회전체 회전기계의 진동 기반 고장 검출 및 상태 감시에 관하여, 통계적 공정관리(statistical process control, SPC)와 통계적 패턴 인식 방법론을 결합한 접근이 많은 연구자들에 의해 폭넓게 조사되어 왔다. 특히 이산 웨이블릿 변환(discrete wavelet transform, DWT)은 회전기계에서 고장을 검출하는 데 있어 특징 추출을 위한 강력한 도구로 간주된다. DWT는 데이터를 유의하게 저차원화하지만, 유지되는 웨이블릿 특징의 수는 여전히 상당히 클 수 있다. 따라서 표준 다변량 SPC 기법의 사용은 권장되지 않는데, 이는 표본 공분산 행렬이 특이(singular)해질 가능성이 높아 공통적인 다변량 통계를 계산할 수 없기 때문이다. 이러한 결함을 해결하기 위해 많은 특징 기반 SPC 방법이 소개되었음에도 불구하고, 대부분의 방법은 공정관리의 특정 문제에 적용 가능성을 제한하는 매개변수적 분포 가정을 필요로 하며, 그 결과 적용 범위가 제한된다. 본 연구는 다중 스케일 웨이블릿 스칼라그램(multi-scale wavelet scalogram, MWS) 특징에 기반한 비모수(nonparametric) 다변량 관리도 방법을 제안함으로써, 기존 SPC 방법들이 지닌 매개변수 가정의 한계를 극복하고자 한다. 제안된 접근은 DWT를 이용한 다중해상도 분석의 장점을 활용하여, 유의하게 낮은 차원의 MWS 특징을 얻는다. 우리는 MWS를 사용하여 Hotelling의 형 모니터링 통계량을 계산하며, 이는 충분한 손상-판별 능력을 갖는다. 모니터링 통계량의 상한 관리한계(upper control limit)를 정하기 위해 분포 가정 없이 부트스트랩 접근법을 사용한다. 수치 시뮬레이션 결과, 베어링 시스템에 대해 다양한 손상 수준 시나리오에서 제안된 관리도 기법의 성능이 입증된다.
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.