- 회귀분석을 이용한 엔진 진동 통계량과 날씨 요인간의 관계분석

Presentation on theme: "- 회귀분석을 이용한 엔진 진동 통계량과 날씨 요인간의 관계분석"— Presentation transcript:

1 - 회귀분석을 이용한 엔진 진동 통계량과 날씨 요인간의 관계분석
졸업 논문 중간발표 - 회귀분석을 이용한 엔진 진동 통계량과 날씨 요인간의 관계분석 심재웅 김선환 박용현

2 목 차 연구주제 가설설정 연구목적 연구방법 및 진행방향 데이터 수집 및 정리 데이터 분석 참고문헌

3 Ⅰ. 연구주제

4 Ⅱ. 가설설정 기온이 높아질수록 엔진 진동량도 크지 않을까? 엔진 진동량은 날씨요인에 영향을 받을 것이다

5 Ⅲ. 연구목적 기대효과 결과의 적용 연구결과 날씨 요인으로 차후 객관성을 발생 될 수 있는 가진 테스트 공간 엔진 진동 검사의
불량률 감소 차후 객관성을 가진 테스트 공간 확보를 통하여 검사 신뢰성 확보 연구결과 엔진진동과 날씨 요인 간 상관관계 가 있음을 밝혀냄 공장 내 테스터의 위치에 피크값의 차이가 발생한다. 객관적 테스트 공간 배치를 통해 나타날 수 있는 검사 불량률의 가능성 감소 시킨다. Ex) 장비 위치 재설정, 온도 및 습도 조절장치 설치

6 Ⅳ. 연구방법 및 진행방향 (+), (-) 의 파형으로 움직여 평균값이 항상 0에
<전주 현대 자동차 공장 엔진 RMS 데이터 값> RMS 값 날짜 날짜순번 5.751 :23 1 5.629 :27 5.514 :35 5.017 :39 5.243 :46 5.107 :11 6.211 :15 5.333 :19 5.346 :24 4.954 :40 5.218 :43 5.471 :47 * 기후의 차이 = 엔진 효율성과 소음의 차이 * 엔진의 피크 값 – 엔진에 센서 부착, 진동 량 측정, 진동 은 (+), (-) 의 파형으로 움직여 평균값이 항상 0에 근사 -> 평균값 사용 불가 – 따라서 측정 주기별 최대 충격량을 나타내는 수치인 피크의 절대값을 사용하기 위해서 RMS값을 사용 (RMS 값-=소음의 크기와 직결) 6.232 :29 493 6.641 :42 6.037 :48 6.687 :53 5.74 :57 5.268 :01

7 Ⅳ. 연구방법 및 진행방향 < 기상청 날씨 데이터 > < 통계 분석 프로그램 SPSS >
∙ 기상청 날씨 데이터(전주지역)와 RMS값을 SPSS를 이용하여 회귀분석 실행 ∙ 이를 통해, 각 날씨 요인과 RMS값의 상관관계를 알아낼 수 있다.

8 Ⅴ. 데이터 수집 및 정리 < RMS 데이터 값의 평균 을 구함 > ∙ 날짜별 RMS 측정 횟수의 차이
순번 날짜 RMS 최저기온 최고기온 평균기온 습도 강수량 신적설 1 5.49 -0.7 14.1 6.5 48.8 2 5.34 0.2 18.1 9.1 52.6 3 5.83 4.6 20.6 12.3 44.9 4 5.62 8.2 16.2 12.4 72.4 0.5 5 5.84 9 20.7 14.5 63.9 6 5.85 10.4 20.8 62.3 1.5 7 5.50 2.5 10.7 5.8 54.4 8 5.67 7.8 3.1 54.5 5.45 -1.1 13 6.2 54.6 10 5.40 1.1 7.4 47.6 11 5.33 -0.2 48.9 12 5.21 4.9 17.6 12.1 42.5 3.92 13.7 18.7 15.7 59.9 14 5.46 10.3 25.1 17 66.6 15 9.7 19.7 14.3 74.9 5.5 16 9.3 14.4 11.5 74.4 7.5 5.27 7.1 15.8 10.9 69.4 18 5.16 5.9 11.2 53.5 19 데이터X 3.7 22.6 40.4 20 5.24 17.4 13.3 61.1 31.5 21 5.08 4.5 13.2 9.2 64.3 22 4.67 3.2 11.3 6.7 65.5 ∙ 날짜별 RMS 측정 횟수의 차이 => RMS 값의 평균을 구함 ∙ 중간에 빠진 데이터를 제거 => 493일 – 58일 = 435일

