신호 기반 상태 지표

신호 기반 상태 지표는 신호 데이터의 처리로부터 도출된 수량입니다. 상태 지표는 시스템의 성능 저하가 진행됨에 따라 신뢰할 수 있는 방식으로 변화하는 신호의 일부 특징을 캡처합니다. 예측 정비 알고리즘을 설계할 때는 이러한 상태 지표를 사용하여 정상적인 기계 작동과 결함 있는 기계 작동을 구분합니다. 또는 상태 지표의 추세를 사용하여 마모나 그 밖의 진행 중인 결함 상태를 암시하는 시스템 성능 저하를 식별할 수도 있습니다.

신호 기반 상태 지표는 시간 영역, 주파수 영역, 시간-주파수 분석을 비롯한 모든 유형의 신호 처리를 사용하여 추출할 수 있습니다. 신호 기반 상태 지표의 예는 다음과 같습니다.

시스템의 성능 변화가 진행됨에 따라 변하는 신호의 평균값
신호의 무질서한 동작을 측정하는 수량(이 수량의 존재 자체가 결함 상태를 암시하는 것일 수 있음)
신호 스펙트럼에서의 피크 크기, 또는 주파수 영역에서의 동작 변화가 기계 상태의 변화를 암시하는 경우 피크 크기가 발생하는 주파수

실제 현장에서는 데이터를 탐색하고 여러 상태 지표로 실험을 거듭해 기계, 데이터, 결함 상태에 가장 적합한 상태 지표를 찾아야 할 수 있습니다. 신호 분석에 사용하여 신호 기반 상태 지표를 생성하는 데 쓸 수 있는 여러 함수가 있습니다. 이어지는 섹션에서는 그중 몇 가지 함수에 대해 설명합니다. 이러한 함수는 배열 또는 타임테이블에 포함된 신호(예: 앙상블 데이터저장소에서 추출된 신호)에 사용할 수 있습니다. (상태 모니터링 및 예측 정비를 위한 데이터 앙상블 항목을 참조하십시오.)

시간 영역 상태 지표

간단한 시간 영역 특징

시간 신호의 간단한 통계적 특징이 결함 상태와 정상 상태를 구분하는 상태 지표 역할을 할 수 있는 시스템도 있습니다. 예를 들어, 신호의 평균값(mean)이나 표준편차(std)는 시스템 상태가 저하됨에 따라 변할 수 있습니다. 또는 skewness, kurtosis와 같은 신호의 더 높은 차수의 모멘트를 시도해 볼 수도 있습니다. 이러한 특징을 사용하여 정상 작동과 결함 작동을 구분하는 임계값을 식별해 볼 수도 있고 시스템 상태의 변화를 표시하는 급격한 값의 변화를 찾아볼 수도 있습니다.

그 밖에도 다음과 같은 함수를 사용하여 간단한 시간 영역 특징을 추출할 수 있습니다.

peak2peak — 신호의 최댓값과 최솟값의 차이.
envelope — 신호 포락선.
dtw — 동적 시간 워핑을 사용한 신호 간 거리.
rainflow — 피로 해석을 위한 주기 개수 세기.

시계열 데이터의 비선형 특징

무질서한 신호가 나타나는 시스템에서는 특정 비선형 속성이 시스템 동작의 급격한 변화를 나타낼 수 있습니다. 이러한 비선형 특징은 베어링, 기어, 엔진과 같은 시스템의 진동 및 음향 신호를 분석하는 데 유용할 수 있습니다. 비선형 특징은 결함 상태가 발생하기도 전에 일어나는 기반 시스템 동특성의 위상 공간 궤적의 변화를 반영할 수 있습니다. 따라서 비선형 특징을 사용하여 시스템의 동특성을 모니터링하는 것은 베어링이 살짝 마모된 경우와 같은 잠재적인 결함을 조기에 식별하는 데 도움이 될 수 있습니다.

Predictive Maintenance Toolbox™에는 비선형 신호 특징을 계산하는 몇 가지 함수가 있습니다. 이러한 수량은 시스템에 존재하는 무질서의 수준을 특성화하는 다양한 방법을 대표합니다. 무질서한 동작이 증가하는 것은 결함 상태가 진행 중임을 뜻할 수 있습니다.

lyapunovExponent — 가장 큰 랴푸노프 지수를 계산합니다. 가장 큰 랴푸노프 지수는 인근 위상 공간 궤적의 분리율을 특성화합니다.
approximateEntropy — 시간 영역 신호의 근사 엔트로피를 추정합니다. 근사 엔트로피는 신호의 규칙성 또는 불규칙성의 양을 수량화합니다.
correlationDimension — 신호의 상관 차원을 추정합니다. 상관 차원은 신호가 차지하는 위상 공간의 차원 수를 측정한 값입니다. 상관 차원의 변화는 기반 시스템의 위상 공간 동작의 변화를 나타냅니다.

이러한 비선형 특징의 계산에는 phaseSpaceReconstruction 함수가 사용됩니다. 이 함수는 모든 동적 시스템 변수를 포함하는 위상 공간을 재구성합니다.

