RUL 추정기 모델을 사용한 RUL 추정

Predictive Maintenance Toolbox™에는 다양한 유형의 측정된 시스템 데이터로부터 RUL을 계산하도록 설계된 특화 모델이 있습니다. 이러한 모델은 다음과 같은 과거 데이터와 정보가 있는 경우에 유용합니다.

진단하고자 하는 기계와 유사한 기계들의 RTF(run-to-failure) 이력
고장을 나타내는 상태 지표의 알려진 임계값
비슷한 기계에서 고장이 발생하기까지 걸린 시간 또는 집계된 사용량에 대한 데이터(수명)

RUL 추정 모델은 과거 데이터를 사용하여 모델을 훈련시키고 이를 잔여 수명 예측을 수행하는 데 사용할 방법을 제공합니다. 여기서 수명이라는 용어는 시스템 수명을 측정하는 데 어떤 방법을 사용하든 그 수량으로 정의된 기계의 수명을 가리킵니다. 마찬가지로, 시간 변화는 사용량, 이동한 거리, 사이클 수 또는 수명을 기술하는 다른 수량이 포함된 값의 변화를 의미할 수 있습니다.

RUL 추정 모델을 사용하는 일반적인 워크플로는 다음과 같습니다.

갖고 있는 데이터 및 시스템 지식에 대해 가장 적합한 유형의 RUL 추정 모델을 선택합니다. 대응하는 모델 객체를 만들고 구성합니다.
갖고 있는 과거 데이터를 사용하여 추정 모델을 훈련시킵니다. 이렇게 하려면 fit 명령을 사용하십시오.
과거 데이터와 동일한 유형의 테스트 데이터를 사용하여 테스트 컴포넌트의 RUL을 추정합니다. 이렇게 하려면 predictRUL 명령을 사용하십시오. 테스트 데이터를 재귀적으로 사용해서 성능 저하 모델과 같은 일부 모델 유형을 업데이트하여 예측을 정확하게 유지할 수도 있습니다. 이렇게 하려면 update 명령을 사용하십시오.

이러한 단계를 보여주는 기본적인 예제는 데이터가 수신됨에 따라 RUL 예측 업데이트하기 항목을 참조하십시오.

RUL 추정기 선택하기

RUL 추정 모델은 세 가지 모델군으로 나뉩니다. 다음 그림에서 볼 수 있듯이, 갖고 있는 데이터와 시스템 정보를 기반으로 어느 모델군과 어느 모델을 사용할 것인지 선택합니다.

유사성 모델

유사성 모델은 과거 데이터베이스에서 비슷한 기계의 알려진 동작을 기반으로 하여 테스트 기계의 RUL 예측을 수행합니다. 이러한 모델은 테스트 데이터 또는 상태 지표 값의 추세를 다른 비슷한 시스템에서 추출한 동일한 정보와 비교합니다.

유사성 모델은 다음과 같은 경우에 유용합니다.

비슷한 시스템(컴포넌트)의 RTF 데이터가 있는 경우. RTF 데이터는 정상 작동 중에 시작되고 기계가 고장 또는 유지관리에 가까운 상태에 있을 때 종료되는 데이터입니다.
RTF 데이터가 비슷한 성능 저하 동작을 보이는 경우. 즉, 데이터는 시스템이 성능 저하를 겪을 때 특징적인 방식으로 변화합니다.

따라서 데이터 앙상블에서 성능 저하 프로파일을 얻을 수 있는 경우 유사성 모델을 사용할 수 있습니다. 성능 저하 프로파일은 기계가 정상 상태에서 결함 상태로 천이함에 따라 앙상블에 있는 각 기계(각 컴포넌트)의 하나 이상의 상태 지표에 일어나는 변화를 나타냅니다.

Predictive Maintenance Toolbox에는 세 가지 유형의 유사성 모델이 있습니다. 세 가지 유형 모두 테스트 데이터 세트의 성능 저하 이력과 앙상블에 있는 데이터 세트의 성능 저하 이력 사이의 유사성을 확인하여 RUL을 추정합니다. 유사성 모델에 대해, predictRUL은 테스트 컴포넌트의 RUL을 가장 비슷한 컴포넌트의 수명 중앙값에서 테스트 컴포넌트의 현재 수명 값을 뺀 값으로 추정합니다. 세 가지 모델은 유사성이라는 개념을 정의하고 수량화하는 방식에 차이가 있습니다.

