Main Content

상태 모니터링 및 예측 정비를 위한 데이터 전처리

데이터 전처리는 예측 정비 알고리즘 개발 워크플로의 두 번째 단계입니다.

상태 지표를 추출할 수 있는 형태로 데이터를 정리하고 변환하기 위해 데이터 전처리가 필요한 경우가 많습니다. 데이터 전처리에는 다음이 포함될 수 있습니다.

  • 이상값 및 누락값 제거, 오프셋 제거, 추세 제거.

  • 잡음 감소(필터링, 평활화 등).

  • 시간 영역과 주파수 영역 간의 변환.

  • 단시간 푸리에 변환, 차수 영역으로의 변환과 같은 고급 신호 처리.

상태 모니터링 및 예측 정비를 위한 데이터 앙상블에서 설명하는 것처럼, Predictive Maintenance Toolbox™ 앙상블 데이터저장소를 사용하여 관리하는 측정 데이터나 시뮬레이션 데이터의 배열 또는 테이블에서 데이터 전처리를 수행할 수 있습니다. 일반적으로, 데이터를 분석하기 전에 데이터를 전처리하여 유력한 상태 지표, 즉 시스템의 성능 저하가 진행됨에 따라 예측 가능한 방식으로 변하는 수량을 식별합니다. (모니터링, 결함 검출 및 예측을 위한 상태 지표 항목을 참조하십시오.) 전처리 단계와 상태 지표 식별 단계 간에는 어느 정도 겹치는 부분이 있을 수 있습니다. 하지만 일반적으로 전처리의 결과로는 정리되거나 변환된 신호가 생성되며, 사용자는 이를 바탕으로 추가 분석을 수행해 신호 정보를 상태 지표로 응축할 수 있습니다.

기계와 데이터 종류를 제대로 이해하면 어느 전처리 방법을 사용할지 판단하는 데 도움이 될 수 있습니다. 예를 들어, 잡음이 있는 진동 데이터를 필터링하는 경우 유용한 특징이 나타날 가능성이 높은 주파수 범위를 알고 있으면 적합한 전처리 기법을 선택하는 데 도움이 됩니다. 마찬가지로, 기어박스 진동 데이터는 시간에 따라 회전 속도가 변하는 회전 기계에 사용되는 차수 영역으로 변환하는 것이 유용할 수 있습니다. 그러나 이 전처리 기법은 강체인 자동차 섀시의 진동 데이터에는 유용하지 않을 것입니다.

기본 전처리

MATLAB®에는 배열 또는 테이블에 들어 있는 데이터의 기본적인 전처리에 유용한 여러 함수가 있습니다. 여기에는 다음을 위한 함수가 포함됩니다.

  • 데이터 정리(예: fillmissing, filloutliers). 데이터 정리는 불량 데이터나 누락된 데이터를 찾아서 제거하고 바꾸는 다양한 기법을 사용합니다.

  • 데이터 평활화(예: smoothdata, movmean). 평활화를 통해 데이터에서 원치 않는 잡음이나 높은 분산을 제거합니다.

  • 데이터 추세 제거(예: detrend). 데이터에서 추세를 제거하면 추세와 관련한 데이터의 변동에 중점을 두고 분석을 수행할 수 있습니다. 추세는 유의미한 경우도 있지만 시스템 영향으로 인해 발생한 경우도 있으며, 분석 유형에 따라 추세를 제거할 때 더 나은 결과를 나타내는 유형도 있습니다. 또 다른 비슷한 유형의 전처리로 오프셋 제거가 있습니다.

  • 데이터 스케일링 또는 정규화(예: rescale). 스케일링은 데이터 경계를 변경하며, 서로 다른 단위를 갖는 데이터로 작업할 때 유용할 수 있습니다.

또 다른 일반적인 전처리 유형으로 신호에서 유용한 부분을 추출하고 나머지 부분은 버리는 기법이 있습니다. 예를 들어, 신호에서 시작 과도 데이터의 일부인 처음 5초는 버리고 정상 상태 작동의 데이터만 남겨 둘 수 있습니다. 이러한 유형의 전처리를 수행하는 예제는 Simulink를 사용하여 결함 데이터 생성하기 항목을 참조하십시오.

