Main Content

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

진단 특징 디자이너를 위한 시스템 데이터 구성하기

진단 특징 디자이너 앱을 사용하면 데이터를 대화형 방식으로 분석하고 정상 시스템의 데이터와 성능이 저하된 시스템의 데이터를 구분할 수 있는 특징을 개발할 수 있습니다. 이 앱은 기계와 같은 유사한 시스템들의 집합에서 얻은 측정 데이터 및 정보를 바탕으로 작동합니다. 앱을 사용하려면 먼저 앱이 가져올 수 있는 형식으로 데이터를 구성해야 합니다. 데이터를 구성하는 한 가지 방법은 모든 측정 데이터를 캡처할 수 있는 숫자형 행렬을 사용하는 것입니다. 그러나 건전성 상태 및 작동 상태와 같은 추가 정보를 통합할 수 있는, 보다 유연한 형식(예: 테이블)을 사용할 수도 있습니다. 이 정보를 사용하여 앱 내에서 특징을 탐색하고 다양한 특정 상태를 구분해 내는 특징 구분 기능을 평가할 수 있습니다.

데이터 앙상블

데이터 분석은 모든 상태 모니터링 및 예측 정비 활동의 핵심입니다

데이터는 가속도계, 압력계, 온도계, 고도계, 전압계, 회전속도계와 같은 센서를 사용해 시스템에서 측정한 값으로부터 수집할 수 있습니다. 예를 들어, 다음으로부터 측정된 데이터를 사용할 수 있습니다.

  • 정상 시스템 작동

  • 결함 상태에서 작동하는 시스템

  • 시스템 작동의 수명 기록, 즉 RTF(run-to-failure) 데이터

알고리즘 설계에는 다양한 작동 상태와 결함 상태에서 시스템의 Simulink® 모델을 실행하여 생성된 시뮬레이션된 데이터를 사용할 수도 있습니다.

측정 데이터와 생성된 데이터 중 하나를 사용하든 둘 다를 사용하든, 일정한 시간 범위 또는 여러 시간 범위를 아우르는 다양한 신호를 사용하게 되는 경우가 많습니다. 그뿐 아니라 여러 기계로부터 생성된 신호가 있을 수도 있습니다(예: 모두 동일한 사양으로 제조된 여러 개별 엔진의 측정값). 정상 작동 상태와 결함 상태를 나타내는 데이터도 있을 수 있습니다. 예측 정비에 효과적인 특징을 평가하려면 이 데이터를 구성 및 분석하는 동시에 데이터가 나타내는 시스템과 상태를 지속적으로 추적해야 합니다.

데이터 앙상블

Predictive Maintenance Toolbox™에서 다면적인 데이터 세트를 구성하고 관리하기 위한 기본 단위는 데이터 앙상블입니다. 앙상블이란 다양한 상태에서 시스템을 측정 또는 시뮬레이션하여 만든 데이터 세트의 모음을 의미합니다.

예를 들어, 진동 측정을 위한 가속도계와 엔진 축 회전의 측정을 위한 회전속도계가 있는 변속기를 살펴보겠습니다. 엔진을 5분 동안 구동하고 측정된 신호를 시간의 함수로 기록한다고 가정하겠습니다. 주행 거리(마일)로 측정되는 엔진 사용 기간도 기록합니다. 이러한 측정값은 다음과 같은 데이터 세트를 생성합니다.

이번에는 여러 개의 동일한 엔진이 있고 모든 엔진의 데이터를 기록한다고 가정하겠습니다. 이렇게 하면 일군의 데이터 세트가 생성됩니다.

이 일군의 데이터 세트를 앙상블이라고 하며, 앙상블의 각 행은 해당 앙상블의 멤버입니다.

앙상블의 멤버는 동일한 데이터 변수를 포함한다는 점에서 서로 관련이 있습니다. 예를 들어, 그림에 나온 앙상블에서 모든 멤버는 엔진 식별자, 진동 신호, 회전속도계 신호, 엔진 사용 기간이라는 4개의 동일한 변수를 갖습니다. 이 예에서 각 멤버는 서로 다른 기계에 대응됩니다. 앙상블은 동일한 기계에서 서로 다른 시간에 기록된 데이터 변수 세트를 포함할 수도 있습니다. 예를 들어, 다음 그림은 엔진 사용 기간으로 기록한 동일한 엔진의 여러 데이터 세트를 포함하는 앙상블을 보여줍니다.

실제 현장에서는 보통 각 앙상블 멤버의 데이터가 별도의 데이터 파일에 저장됩니다. 따라서 9,500마일 시점에서의 엔진 01의 데이터를 포함하는 파일이 하나 있고, 21,250마일 시점에서의 엔진 01의 데이터를 포함하는 또 다른 파일이 하나 있는 식일 수 있습니다.

앙상블 변수

앙상블의 변수는 저마다 다른 목적을 가지며, 그에 따라 다음과 같은 유형으로 그룹화할 수 있습니다.

  • 데이터 변수(DV) — 앙상블 멤버의 주된 내용물로 , 예측 정비 알고리즘의 분석 및 개발에 사용하는 측정 데이터와 도출된 데이터를 포함합니다. 예를 들어, 그림에 나온 기어박스 앙상블 예에서 VibrationTachometer는 데이터 변수입니다. 데이터 변수는 신호의 평균값, 신호 스펙트럼의 피크 크기의 주파수와 같은 도출된 값도 포함할 수 있습니다.