9 Ⅴ. 데이터 수집 및 정리 날씨 데이터 수집 < 기상청을 날씨 데이터를 수집하여 정리 > ∙ 최저기온 ∙ 최고기온
∙ 평균기온 ∙ 습도 ∙ 강수량 ∙ 신적설

10 Ⅴ. 데이터 수집 및 정리 < 날씨 요인들을 엑셀을 이용하여 정리 >

11 Ⅴ. 데이터 수집 및 정리 < 요소들을 통합하여 정리 > 총 날짜수 기간 435
< 요소들을 통합하여 정리 > 순번 날짜 RMS 최저기온 최고기온 평균기온 습도 강수량 신적설 1 5.49 -0.7 14.1 6.5 48.8 2 5.34 0.2 18.1 9.1 52.6 3 5.83 4.6 20.6 12.3 44.9 4 5.62 8.2 16.2 12.4 72.4 0.5 5 5.84 9 20.7 14.5 63.9 282 4.94 -7.5 -0.2 -4.1 53.9 283 4.81 -6.5 1.3 -2.4 61.8 284 4.76 -7.8 5.3 -1.8 64.6 285 4.73 -6.2 7.2 0.2 70 1.1 286 5.10 -1.7 1.7 0.1 90.6 3.1 4.2 432 6.47 22.5 26 24 93.1 195 433 6.57 24.5 28.8 25.9 93.8 19 434 6.68 24.7 31.7 26.5 89.3 15 435 6.49 31.1 26.6 86.3 10 총 날짜수 기간 435 ~

12 Ⅵ. 데이터 분석 < SPSS에 통합된 데이터 대입 > 종속변수 독립변수

13 Ⅵ. 데이터 분석 < SPSS의 선형 회귀분석 실행 > 독립변수와 종속변수를 선택 ∙ 종속변수 : RMS 값
∙ 독립변수 : 최저기온, 최고기온, 평균기온, 습도, 강수량, 신적설(적설량) 독립변수 6가지와 종속변수 간의 단순회귀분석을 수행한다.

14 Ⅵ. 데이터 분석 < 단순 회귀분석 실행 결과 > ∙ 결과값을 통해 독립변수와 종속변수 간의 상관 정도를
< 단순 회귀분석 실행 결과 > 기술통계량 평균 표준편차 N RMS 435 최저기온 10.318 모형 요약 모형 R R 제곱 수정된 R 제곱 추정값의 표준오차 1 .858a .736 a. 예측값: (상수), 최저기온 계수a 모형 비표준화 계수 표준화 계수 t 유의확률 B 표준오차 베타 1 (상수) 5.304 .029 .000 최저기온 .066 .002 .858 34.767 a. 종속변수: RMS ∙ 결과값을 통해 독립변수와 종속변수 간의 상관 정도를 파악할 수 있다.

15 Ⅵ. 데이터 분석 < 분석 결과값 해석 > ①최저기온 <표1-1> 최저기온이 RMS값에 미치는 영향
< 분석 결과값 해석 > ①최저기온 <표1-1> 최저기온이 RMS값에 미치는 영향 모형 요약 모형 R R 제곱 수정된 R 제곱 추정값의 표준오차 1 .858a .736 a. 예측값: (상수), 최저기온 독립변수 R제곱 B T 최저기온 .736　 .066 34.767*** 유의수준 .000 F = *** 분산분석b 모형 제곱합 자유도 평균 제곱 F 유의확률 1 회귀 모형 .000a 잔차 82.630 433 .191 합계 434 a. 예측값: (상수), 최저기온 b. 종속변수: RMS *** p < .05 결정계수(R제곱)값은 1에 가까울수록 모형의 적합도를 잘 설명한다고 할 수 있다. ∙ 73.6%로 모형을 설명 B값은 y = ax + b 의 계수를 설명 ∙ 즉, a = .066 이고 b = 5.304를 나타냄 유의수준 ∙ T값(34.767)의 유의확률이 .000으로 유의수준 .05에서 유의하다. (.000 < .05) 계수a 모형 비표준화 계수 표준화 계수 t 유의확률 B 표준오차 베타 1 (상수) 5.304 .029 .000 최저기온 .066 .002 .858 34.767 a. 종속변수: RMS

