는 시뮬레이션된 데이터를 사용한 다중 클래스 결함 검출 항목을 참조하십시오.

Predictive Maintenance Toolbox™와 그 밖의 툴박스에는 상태 지표 추출에 유용한 여러 함수가 포함되어 있습니다. 다양한 유형의 상태 지표와 그 용도에 대한 자세한 내용은 다음 항목을 참조하십시오.

• 신호 기반 상태 지표

• 모델 기반 상태 지표

상태 모니터링 및 예측 정비를 위한 데이터 앙상블에서 설명하는 것처럼, Predictive Maintenance Toolbox 앙상블 데이터저장소로 관리하는 측정 데이터 또는 시뮬레이션된 데이터로 구성된 벡터 또는 타임테이블에서 상태 지표를 추출할 수 있습니다. 상태 모니터링 및 예측 정비를 위한 데이터 전처리에서 설명하는 것처럼 이러한 데이터를 먼저 전처리하는 것이 유용한 경우가 많습니다.

관련 항목

• 신호 기반 상태 지표
• 모델 기반 상태 지표
• 상태 모니터링 및 예측 정비를 위한 알고리즘 설계하기
• 진단 특징 디자이너를 사용하여 앙상블 데이터 탐색 및 특징 비교하기