진단 특징 디자이너를 사용하여 성능이 저하되는 시스템에 대한 예지진단 특징 순위 지정하기

이 예제에서는 악화되는 축 결함의 증거가 포함되어 있는 분할된 데이터에서 특징을 처리하고 추출하는 방법과 예지진단 순위 지정을 수행하여 잔여 수명(RUL)을 결정하는 데 가장 적합한 특징을 결정하는 방법을 보여줍니다. RUL 특징 개발은 조건부로 그룹화된 데이터가 아닌 RTF(run-to-failure) 데이터를 기반으로 합니다.

이 예제에서는 사용자가 앱의 기본 작업에 이미 익숙하다고 가정합니다. 앱을 사용하는 방법에 대한 튜토리얼은 예측 정비 알고리즘을 위한 상태 지표 설계하기 항목을 참조하십시오.

모델 설명

다음 그림은 6개의 기어가 있는 구동계를 보여줍니다. 구동계를 위한 모터에는 진동 센서가 장착되어 있습니다. 구동계에는 회전속도계가 없습니다. 모터는 변동 없이 1800rpm의 일정 회전 속도를 구동합니다. 이 구동계에서:

모터 축의 기어 1은 기어비 17:1로 기어 2와 맞물립니다.
최종 기어비 즉, 기어 1 및 2와 기어 3 및 4 간의 비율은 51:1입니다.
모터 축에서도 기어 5는 기어비 10:1로 기어 6과 맞물립니다.

10대의 시뮬레이션된 기계가 이 구동계를 사용합니다. 모든 기계에서 기어 6의 축에 결함이 진행되고 있습니다. 이 결함은 매일 악화됩니다. 결함 진행 속도는 각 기계에 대해 고정되어 있지만 기계 세트에 따라 달라집니다.

데이터는 15일 동안 매일 한 차례 0.21초간 기록되었습니다. 각 기계마다 일별 세그먼트가 하나의 변수 안에서 인접한 위치에 저장됩니다. 타임스탬프는 데이터 기록 시간을 반영하며 지속적으로 증가합니다. 예를 들어 1일차 최종 샘플의 타임스탬프가 t_f이고 샘플 시간이 T_s이면 2일차 첫 번째 샘플의 타임스탬프는 t_f + T_s입니다.

데이터 가져오기 및 보기

시작하려면 데이터를 MATLAB^® 작업 공간으로 불러오고 진단 특징 디자이너를 엽니다.

load(fullfile(matlabroot, 'toolbox', 'predmaint', 'predmaintdemos', ...
  'motorDrivetrainDiagnosis', 'machineDataRUL3'), 'motor_rul3')
diagnosticFeatureDesigner

데이터를 가져옵니다. 이렇게 하려면 특징 디자이너 탭에서 새 세션을 클릭하십시오. 그런 다음, 새 세션 창의 추가 변수 선택 영역에서 motor_rul3을 소스 변수로 선택합니다.

디폴트 구성과 변수를 선택하여 가져오기 과정을 완료합니다. 앙상블은 하나의 데이터 변수 Signal/vib로 구성되어 있으며 진동 변수가 포함되어 있습니다. 상태 변수는 없습니다.

진동 신호를 표시합니다. 이렇게 하려면 데이터 브라우저에서 신호를 선택하고 신호 추적을 사용하여 플로팅합니다. 신호의 진폭은 결함이 진행됨에 따라 계속해서 증가합니다.

프레임별로 일별 세그먼트 분리하기

RUL에 사용할 특징을 개발할 때의 관심 사항은 특정 결함을 분리하는 것이 아니라 성능 저하의 진행을 추적하는 것입니다. 유용한 RUL 특징의 시간 이력은 성능 저하 속도를 볼 수 있게 하며 궁극적으로 고장 수명을 예상할 수 있습니다.

프레임 기반 처리를 통해 세그먼트별로 성능 저하의 진행 상황을 추적할 수 있습니다. 어떤 세그먼트에서 작은 변화나 급격한 변화가 발생하면 그러한 변화가 해당 세그먼트에서 캡처됩니다. 세그먼트 기반 특징은 전체 신호에서 추출된 특징이 제공할 수 있는 것보다 더 정확한 성능 저하 기록을 전달합니다. RUL 예측에서는 주어진 시간에 발생하는 결함의 크기 못지않게 성능 저하의 진행 속도가 중요합니다.

