TWI426242B - 動力設備異常檢測裝置及其檢測方法 - Google Patents
動力設備異常檢測裝置及其檢測方法 Download PDFInfo
- Publication number
- TWI426242B TWI426242B TW99137868A TW99137868A TWI426242B TW I426242 B TWI426242 B TW I426242B TW 99137868 A TW99137868 A TW 99137868A TW 99137868 A TW99137868 A TW 99137868A TW I426242 B TWI426242 B TW I426242B
- Authority
- TW
- Taiwan
- Prior art keywords
- power device
- signal
- abnormality detecting
- operating state
- feature values
- Prior art date
Links
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Description
本發明係關於一種針對動力設備運作的監測與診斷,特別係指一種動力設備異常檢測裝置及其檢測方法。
一般來說,動力設備在故障發生前,常常會出現性能的衰退與耗能的增加,但這些現象並不會立即影響到設備的運轉,因此時常不會被使用者所發現,此結果除了會增加故障發生機率與縮短設備壽命外,動力設備效能降低與耗能的增加,對於產業競爭力與環境保護都有著負面的影響。
動力設備(例如馬達)的診斷模式大多是利用一感測器來感測動力設備運作的狀態,再透過有線或無線傳輸方式將所感測到的資料傳送到後端系統做進一步的分析。但此種模式需要透過大量的資料傳輸頻寬,主要原因在於為了確保分析診斷的有效性及穩定性,盡可能地將所有感測器所接收到運作狀態資料完整的發送至後端系統中。
因此,如何能夠透過一種方法或手段,除了保有一樣精確的分析診斷能力,先將感測的運作狀態資料進行處理,以減少需要傳送至後端系統的資料量,進而達到有效降低資料傳輸頻寬大小、提昇資料傳輸穩定性、縮短診斷更新時間與降低建置成本等功效,長久以來一直是相關廠商努力的目標。
鑒於以上的問題,本發明提供一種動力設備異常檢測裝置及其檢測方法。藉由將感測的運作狀態資料預先進行處理,以達到有效降低資料傳輸頻寬大小、提昇資料傳輸穩定性、縮短診斷更新時間與降低建置成本。
根據本發明所揭露之動力設備異常檢測裝置,係包括一感測模組、一處理模組、一最佳化處理模組及一分類診斷模組。感測模組係用以感測一動力設備以取得多個運轉訊號。處理模組係連接於該感測模組,以接收該些運轉訊號,並依序自各該運轉訊號取得多個特徵值。
最佳化處理模組係連接該處理模組,以接收該些特徵值,並分類該些特徵值來建立多個因素群組。其中,最佳化處理模組可利用因素分析方法,將特徵值依關聯性分類出多個因素群組。各該因素群組具有一代表該因素群組之變異特徵值,該些變異特徵值之數量係少於該些特徵值之數量。
分類診斷模組係連接該最佳化處理模組用以接收該些因素群組,並依據一預設規則與該些因素群組發送一狀態訊號。此預設規則可為一分類列表,分類列表包括一正常項目及一異常項目。正常項目為動力設備運轉時的正常情況,異常項目則為表示運轉時異常的情況,例如,異常項目可包括但不限於不平衡情況、不對心情況、潤滑情況、共振情況、軸承損壞情況、軸彎曲情況、鬆動情況、相位不平衡情況、電位不平衡情況、諧波倍頻情況及短路情況。
因此,藉由上述之動力設備異常檢測裝置,檢測裝置可設置於一動力設備上,透過最佳化處理模組利用因素分析方法將動力設備上所感測之運轉訊號簡化,直接透過分類診斷模組來進行動力設備運作情況的判斷,無須將所感測的運轉訊號發送至後端系統來進行直接且即時的處理,以達到縮短診斷更新時間與降低建置成本。再者,即便未來仍需要後端系統來進行處理(例如:透過一遠端伺服器匯整多個動力設備的運作狀態),經因素分析方法所歸納出的變異特徵值的數量低於自各該運轉訊號所取得之特徵值的數量,故可達到降低資料傳輸頻寬大小和提昇資料傳輸穩定性的功效。