  • 독립 변수(IV) — 앙상블의 멤버를 식별하거나 멤버의 순서를 정하는 변수로, 타임스탬프, 작동 기간(시간), 기계 식별자 등이 있습니다. 측정된 기어박스 데이터의 앙상블에서 Age는 독립 변수입니다.

  • 상태 변수(CV) — 앙상블 멤버의 결함 상태 또는 작동 상태를 기술하는 변수입니다. 상태 변수는 결함 상태나 그 밖의 작동 상태(주변 온도 등)의 존재 또는 부재를 기록할 수 있습니다. 앙상블 기어박스 데이터에서 sensor health는 각 엔진에 대해 알려진 상태를 가지는 상태 변수일 수 있습니다. 상태 변수는 결함 상태와 작동 상태를 부호화하는 단일 스칼라 값과 같은 도출된 값일 수도 있습니다.

데이터 변수와 독립 변수는 일반적으로 많은 요소를 가집니다. 상태 변수는 대개 스칼라입니다. 앱에서 상태 변수는 반드시 스칼라여야 합니다.

앱에 필요한 앙상블 데이터 표현하기

세 가지 일반적인 접근 방식 중 하나를 사용하여 앙상블 데이터를 결합하고 앱으로 가져올 수 있습니다. 이러한 각각의 접근 방식에서 모든 앙상블 멤버는 동일한 변수를 포함해야 합니다.

개별 멤버 데이터셋 만들기

각 멤버에 대해 하나씩 개별 데이터셋 형태로 데이터를 가져와 앱에서 이러한 데이터셋을 하나의 앙상블로 결합하도록 할 수 있습니다. 가져오기 과정 중에 멤버 데이터셋 중 하나를 선택하면 동일한 변수를 가지면서 서로 호환되는 데이터셋이 모두 작업 공간에 표시됩니다.

이 접근 방식은 데이터를 가져오기 전에 해야 할 설정이 가장 적습니다. 새 멤버로 앙상블을 업데이트하려면 모든 멤버를 다시 가져와야 합니다.

앙상블 데이터셋 만들기

여러 개의 멤버 데이터셋으로부터 생성한 단일 앙상블 데이터셋을 가져옵니다. 앙상블 데이터셋의 각 행은 멤버 중 하나를 나타냅니다.

이 접근 방식은 데이터를 가져오기 전에 해야 할 설정이 더 많습니다. 이 접근 방식은 멤버 세트가 더 큰 경우에 개별 접근 방식보다 더 실용적일 수 있습니다. 새 멤버로 앙상블을 업데이트하려면 기존 테이블에 추가하여 앱 외부에서 업데이트할 수 있습니다. 그런 다음 업데이트된 테이블을 가져옵니다.

개별 멤버 행렬들로부터 하나의 앙상블 데이터셋을 만드는 방법에 관한 예제는 진단 특징 디자이너를 위한 행렬 데이터 준비하기 항목을 참조하십시오.

ensemble datastore 객체 만들기

데이터 자체를 가져오는 대신 멤버 파일들의 이름과 경로만 포함하는 ensemble datastore 객체를 가져옵니다. 이 객체는 앱이 외부 파일과 상호 작용하는 데 필요한 정보도 포함합니다.

이 접근 방식은 데이터와 변수가 많을 때 가장 효과적입니다. 앙상블 데이터저장소는 데이터가 로컬에 저장되어 있든 Amazon S3™(Simple Storage Service), Windows Azure® Blob Storage 및 Hadoop® Distributed File System(HDFS™)을 사용한 클라우드 저장공간과 같은 원격 위치에 저장되어 있든 상관없이 이러한 데이터로 작업하는 데 도움이 될 수 있습니다.

일반적으로 앱에서 데이터 탐색을 시작하는 경우, 사용자는 비교적 적은 수의 멤버와 변수를 가져오려고 합니다. 하지만, 나중에 더 큰 샘플 크기를 가져와 특징이 효과적인지에 대한 결론을 테스트해보려 할 수도 있습니다. 앙상블 데이터저장소는 특히 데이터 크기가 MATLAB®의 메모리 제한을 초과하는 경우 더 많은 양의 데이터를 처리할 수 있는 한 가지 방법입니다.

ensemble datastore 객체에 대한 자세한 내용은 상태 모니터링 및 예측 정비를 위한 데이터 앙상블 항목을 참조하십시오.

데이터셋 가져오기를 위한 데이터형 및 제약 조건

앱은 상태 변수 스칼라 및 임베디드 측정값 타임테이블을 포함하는 수치 행렬 및 테이블을 비롯해 다양한 데이터형을 받습니다.

가져오려는 데이터는 이상값 및 누락값 제거와 같은 전처리를 거친 정리된 데이터여야 합니다. 자세한 내용은 상태 모니터링 및 예측 정비를 위한 데이터 전처리 항목을 참조하십시오.

데이터형과 제약 조건, 그리고 실제 데이터 가져오기에 대한 자세한 내용은 Import Data into Diagnostic Feature Designer 항목을 참조하십시오.

참고 항목

| | |

관련 항목