각 기계의 데이터 세트는 일별 데이터 세그먼트를 제공하여 분할된 처리를 지원합니다. 각 세그먼트가 개별적으로 처리되도록 프레임 기반 처리를 지정합니다. 데이터가 0.21초 세그먼트로 수집되었으므로 처리할 데이터를 0.21초 프레임으로 분리합니다.

계산 옵션을 클릭합니다. 대화 상자에서 데이터 처리 모드를 프레임 기반으로 설정합니다. 데이터 세그먼트는 연속적이므로 프레임 크기와 프레임 속도를 모두 0.21초로 설정합니다.

시간-동기 평균화 수행하기

시간 동기 평균화(TSA)는 한 번의 회전에 대해 신호를 평균화하여 해당 회전에서 일관되지 않은 잡음을 크게 줄입니다. TSA 필터링된 신호는 특징 생성을 비롯하여 회전 기계 분석을 위한 기초를 제공합니다.

이 예제에서 회전 속도는 각 기계마다 동일하게 1800rpm 값으로 고정됩니다.

TSA 신호를 계산하려면 필터링 및 평균화 > 시간-동기 신호 평균화를 선택합니다. 대화 상자에서 다음을 수행합니다.

신호에서 선택 사항을 확인합니다.
회전속도계 정보에서 일정 회전 속도(RPM)를 선택하고 값을 1800으로 설정합니다.
다른 모든 설정을 그대로 적용합니다.

앱은 각 세그먼트에 대한 TSA 신호를 개별적으로 계산하고 기본적으로 첫 번째 세그먼트를 플로팅합니다.

패너를 사용하여 플롯을 모든 세그먼트로 확장합니다. 플롯을 보면 진폭이 약간 증가함을 알 수 있습니다.

회전 기계 특징 추출하기

TSA 신호를 사용하여 시간 영역 회전 기계 특징을 계산합니다.

상태 변수가 없기 때문에 결과로 생성되는 히스토그램에는 세그먼트 전체에 걸쳐 특징 값 분포만 표시됩니다.

또한 특징 추적 플롯을 보면 시간이 경과함에 따라 특징이 어떻게 변화하는지 확인할 수 있습니다. 이렇게 하려면 특징 테이블에서 FeatureTable1을 선택합니다. 플롯 갤러리에서 특징 추적을 선택합니다.

특징 추적 플롯에서 세 특징 모두 지속적인 성능 저하를 의미하는 상향 기울기를 보여줍니다. 이들 특징은 각각 정규화되지 않은 상이한 메트릭을 나타내므로 특징 값들은 서로 간에 아무런 연관이 없습니다.

스펙트럼 특징 추출하기

일반적으로 스펙트럼 특징은 결함으로 인해 주기적인 진동이 발생할 때 효과적입니다. TSA 신호에서 스펙트럼 특징을 추출합니다. 먼저 파워 스펙트럼을 계산합니다. 이렇게 하려면 스펙트럼 추정 > 파워 스펙트럼을 선택합니다. TSA 신호를 선택하고 알고리즘을 Welch 방법으로 변경합니다.

첫 번째 세그먼트의 스펙트럼에는 약 500Hz 및 1540Hz에서 뚜렷한 피크가 포함됩니다. 회전 속도는 1800rpm 또는 30Hz입니다. 이들 피크 주파수 간의 비율은 약 17과 51로 기어비와 일치합니다. 중간에 있는 피크는 해당 주파수의 추가 고조파입니다.

차수 영역 및 주파수 영역에서 세그먼트 스펙트럼이 중첩됩니다. 패너를 사용하면 시간 영역에서처럼 여러 세그먼트를 선택할 수 있습니다. 모든 세그먼트를 포함하도록 패너를 설정합니다. 세그먼트 개수를 늘리면 파워가 300Hz에서 증가합니다. 이 주파수는 30Hz 회전 속도에 대해 차수가 10이며 결함이 증가함을 나타냅니다.

