Main Content

기어 상태 모니터링을 위한 상태 지표

기어 상태 모니터링 메트릭은 기어박스 개발 및 그에 대한 시간 기반의 예방적 유지관리에 매우 중요합니다. 지표를 사용하면 기어의 이상을 감지할 수 있고, 결함이 진행되기 전에 치명적인 고장을 방지하는 데 도움이 됩니다. 상태 모니터링 시스템에서는 진동, 음향 방출, 온도, 기름 찌꺼기 분석과 같은 다양한 유형의 입력 데이터를 다룹니다. 가장 일반적인 유형으로 진동 분석, 음향 방출, 기름 찌꺼기를 기반으로 하는 시스템을 들 수 있습니다.

다음 그림에서는 기어 상태 메트릭의 식별과 그 후속 평가에 대한 워크플로를 보여줍니다.

진단 특징 디자이너 앱과 Predictive Maintenance Toolbox™의 명령줄 기능을 사용하여 다음을 수행할 수 있습니다.

  • 개별 파일, 앙상블 파일 또는 앙상블 데이터저장소에서 측정 데이터 또는 시뮬레이션된 데이터 가져오기.

  • 시간-동기 평균(TSA) 신호, 규칙적 신호, 잔차 신호 및 차분 신호와 같은 새로운 변수 도출.

  • 변수에서 기어 상태 메트릭 생성.

  • 정상 동작과 결함 동작을 가장 잘 구분하는 특징을 수치적으로 확인할 수 있도록 특징에 순위 지정.

  • 특징의 효과를 조사하고 알고리즘 훈련을 진행하기 위해 가장 효과적인 특징을 직접 분류 학습기 앱으로 내보내기.

기어 상태 메트릭 추출하기

원래 데이터에서 다음과 같은 방법으로 신호를 도출하고 기어 상태 메트릭을 추출합니다.

  1. 시간-동기 평균(TSA)을 추출합니다.

    진단 특징 디자이너 앱명령줄
    필터링 및 평균화 드롭다운 메뉴의 시간-동기 신호 평균화 옵션을 사용합니다.

    tsa 및 tachorpm 함수를 사용합니다.

  2. 규칙적 신호, 잔차 신호, 차분 신호를 도출합니다.

    진단 특징 디자이너 앱명령줄
    필터링 및 평균화 드롭다운 메뉴의 시간-동기 평균 신호 필터링 옵션을 사용합니다.

    다음 함수를 사용합니다.

  3. 이전 단계에서 얻은 신호 세트에서 기어 상태 모니터링 메트릭을 계산합니다.

    진단 특징 디자이너 앱명령줄
    시간 영역 특징 드롭다운 메뉴의 회전 기계 특징 옵션을 사용합니다.gearConditionMetrics 함수를 사용합니다.

결함의 정확한 위치를 식별할 수 있는 기어 상태 메트릭은 다음과 같습니다.

TSA 신호에서 계산됨

  • Root-Mean Square (RMS) — 성능 저하 이후 단계에서의 기어박스의 일반적 상태를 나타냅니다. RMS는 기어박스 부하 및 속도 변화에 민감합니다. RMS는 일반적으로 기어박스의 전체적인 상태에 대한 좋은 지표이긴 하나, 막 시작된 톱니 고장에 대한 좋은 지표는 아닙니다. 불균형한 회전 요소를 감지하는 것도 유용합니다. 표준 정규분포의 RMS는 1입니다.

  • Kurtosis — 진폭 분포의 주요 피크를 나타내는 신호의 4차 정규화 모멘트입니다. 첨도는 분포에서 이상값이 발생할 가능성이 얼마나 큰지를 측정한 값입니다. 표준 정규분포의 첨도는 3입니다. 이상값이 발생할 가능성이 큰 분포는 첨도 값이 3보다 크고, 이상값이 발생할 가능성이 작은 분포는 첨도 값이 3보다 작습니다. 손상된 기어 트레인의 경우 신호의 진폭 분포에서의 날카로운 피크로 인해 Kurtosis 값이 더 큽니다.

  • Crest Factor (CF) — RMS에 대한 신호 피크 값의 비율로, 특히 진동 신호가 임펄스 특성을 보이는 경우 초기 손상을 의미하는 신호를 나타냅니다.