根據本發明所揭露之動力設備異常檢測方法,透過偵測動力設備運轉的資訊來進行異常參數的檢測與診斷。動力設備異常檢測方法,首先利用一訊號處理方法自該動力設備取得多個運轉訊號,並自運轉訊號中擷取多個特徵值。接著,再將特徵值依關聯性進行分類以建立多個因素群組,而各該因素群組具有一變異特徵值。最後再將所取得變異特徵值大於1之因素群組,利用類神經網路和經驗法則得到此動力設備的運作狀態,並依一預設規則判斷動力設備之運作狀態是否異常。
其中,當類神經網路和經驗法則所判斷的運作狀態不一致時,根據該些因素群組修正類神經網路之模型,直到兩者判斷出來的運作狀態結果一致。
運轉訊號可為動力設備之振動訊號、溫度訊號、磁通訊
號、電流訊號或電壓訊號。處理模組係將所感測之運轉訊號透過一時域轉換處理或一多尺度熵(Multiscale Entropy,MSE)運算以取得特徵值,特徵值可為振動訊號之倍頻峰值或特徵頻率值。時域轉換處理可採用一離散傅立葉轉換處理(Discrete Fourier Transform,DFT)、一快速傅立葉轉換處理(Fast Fourier Transform,FFT)、一離散餘弦轉換處理(Discrete Cosine Transformation,DCT)、一離散哈特利轉換處理(Discrete Hartley Transform,DHT)、一小波轉換處理(Wavelet Transform,WT)或一功率頻率處理(Power Spectrum)。
用以判斷動力設備之運作狀態是否異常之預設規則可為一分類列表,分類列表包括一正常項目及一異常項目。正常項目為動力設備運轉時的正常情況,異常項目則為表示運轉時異常的情況,例如,異常項目可包括但不限於不平衡情況、不對心情況、潤滑情況、共振情況、軸承損壞情況、軸彎曲情況、鬆動情況、相位不平衡情況、電位不平衡情況、諧波倍頻情況及短路情況。
於此,當透過類神經網路取得動力設備之運作狀態後,可根據上述之預設規則判斷此動力設備可能是哪一部份發生異常情況。類神經網路則可採用一倒傳遞類神經網路(Back Propagation Network,BPN)、一霍普菲爾網路(Hopfield Neural Network,HNN)、一徑向基底類神經網路(Radial Basis Function Network,RBFN)、一模糊類神經網路(Fuzzy Neural Network,
FNN)或一函數鏈路類神經網路(Functional Link Neural Network,FLNN)。經驗法則為一特徵頻譜、一臨界門檻、一軌跡圖、一包絡線、一諧波分析或其組合。
因此,透過本發明之動力設備異常檢測方法,可透過感測一動力設備之運轉訊號,並透過因素分析方法簡化自運轉訊號所取得之特徵值的數量和大小,可適用於資源消耗較小的微處理器中,直接進行運算處理來判斷動力設備的運作狀態,無須將所感測到的運轉訊號傳送至後端系統,後端系統僅需要接收判斷結果,可達到降低資料傳輸頻寬大小、提昇資料傳輸穩定性、縮短診斷更新時間與降低建置成本的功效。
有關本發明的特徵、實作與功效,茲配合圖式作實施例詳細說明如下。
請參考『第1圖』所示,『第1圖』係本發明之動力設備異常檢測裝置的示意圖。動力設備異常檢測裝置100可為一嵌入式系統晶片或一個人數位助理裝置(Personal Digital Assistant,PDA)等資料處理裝置,動力設備異常檢測裝置100係設置於一動力設備200並包括一感測模組110、一處理模組120、一最佳化處理模組130及一分類診斷模組140。
感測模組110係用以感測動力設備100以取得多個運轉訊號,以馬達為例,感測模組110除透過振動程度感測動力設備100之振動訊號資料外,亦取得溫度、磁通、電流、轉速、電
壓等馬達運作時的運轉訊號。