16 Ⅵ. 데이터 분석 ②최고기온 ③평균기온 ∙ 최고기온이 RMS값에 미치는 영향을 73.6% 만큼 설명해주고 있다.
기술통계량 평균 표준편차 N RMS 435 최고기온 20.677 기술통계량 평균 표준편차 N RMS 435 평균기온 15.112 모형 요약 모형 R R 제곱 수정된 R 제곱 추정값의 표준오차 1 .858a .736 a. 예측값: (상수), 최고기온 모형 요약 모형 R R 제곱 수정된 R 제곱 추정값의 표준오차 1 .873a .762 .761 a. 예측값: (상수), 평균기온 계수a 모형 비표준화 계수 표준화 계수 t 유의확률 B 표준오차 베타 1 (상수) 4.525 .047 96.389 .000 최고기온 .071 .002 .858 34.786 a. 종속변수: RMS 계수a 모형 비표준화 계수 표준화 계수 t 유의확률 B 표준오차 베타 1 (상수) 4.905 .035 .000 평균기온 .072 .002 .873 37.200 a. 종속변수: RMS ∙ 최고기온이 RMS값에 미치는 영향을 73.6% 만큼 설명해주고 있다. ∙ 유의수준 .05에서 유의하다 ∙ 평균기온이 RMS값에 미치는 영향을 76.2% 만큼 설명해주고 있다. ∙ 유의수준 .05에서 유의하다

17 Ⅵ. 데이터 분석 ④ 습도 ⑤ 강수량 ∙ 습도가 RMS값에 미치는 영향을 8.2% 만큼 설명해주고 있다.
기술통계량 평균 표준편차 N RMS 435 습도 65.696 기술통계량 평균 표준편차 N RMS 192 강수량 11.242 모형 요약 모형 R R 제곱 수정된 R 제곱 추정값의 표준오차 1 .286a .082 .080 a. 예측값: (상수), 습도 모형 요약 모형 R R 제곱 수정된 R 제곱 추정값의 표준오차 1 .191a .036 .031 a. 예측값: (상수), 강수량 계수a 모형 비표준화 계수 표준화 계수 t 유의확률 B 표준오차 베타 1 (상수) 4.793 .196 24.457 .000 습도 .018 .003 .286 6.216 a. 종속변수: RMS 계수a 모형 비표준화 계수 표준화 계수 t 유의확률 B 표준오차 베타 1 (상수) 6.100 .068 89.712 .000 강수량 .007 .003 .191 2.678 .008 a. 종속변수: RMS ∙ 습도가 RMS값에 미치는 영향을 8.2% 만큼 설명해주고 있다. ∙ 유의수준 .05에서 유의하다 ∙ 강수량이 RMS값에 미치는 영향을 3.6% 만큼 설명해주고 있다. ∙ 유의수준 .05에서 유의하다

18 Ⅵ. 데이터 분석 독립변수 R제곱 유의수준 ⑥ 신적설 <결과 요약> 최저기온 73.6% 최고기온 평균기온 76.2%
기술통계량 평균 표준편차 N RMS 14 신적설 2.564 3.8870 독립변수 R제곱 유의수준 최저기온 73.6% 유의　 최고기온 평균기온 76.2% 습도 8.2% 강수량 3.6% 신적설 20.2% 모형 요약 모형 R R 제곱 수정된 R 제곱 추정값의 표준오차 1 .449a .202 .135 a. 예측값: (상수), 신적설 계수a 모형 비표준화 계수 표준화 계수 t 유의확률 B 표준오차 베타 1 (상수) 4.723 .048 97.821 .000 신적설 .019 .011 .449 1.742 .107 a. 종속변수: RMS ∙ 6가지 독립변수 모두 유의수준 .05 에서 유의 ∙ 최저기온, 최고기온, 평균기온 만이 RMS값에 영향을 미친다고 결론지을 수 있다. ∙ 즉, 날씨 요인 중 기온 만이 RMS값에 영향을 줌 ∙ 적설량이 RMS값에 미치는 영향을 20.2% 만큼 설명해주고 있다. ∙ 유의수준 .05에서 유의하다

19 회귀분석의 정의 SPSS를 이용한 회귀분석 방법 Ⅶ. 참고문헌
Robert A. Yaffee, Ph.D. Statistics, Mapping and Social Science Group Academic Computing Services Information Technology Services New York University.

20 Ⅶ. 참고문헌 - 기어박스에 대한 진동분석 방법의 검토 및 전조
Lebold, M.; McClintic, K.; Campbell, R.; Byington, C.; Maynard, K., Review of Vibration Analysis Methods for Gearbox Diagnostics and Prognostics, Proceedings of the 54th Meeting of the Society for Machinery Failure Prevention Technology, Virginia Beach, VA, May 1-4, 2000, p