차분 신호에서 계산됨

  • FM4 — 차분 신호 진폭의 피크 정도 또는 평탄한 정도를 기술합니다. FM4는 분산의 제곱으로 정규화되며, 기어 맞물림에서 유한한 개수의 톱니만으로 한정한 분리된 결함을 검출합니다. 표준 정규분포의 FM4는 3입니다.

  • M6A — 차분 신호 진폭의 피크 정도 또는 평탄한 정도를 기술합니다. M6A는 분산의 세제곱으로 정규화되며, 회전 기계 컴포넌트의 표면 손상을 나타냅니다. 표준 정규분포의 M6A는 15입니다.

  • M8A — M6A 지표의 개선된 버전입니다. M8A는 분산의 네제곱으로 정규화됩니다. 표준 정규분포의 M8A는 105입니다.

혼합 신호에서 계산됨

  • FM0 — TSA 신호의 피크 값의 비율을 규칙적 신호의 에너지와 비교합니다. FM0은 기어의 맞물림 패턴에서 톱니 파손, 심각한 마모와 같은 주요 이상을 식별합니다.

  • Energy Ratio (ER) — 차분 신호의 에너지와 일반 맞물림 성분의 에너지 간의 비율입니다. Energy Ratio는 기어에서 여러 개의 톱니가 손상된 심각한 마모를 나타냅니다.

잔차 신호 세트에서 계산됨

  • NA4 — FM4 지표의 개선된 버전입니다. NA4는 손상의 시작을 나타내며, 손상이 확산되고 크기가 증가함에 따라 계속해서 손상에 반응합니다.

특징 평가하기 및 모델 훈련시키기

특징 선택 기법을 사용하면 수행하려는 분석과 관계없는 기어 상태 메트릭을 제거하여 대규모 데이터 세트를 축소하는 데 도움이 됩니다. 상태 모니터링에서 관계없는 특징이란 정상 작동과 결함 작동을 구분하지 못하거나 여러 결함 상태를 구분하는 데 도움이 되지 않는 특징을 가리킵니다. 즉, 특징 선택이란 기어박스의 성능 저하가 진행됨에 따라 감지 가능하고 신뢰할 수 있는 식으로 변해서 상태 지표 역할을 하기에 적합한 기어 메트릭을 식별하는 것을 의미합니다.

엄격한 상대 평가를 수행하기 위해 특수한 통계적 방법을 사용하여 특징에 순위를 매길 수 있습니다. 각각의 방법은 여러 데이터 그룹(예: 정상 동작과 결함 동작)을 구분하는 기능에 기반해 특징에 점수를 부여하고 순위를 지정합니다. 순위 지정 결과를 바탕으로 효과 없는 특징을 제거할 수 있으며, 도출된 변수 또는 특징을 계산할 때 파라미터 조정에서의 순위 지정 효과를 평가할 수 있습니다.

진단 특징 디자이너 앱명령줄

히스토그램을 사용하면 특징이 효과적인지에 대한 초기 평가를 수행할 수 있습니다. 보다 엄격한 상대 평가를 수행하려면 특징 순위 지정 옵션을 사용하여 특수한 통계적 방법에 의해 특징에 순위를 지정할 수 있습니다.

내보내기 옵션을 사용하여 선택한 메트릭을 Statistics and Machine Learning Toolbox™의 분류 학습기 앱으로 내보냅니다.

다음과 같은 특징 선택 함수 중에서 선택할 수 있습니다.

기어 상태 메트릭 후보 세트를 정의한 후에는 이를 Statistics and Machine Learning Toolbox의 분류 학습기 앱으로 내보낼 수 있습니다. 분류 학습기는 자동화된 방법을 사용하여 특징 세트를 갖는 여러 유형의 모델을 테스트함으로써 데이터를 분류하도록 모델을 훈련시킵니다. 이 과정에서, 분류 학습기는 최적의 모델과 가장 효과적인 특징을 결정합니다. 예측 정비에서 분류 학습기를 사용하는 목적은 정상 시스템과 결함 시스템의 데이터를 구분하도록 모델을 선택하여 훈련시키는 데 있습니다. 이 모델을 기어 트레인 결함 검출 및 예측을 위한 알고리즘에 적용할 수 있습니다.

참고 항목

| | | | | | | | | | | | | | |

관련 항목