해시 특징 유사성 모델(hashSimilarityModel) — 이 모델은 앙상블의 각 멤버의 과거 성능 저하 데이터를 평균, 총 파워, 최댓값/최솟값 또는 그 밖의 수량과 같은 고정 크기의 응축된 정보로 변환합니다.
hashSimilarityModel 객체에 대해 fit을 호출하면 소프트웨어는 이러한 해시 특징을 계산하여 유사성 모델에 저장합니다. 테스트 컴포넌트의 데이터를 사용하여 predictRUL을 호출하면 소프트웨어는 해시 특징을 계산하고 그 결과를 과거 해시 특징으로 구성된 테이블의 값과 비교합니다.
해시 특징 유사성 모델은 예측에 필요한 데이터 저장 공간의 양을 줄여 주기 때문에 다량의 성능 저하 데이터가 있는 경우에 유용합니다. 그러나 그 정확도는 모델에서 사용하는 해시 함수의 정확도에 따라 달라집니다. 데이터에서 양호한 상태 지표를 식별한 경우, hashSimilarityModel 객체의 Method 속성을 사용하여 해당 특징을 사용하도록 해시 함수를 지정할 수 있습니다.
쌍별 유사성 모델(pairwiseSimilarityModel) — 쌍별 유사성 추정은 과거 성능 저하 경로가 테스트 컴포넌트의 과거 성능 저하 경로와 가장 상관관계가 큰 컴포넌트를 찾아서 RUL을 확인합니다. 즉, 쌍별 유사성 추정은 여러 시계열 사이의 거리를 계산하는데, 여기서 거리는 상관, 동적 시간 워핑(dtw) 또는 사용자가 제공하는 사용자 지정 메트릭으로 정의됩니다. 쌍별 유사성 추정은 시간에 따라 변하는 성능 저하 프로파일을 고려함으로써 해시 유사성 모델보다 더 나은 결과를 제공할 수 있습니다.
잔차 유사성 모델(residualSimilarityModel) — 잔차 기반 추정은 이전 데이터를 모델(예: ARMA 모델, 사용 시간이 선형 또는 지수인 모델 등)에 피팅합니다. 그런 다음 앙상블 모델에서 예측된 데이터와 테스트 컴포넌트의 데이터 사이의 잔차를 계산합니다. 잔차 유사성 모델은 쌍별 유사성 모델의 변형이라고도 볼 수 있으며, 여기서 잔차의 크기는 거리 측정법이 됩니다. 잔차 유사성 접근 방식은 시스템에 대한 지식에 성능 저하 모델의 형태가 포함된 경우에 유용합니다.

RUL 추정에 유사성 모델을 사용하는 예제는 유사성 기반 잔여 수명 추정 항목을 참조하십시오.

성능 저하 모델

성능 저하 모델은 과거의 동작을 외삽하여 미래의 상태를 예측합니다. 이 유형의 RUL 계산에서는 앙상블에 성능 저하 프로파일이 주어진 경우 상태 지표의 성능 저하 프로파일에 선형 또는 지수 모델을 피팅합니다. 그런 다음 테스트 컴포넌트의 성능 저하 프로파일을 사용하여 지표가 미리 정해진 임계값에 도달하기까지의 잔여 시간을 통계적으로 계산합니다. 이러한 모델은 고장을 나타내는 상태 지표의 알려진 값이 있는 경우에 가장 유용합니다. 사용 가능한 두 가지 성능 저하 모델 유형은 다음과 같습니다.

선형 성능 저하 모델(linearDegradationModel) — 성능 저하 동작을 오프셋 항을 갖는 선형 확률 과정(Stochastic Process)으로 기술합니다. 선형 성능 저하 모델은 시스템이 누적 성능 저하를 겪지 않는 경우에 유용합니다.
지수 성능 저하 모델(exponentialDegradationModel — 성능 저하 동작을 오프셋 항을 갖는 지수 확률 과정(Stochastic Process)으로 기술합니다. 지수 성능 저하 모델은 테스트 컴포넌트가 누적 성능 저하를 겪는 경우에 유용합니다.

성능 저하 모델 객체를 만든 후에는 비슷한 컴포넌트(예: 동일한 사양으로 제조된 여러 기계)로 구성된 앙상블의 건전성과 관련된 과거 데이터를 사용하여 모델을 초기화합니다. 이렇게 하려면 fit를 사용하십시오. 그런 다음 predictRUL을 사용하여 비슷한 컴포넌트의 잔여 수명을 예측할 수 있습니다.

성능 저하 모델에서는 단일 상태 지표만 사용할 수 있습니다. 단, 주성분 분석 또는 기타 융합 기법을 사용하여 둘 이상의 상태 지표의 정보를 통합하는 융합된 상태 지표를 생성할 수 있습니다. 단일 지표를 사용하든 융합된 지표를 사용하든, 모델링과 외삽이 안정성을 갖도록 명확한 증가 추세 또는 감소 추세를 보이는 지표를 찾으십시오.

이 접근 방식으로 성능 저하 모델을 사용하여 RUL을 추정하는 예제는 풍력 터빈 고속 베어링 예지진단 항목을 참조하십시오.

생존 모델

생존 분석은 이벤트가 발생하기까지 걸리는 시간 데이터를 모델링하는 데 사용되는 통계적 방법입니다. 생존 모델은 완전한 RTF 이력은 없으나 그 대신 다음과 같은 데이터가 있는 경우에 유용합니다.

비슷한 컴포넌트의 수명에 대한 데이터만 있는 경우. 예를 들어, 앙상블에 포함된 각 엔진이 유지관리가 필요하게 될 때까지 몇 마일을 주행했는지 또는 앙상블에 포함된 각 기계가 고장이 발생하게 될 때까지 몇 시간을 작동했는지를 알고 있을 수 있습니다. 이 경우 reliabilitySurvivalModel을 사용합니다. 이 모델은 비슷한 컴포넌트 모음의 고장 수명에 대한 과거 정보가 주어진 경우 고장 수명의 확률 분포를 추정합니다. 분포는 테스트 컴포넌트의 RUL을 추정하는 데 사용됩니다.
수명과 함께, RUL과 상관관계가 있는 다른 변수 데이터(공변량)가 있는 경우. 환경 변수 또는 설명 변수라고도 하는 공변량은 컴포넌트 제공자, 컴포넌트가 사용된 영역, 제조 배치(batch)와 같은 정보로 구성됩니다. 이 경우 covariateSurvivalModel을 사용합니다. 이 모델은 수명과 공변량을 사용하여 테스트 컴포넌트의 생존 확률을 계산하는 비례 위험 생존 모델입니다.

참고 항목