處理模組120根據感測模組110所感測到的運轉訊號,利用一訊號處理方法自運轉訊號中擷取多個特徵值。以振動訊號來說,處理模組120利用快速傅立葉轉換處理方法將運轉訊號自時域轉換成頻域,並透過轉速換算出振動訊號的基頻,再依序自頻域之振動訊號擷取出0.5倍頻、1倍頻至12倍頻,所擷取之倍頻訊號即為對應振動訊號之特徵值。
最佳化處理模組130係連接該處理模組120,以接收該些特徵值,並分類該些特徵值來建立多個因素群組。其中,最佳化處理模組130可利用因素分析方法,將特徵值依關聯性分類出多個因素群組。各該因素群組具有一代表該因素群組之變異特徵值,該些變異特徵值之數量係少於該些特徵值之數量。
分類診斷模組140係連接該最佳化處理模組130用以接收該些因素群組,並依據一預設規則與該些因素群組發送一狀態訊號,以判斷動力設備的運作情況。此預設規則可為一分類列表,分類列表包括一正常項目及一異常項目。正常項目為動力設備運轉時的正常情況,異常項目則為表示運轉時異常的情況,例如,異常項目可包括但不限於不平衡情況、不對心情況、潤滑情況、共振情況、軸承損壞情況、軸彎曲情況、鬆動情況、相位不平衡情況、電位不平衡情況、諧波倍頻情況及短路情況。
請參考『第2A圖』所示,『第2A圖』係本發明之動力設備異常檢測裝置一實施例的示意圖。動力設備異常檢測裝置更
包括一警示裝置150,該警示裝置150係用以接收該狀態訊號,並當該狀態訊號為該異常時,用以通知使用者。警示裝置150可為但不限於一振動模組、一發光模組、一顯示模組、一聲響模組或其組合,以透過振動警示、燈光警示、訊息警示或聲音警示等方式來通知使用者動力設備200的運作發生異常。
請參考『第2B圖』所示,『第2B圖』係本發明之動力設備異常檢測裝置另一實施例的示意圖。動力設備異常檢測裝置更包括一傳輸模組160,傳輸模組160係連接該分類診斷模組140,用以接收該狀態訊號,並透過有線或無線的傳輸方式將該狀態訊號發送至警示裝置150。
請參考『第2C圖』所示,『第2C圖』係本發明之動力設備異常檢測裝置又一實施例的示意圖。動力設備異常檢測裝置更包括一記憶模組170,記憶模組170用以儲存該動力設備200之該些運轉訊號,當使用者有需要讀取動力設備之運轉訊號來進行進一步的分析,再透過存取記憶模組170來取得所需的運轉訊號。記憶模組170可供設置記憶卡以儲存感測之運轉訊號,記憶卡可為一小型快閃(Compact Flash,CF)記憶卡、一微型硬碟(Micro Drive,MD)記憶卡、一安全數位(Secure Digital,SD)記憶卡、一微型安全數位(Micro SD)記憶卡、一多媒體(Multi Media Card,MMC)記憶卡、一長條(Memory Stick,MS)記憶卡或一微型長條(Micro MS)記憶卡。
因此,藉由上述之動力設備異常檢測裝置,檢測裝置可設
置於一動力設備上,透過最佳化處理模組利用因素分析方法將自動力設備上所感測之運轉訊號簡化,直接透過分類診斷模組來進行動力設備運作情況的判斷,無須將所感測的運轉訊號發送至後端系統來進行直接且即時的處理,以達到縮短診斷更新時間與降低建置成本。再者,即便未來仍需要後端系統來進行處理(例如:透過一遠端伺服器匯整多個動力設備的運作狀態),經因素分析方法所歸納出的變異特徵值的數量低於自各該運轉訊號所取得之特徵值的數量,故可達到降低資料傳輸頻寬大小和提昇資料傳輸穩定性的功效。
請參考『第3圖』所示,『第3圖』係本發明之動力設備異常檢測方法的步驟流程圖。動力設備異常檢測方法係應用於一動力設備,包括:步驟S300:利用一訊號處理方法自該動力設備取得多個運轉訊號;步驟S310:自該些運轉訊號取得對應於各該運轉訊號之多個特徵值;步驟S320:將該些特徵值進行分組,以建立多個因素群組,各該因素群組具有一變異特徵值;步驟S330:根據該些因素群組,利用一類神經網路判斷該動力設備運轉之一第一運作狀態;步驟S340:根據該些特徵值,利用一經驗法則判斷該動力裝置運轉之一第二運作狀態;