스펙트럼 특징을 추출합니다. 이렇게 하려면 스펙트럼 특징을 클릭하고 스펙트럼이 해당 파워 스펙트럼으로 설정되어 있는지 확인합니다. 슬라이더로 범위를 약 4000Hz로 제한하여 피크 영역으로 경계를 지정합니다. 파워 스펙트럼 플롯이 자동으로 로그 스케일에서 선형 스케일로 변경되고 선택한 범위로 확대됩니다.

결과로 생성되는 히스토그램 플롯에는 이제 스펙트럼 특징이 포함됩니다.

BandPower 특징 추적을 플로팅하여 전체 세그먼트 파워 스펙트럼과 어떻게 비교되는지 확인합니다. 특징 선택을 사용하여 다른 특징 추적의 선택을 해제합니다.

BandPower 특징에서 각 기계의 결함 진행 상황이 캡처됩니다. 다른 두 스펙트럼 특징에서는 결함 진행 상황이 추적되지 않습니다.

예지진단 순위 지정 방법으로 특징에 순위 지정하기

RUL 예측에 가장 좋은 성능을 보이는 특징을 확인하려면 특징에 순위를 지정하십시오. 앱은 세 가지 예지진단 순위 지정 방법을 제공합니다.

단조 특성은 시스템이 고장 상태에 가까워짐에 따라 나타나는 특징의 추세를 특성화합니다. 시스템이 점진적으로 고장 상태에 가까워짐에 따라, 적합한 상태 지표는 양의 단조 추세 또는 음의 단조 추세를 보입니다. 자세한 내용은 monotonicity를 참조하십시오.
추세 특성은 다중 RTF(run-to-failure) 실험으로 측정된 특징의 여러 궤적 사이의 유사성을 측정한 것입니다. 후보 상태 지표의 추세 특성은 측정값 간의 가장 작은 절대 상관으로 정의됩니다. 자세한 내용은 trendability를 참조하십시오.
예지진단 특성은 고장 시 특징의 변동성을 초기 값과 최종 값 사이 범위에 상대적으로 측정한 것입니다. 예지진단 가능성이 더 큰 특징은 초기 값과 최종 값 사이의 범위에서 상대적으로 볼 때 고장 시 변동이 더 적습니다. 자세한 내용은 prognosability를 참조하십시오.

특징 순위 지정을 클릭하고 FeatureTable1을 선택합니다. 상태 변수가 없기 때문에 앱은 기본적으로 예지진단 순위 지정 방법을 단조 특성으로 설정합니다.

4개 특징의 점수가 최댓값이거나 최댓값에 가깝습니다. 두 개의 특징 PeakAmp1 및 PeakFreq1의 점수는 상당히 낮습니다.

다른 두 가지 예지진단 방법에 대한 순위 지정을 추가합니다. 예지진단 순위 지정을 클릭하고 추세 특성을 선택합니다. 적용을 클릭한 다음 추세 특성 닫기를 클릭합니다.

예지진단 특성에 대해 이전 단계를 반복합니다. 이제 순위 지정 플롯에 세 가지의 순위 지정 결과가 모두 포함되었습니다.

순위 지정 결과가 스펙트럼 특징 추출하기에서 플로팅한 특징 추적과 일치합니다.

악화되는 결함을 추적하는 특징은 단조 특성의 점수가 높습니다. 이들 특징은 다른 두 방법에서도 점수가 높습니다.
PeakFreq1은 단조 특성 점수는 최하위에서 두 번째인데 추세 특성과 예지진단 특성에서는 둘 다 점수가 높습니다. 이러한 높은 점수는 결함이 가장 큰 시뮬레이션 종료 시점에 특징 궤적이 서로 근접하고 변동성이 낮아졌기 때문입니다.
PeakAmp1은 모든 순위 지정에서 점수가 낮습니다. 이는 이 특징이 결함의 진행 상황에 대해 둔감하다는 점과 기계 값의 변동성을 반영하고 있습니다.

모든 범주에서 좋은 점수를 받은 특징이 4개 있으므로 이들 특징 중에서 RUL 알고리즘에 사용할 특징 세트를 선택하십시오.

참고 항목

진단 특징 디자이너 | monotonicity | trendability | prognosability