MATLAB의 기본적인 전처리 명령에 대한 자세한 내용은 데이터 전처리 항목을 참조하십시오.

필터링

필터링은 신호에서 잡음이나 원치 않는 성분을 제거하는 또 한 가지 방법입니다. 필터링은 데이터에서 상태 모니터링이나 예측에 유용한 특징이 나타날 가능성이 높은 주파수 범위를 알고 있는 경우에 유용합니다. 기본적인 MATLAB 함수 filter를 사용하면 전달 함수를 사용하여 신호를 필터링할 수 있습니다. designfilt를 사용하여 filter에 사용할 통과대역, 고역통과, 저역통과 필터나 그 밖의 일반적인 형태의 필터를 생성할 수 있습니다. 이러한 함수를 사용하는 방법에 대한 자세한 내용은 디지털 필터와 아날로그 필터 항목을 참조하십시오.

Wavelet Toolbox™ 라이선스가 있으면 보다 복잡한 필터 접근법을 위한 웨이블릿 툴을 사용할 수 있습니다. 예를 들어, 데이터를 서브대역으로 나누고 각 서브대역의 데이터를 개별적으로 처리한 다음 다시 결합하여 원래 신호의 수정된 버전을 생성할 수 있습니다. 이러한 필터에 대한 자세한 내용은 필터 뱅크 (Wavelet Toolbox) 항목을 참조하십시오. Signal Processing Toolbox™ 함수 emd를 사용하여 혼합 신호를 서로 다른 시간-주파수 동작을 갖는 성분으로 분해할 수도 있습니다.

시간 영역 전처리

Predictive Maintenance Toolbox와 Signal Processing Toolbox는 시간 영역에서 기계 시스템의 진동을 조사하고 특징을 나타내는 데 사용할 수 있는 함수를 제공합니다. 다음과 같은 함수를 전처리나 상태 지표 추출에 사용하십시오. 예를 들면 다음과 같습니다.

  • tsa — 시간-동기 평균화로 잡음을 일관되게 제거하고 포락선 스펙트럼을 사용하여 마모를 분석합니다. Simulink를 사용하여 결함 데이터 생성하기 예제에서는 시간-동기 평균화를 사용하여 진동 데이터를 전처리합니다.

  • tsadifference — 시간-동기 평균(TSA) 신호에서 규칙적 신호, 1차 측파대 및 그 고조파를 갖는 다른 특정 측파대를 제거합니다.

  • tsaregular — TSA 신호에서 잔차 신호와 특정 측파대를 제거하여 알려진 신호를 분리합니다.

  • tsaresidual — TSA 신호에서 알려진 신호 성분과 그 고조파를 제거하여 잔차 신호를 분리합니다.

  • ordertrack — 차수 해석을 사용하여 회전 기계에서 나타나는 스펙트럼 성분을 분석하고 시각화합니다. 차수와 해당 시간 영역 파형을 추적하고 추출합니다.

  • rpmtrack — RPM을 시간의 함수로 계산하여 진동 신호에서 RPM 프로파일을 추적하고 추출합니다.

  • envspectrum — 포락선 스펙트럼을 계산합니다. 포락선 스펙트럼은 신호에서 고주파수 정현파 성분을 제거하고 저주파수 변조에 집중합니다. 구름 요소 베어링 결함 진단 예제에서는 이러한 전처리에 포락선 스펙트럼을 사용합니다.

이러한 함수와 관련 함수에 대한 자세한 내용은 진동 해석 항목을 참조하십시오.