Simulink를 사용하여 결함 데이터 생성하기 예제에서는 시간 영역 특징과 이러한 비선형 특징 모두를 여러 결함 상태를 진단하기 위한 후보로 사용합니다. 이 예제에서는 시뮬레이션된 데이터 앙상블의 모든 멤버에 대해 모든 특징을 계산한 다음 결과로 생성되는 특징 테이블을 사용하여 분류기를 훈련시킵니다.

주파수 영역 상태 지표

스펙트럼 분석을 통해 정상 상태와 결함 상태를 구분하는 데 유용한 신호 특징을 생성할 수 있는 시스템도 있습니다. 주파수 영역 상태 지표를 계산하기 위해 다음과 같은 일부 함수를 사용할 수 있습니다.

meanfreq — 신호의 파워 스펙트럼의 평균 주파수.
powerbw — 신호의 3dB 전력 대역폭.
findpeaks — 신호의 국소 최댓값의 값과 위치. 신호를 주파수 영역으로 변환하여 전처리하는 경우, findpeaks를 사용하여 스펙트럼 피크의 주파수를 구할 수 있습니다.

진동 신호를 사용한 상태 모니터링 및 예지진단 예제에서는 이러한 주파수 영역 분석을 사용하여 상태 지표를 추출합니다.

주파수 영역 특징 추출에 사용할 수 있는 함수 목록은 상태 지표 설계하기 항목을 참조하십시오.

시간-주파수 상태 지표

시간-주파수 스펙트럼 속성

시간-주파수 스펙트럼 속성은 시간에 따른 신호의 스펙트럼 성분 변화를 특성화하는 또 다른 방법입니다. 시간-주파수 스펙트럼 분석을 기반으로 상태 지표를 계산하는 데 사용할 수 있는 함수는 다음과 같습니다.

pkurtosis — 스펙트럼 첨도를 계산합니다. 이 값은 주파수 영역에서 비정상(Nonstationary) 또는 비가우스 동작으로부터 정상 가우스 신호 동작을 구분하여 신호를 특성화합니다. 스펙트럼 첨도는 정상 가우스 잡음만 있는 주파수에서는 작은 값을 갖고, 과도 상태가 발생하는 주파수에서는 큰 양수 값을 갖습니다. 스펙트럼 첨도는 그 자체로 상태 지표가 될 수 있습니다. pkurtosis를 사용하여 특징을 추출하기 전에 kurtogram을 사용하여 스펙트럼 첨도를 시각화할 수 있습니다. 포락선 분석과 같은 여타 툴의 전처리와 마찬가지로, 스펙트럼 첨도로부터 최적 대역폭과 같은 핵심적인 입력값을 얻을 수 있습니다.
pentropy — 스펙트럼 엔트로피를 계산합니다. 스펙트럼 엔트로피는 정보 성분에 대한 측정값을 제공하여 신호를 특성화합니다. 매끄러운 기계 작동이 백색 잡음과 같은 균일 신호를 발생시킬 것으로 예상되는 상황에서, 이보다 큰 값의 신호 성분은 기계의 마모나 결함을 의미할 수 있습니다.

구름 요소 베어링 결함 진단 예제에서는 결함 데이터의 스펙트럼 특징을 사용하여 베어링 시스템의 두 가지 결함 상태를 구분하는 상태 지표를 계산합니다.

시간-주파수 모멘트

시간-주파수 모멘트는 주파수가 시간에 따라 변하는 신호인 비정상(Nonstationary) 신호를 특성화할 효율적인 방법을 제공합니다. 고전적인 푸리에 해석으로는 시간에 따라 변하는 주파수 동작을 캡처할 수 없습니다. 단시간 푸리에 변환 또는 여타 시간-주파수 분석 기법으로 생성된 시간-주파수 분포는 시간에 따라 변하는 동작을 캡처할 수 있습니다. 시간-주파수 모멘트는 이러한 시간-주파수 분포를 더 간결하게 특성화할 방법을 제공합니다. 시간-주파수 모멘트에는 다음과 같은 세 가지 유형이 있습니다.

tfsmoment — 조건부 스펙트럼 모멘트로, 시간에 따른 스펙트럼 모멘트의 변형입니다. 따라서 예를 들어 2차 조건부 스펙트럼 모멘트에 대해 tfsmoment는 각 시점에서의 주파수의 순시 분산을 반환합니다.
tftmoment — 조건부 시간 모멘트로, 주파수를 갖는 시간 모멘트의 변형입니다. 따라서 예를 들어 2차 조건부 시간 모멘트에 대해 tftmoment는 각 주파수에서의 신호의 분산을 반환합니다.
tfmoment — 결합 시간-주파수 모멘트. 이 스칼라 수량은 시간과 주파수 둘 다에 대한 모멘트를 캡처합니다.

instfreq를 사용하여 순시 주파수를 시간의 함수로 계산할 수도 있습니다.