주파수 영역(스펙트럼) 전처리

진동 또는 회전 시스템에서는 공명 주파수의 변화나 새로운 진동 성분의 존재와 같은 주파수 영역 동작의 변화를 통해 결함이 전개되는 양상을 확인할 수 있습니다. Signal Processing Toolbox는 이러한 스펙트럼 동작을 분석하기 위한 여러 함수를 제공합니다. 이러한 함수는 상태 지표 추출을 위한 추가 분석을 수행하기 전에 전처리를 수행할 때 유용한 경우가 많습니다. 이러한 함수의 예는 다음과 같습니다.

  • pspectrum — 신호의 파워 스펙트럼, 시간-주파수 파워 스펙트럼 또는 파워 스펙트로그램을 계산합니다. 스펙트로그램은 시간에 따라 전력 분포가 어떻게 바뀌는지에 대한 정보를 포함합니다. 시뮬레이션된 데이터를 사용한 다중 클래스 결함 검출 예제에서는 pspectrum을 사용하여 데이터 전처리를 수행합니다.

  • envspectrum — 포락선 스펙트럼을 계산합니다. 반복적인 임펄스 또는 패턴의 원인이 되는 결함은 기계의 진동 신호에 진폭 변조를 가하게 됩니다. 포락선 스펙트럼은 신호에서 고주파수 정현파 성분을 제거하고 저주파수 변조에 집중합니다. 구름 요소 베어링 결함 진단 예제에서는 이러한 전처리에 포락선 스펙트럼을 사용합니다.

  • orderspectrum — 평균 차수-크기 스펙트럼을 계산합니다.

  • modalfrf — 신호의 주파수 응답 함수를 추정합니다.

이러한 함수와 관련 함수에 대한 자세한 내용은 진동 해석 항목을 참조하십시오.

시간-주파수 전처리

Signal Processing Toolbox에는 시간에 따라 주파수 영역 동작이 변하는 시스템을 분석하기 위한 함수가 있습니다. 이러한 분석을 시간-주파수 분석이라고 하며, 이는 시스템 성능의 변화와 연관된 과도 신호 또는 변하는 신호를 분석하고 감지하는 데 유용합니다. 이러한 함수의 예는 다음과 같습니다.

  • spectrogram — 단시간 푸리에 변환을 사용하여 스펙트로그램을 계산합니다. 스펙트로그램은 시간을 국소화했을 때의 신호의 주파수 성분과 그의 시간에 따른 변화를 기술합니다. 진동 신호를 사용한 상태 모니터링 및 예지진단 예제에서는 spectrogram을 사용하여 신호를 전처리하고 잠재적인 상태 지표를 식별하는 것을 돕습니다.

  • hht — 신호의 힐베르트 스펙트럼을 계산합니다. 힐베르트 스펙트럼은 시간에 따라 스펙트럼 성분이 변하는 혼합 신호로 구성된 신호를 분석하는 데 유용합니다. 이 함수는 혼합 신호의 각 성분의 스펙트럼을 계산하며, 여기서 성분은 경험적 모드 분해에 의해 정해집니다.

  • emd — 신호의 경험적 모드 분해를 계산합니다. 이 분해는 힐베르트 스펙트럼에서 분석된 혼합 신호를 기술하며, 혼합 신호를 분리하여 시스템의 성능이 저하됨에 따라 시간-주파수 동작이 변하는 성분을 추출하는 데 도움이 됩니다. emd를 사용하여 hht의 입력값을 생성할 수 있습니다.

  • kurtogram — 시간을 국소화했을 때의 스펙트럼 첨도를 계산합니다. 이 값은 주파수 영역에서 비정상(Nonstationary) 또는 비가우스 동작으로부터 정상 가우스 신호 동작을 구분하여 신호를 특성화합니다. 포락선 분석과 같은 여타 툴의 전처리와 마찬가지로, 스펙트럼 첨도로부터 최적 대역과 같은 핵심적인 입력값을 얻을 수 있습니다. (pkurtosis를 참조하십시오.) 구름 요소 베어링 결함 진단 예제에서는 전처리 및 상태 지표 추출에 스펙트럼 첨도를 사용합니다.

이러한 함수와 관련 함수에 대한 자세한 내용은 시간-주파수 분석 항목을 참조하십시오.

관련 항목