步驟S350:比較該第一運作狀態與該第二運作狀態是否相同;步驟S360:當該第一運作狀態與該第二運作狀態不相同時,根據該些因素群組修正該類神經網路,直到該第一運作狀態與該第二運作狀態相同;步驟S370:當該第一運作狀態與該第二運作狀態相同時,根據一預設規則判斷該第一運作狀態是否異常;步驟S380:若判斷該第一運作狀態為異常,則發送一異常訊號;以及步驟S390:若判斷該第一運作狀態為正常,則發送一正常訊號。
請參考『第4A圖』所示,『第4A圖』係第3圖中步驟S310之一實施例流程圖。步驟S310所述之自該些運轉訊號取得對應於各該運轉訊號之多個特徵值,運轉訊號包括振動訊號、溫度訊號、磁通訊號、電流訊號或電壓訊號。步驟S310包括:步驟S311:感測該動力設備,以取得該些運轉訊號;步驟S312:利用一時域轉換處理,將該運轉訊號之一時域資料轉換為一頻域資料;以及步驟S313:自該頻域資料擷取多個特徵值。
其中,時域轉換處理可為一離散傅立葉轉換處理、一快速傅立葉轉換處理、一離散餘弦轉換處理、一離散哈特利轉換處理、一小波轉換處理或一功率頻率處理。
以馬達的振動訊號來說,當振動訊號經過快速傅立葉轉換處理,基頻(諧波)可透過以下公式計算:第一基頻位置=((1*轉速*運轉訊號之資料長度)/(60*頻譜擷取頻率));第二基頻位置=((2*轉速*運轉訊號之資料長度)/(60*頻譜擷取頻率));以此類推。
舉例:假設感測一每分鐘1800轉的馬達,來取得一16千位元組的運轉訊號,取頻率為12千赫茲的頻域,則第一基頻的位置可為40。
據此,當步驟S311取得一代表馬達振動訊號之運轉訊號時,透過步驟S312將運轉訊號自時域資料轉換為頻域資料,再依序自頻域之運轉訊號擷取出0.5倍頻、1倍頻至12倍頻位置的值,所擷取之倍頻訊號即為對應振動訊號之特徵值,這些特徵值的數量為24個,並根據倍頻的大小分別定義為0.5x、1x、1.5x、2x、2.5x、3x、3.5x、4x、4.5x、5x、5.5x、6x、6.5x、7x、7.5x、8x、8.5x、9x、9.5x、10x、10.5x、11x、11.5x及12x。
請參考『第4B圖』所示,『第4B圖』係第3圖中步驟S310之另一實施例流程圖。相較第4A圖所示之步驟S310的實施例,第4B圖所示之步驟S310實施例係透過多尺度熵(Multiscale Entropy,MSE)運算來取得運轉訊號之特徵值,此實施例包括:步驟S314:感測該動力設備,以取得該些運轉訊號;以及步驟S315:將去除雜訊後之該些運轉訊號透過一多尺度熵
(Multiscale Entropy,MSE)運算,以取得對應該運轉訊號之該些特徵值。
步驟S314和S315之間更可包括一步驟S316,步驟S316:利用小波轉換對該些運轉訊號進行雜訊處理。主要原因在於經過感測所取得之運轉訊號可能具有雜訊,透過小波轉換處理可以達到抑制雜訊的功效。
請參考『第3圖』及『第4C圖』所示,『第4C圖』係第3圖中步驟S320之步驟流程圖。待取得該些對應於運轉訊號之多個特徵值(步驟S310),動力設備異常檢測方法再透過因素分析方法簡化這些特徵值,如步驟S320所述之將該些特徵值進行分組,以建立多個因素群組,各該因素群組具有一變異特徵值,步驟S320包括:步驟S321:利用因素分析方法對該些特徵值分群,以建立該些因素群組;步驟S322:依序計算各該因素群組中該些特徵值,以取得一變異特徵值;以及步驟S323:保留該些變異特徵值大於1的變異特徵值。
藉由上述之步驟S321至步驟S323,並撘配上述步驟S310所取得之對應振動訊號的特徵值為變數,可得到下列表一之結果。
表一
以表一為例子來說明步驟S322是如何取得各因素群組之變異特徵值。首先,係將24個倍頻特徵值(0.5x、1x、1.5x、2x、2.5x、3x、3.5x、4x、4.5x、5x、5.5x、6x、6.5x、7x、7.5x、8x、8.5x、9x、9.5x、10x、10.5x、11x、11.5x及12x)算出樣本共變數矩陣S,共變數矩陣表示如下:
其中var表示變異數,cov表示共變異數。
接著,再從共變數矩陣中算出24個變異特徵值λ1
,...,λ24
,分別為方程式
的解。所以即可解出λ1
=7.431,λ2
=3.257,λ3
=1.258,λ4
=1.206,λ5
=1.124,…,λ24
=0.029,再依照計算結果,將變異特徵值大於1作為選取因素群組個數之原則,以表一為例,共計挑出五個因素群組作為類神經網路之輸入變數。
而透過因素分析來對特徵值分群(步驟S321),由於每一個倍頻特徵值在五個因素群組之下都有其負荷值,透過選擇在其某一因素群組下最大之負荷值,來表示特徵值所屬之因素群組。以1X的倍頻特徵值為例,在因素一之負荷為-0.260,在因素二之負荷為0.899,在因素三之負荷為-0.038,在因素四之負荷為-0.092,在因素五之負荷為-0.015,其中又以1X在因素二下之負荷值是五個因素群組當中最大的,亦即1X隸屬於因素二的因素群組中。因此,透過相同的方式,可把其餘的23個特徵值依照最大負荷值分別歸類在五個因素群組當中,如表一所列,故因素一下包含了1.5X、4X、4.5X、5X、5.5X、6X、6.5X、7X、8.5X、12X;因素二包括1X、2X、2.5X、3X、3.5X、7.5X、8X、9X;因素三包含10X、10.5X;因素四包括11X、11.5X;因素五包含0.5X、9.5X。
如步驟S330所述,分別將利用五個因素組合帶入類神經網路來取得第一運作狀態。關於類神經網路之建立此為本領域之技藝人士知悉,於此不加以累述。類神經網路則可採用一倒傳遞類神經網路(Back Propagation Network,BPN)、一霍普菲爾網路(Hopfield Neural Network,HNN)、一徑向基底類神經網路(Radial Basis Function Network,RBFN)、一模糊類神經網路(Fuzzy Neural Network,FNN)或一函數鏈路類神經網路(Functional Link Neural Network,FLNN)。經驗法則為一特徵頻譜、一臨界門檻、一軌跡圖、一包絡線、一諧波分析或其組合。
同理,步驟S340所述,將特徵值利用經驗法則判斷動力裝置之第二運作狀態。經驗法則乃是依據基礎理論所推導之規則,以振動訊號為例,經驗法則為機械振動基礎所推導之振動特性規則,最常見的是對頻譜中各變異特徵值(亦即特徵頻譜)搭配臨界門檻的組合加以計算,亦可使用軌跡圖、包絡線等方法進一步將變異特徵值進行解耦與成分分析,常見的諧波分析亦可協助取得邊頻資料。
於此,步驟S340所採用之經驗法則係利用特徵值與門檻設定的方法,當特徵值超過門檻設定值即可判斷動力設備的運作發生異常。
舉例來說,假設1X之倍頻特徵值與2X之倍頻特徵值的峰值以5每秒毫米(millimeter/second,mm/s)為門檻設定值,3X之特徵值的峰值則以2每秒毫米為門檻設定值,如『第5圖』所示,『第5圖』為第3圖中步驟S340利用經驗法則判斷動力裝置之第二運作狀態之一實施例的邏輯流程圖。若1X之倍頻特徵值小於5則判斷動力設備正常,反之,在1X之倍頻特徵值大於5,且2X和3X之倍頻特徵值同時小於5和2,則判斷此動力設備之運作狀態發生不平衡的情況。
假設透過類神經網路所取得之第一運作狀態和經驗法則所取得之第二運作狀態相同時(步驟S340),預設規則可為一分類列表,分類列表包括一正常項目及一異常項目。正常項目為動力設備運轉時的正常情況,異常項目則為表示運轉時異常的情況,例如,異常項目可包括但不限於不平衡情況、不對心情況、潤滑情況、共振情況、軸承損壞情況、軸彎曲情況、鬆動情況、相位不平衡情況、電位不平衡情況、諧波倍頻情況及短路情況。
步驟S380則根據此預設規則判斷第一運作狀態是否為異常項目中所紀錄之運作情況,藉以判斷動力設備是否發生異常的狀態。反之,若第一運作狀態為正常項目中所紀錄之運作情況,則判斷此動力設備之運作狀態正常。
因此,透過本發明之動力設備異常檢測方法,可透過感測一動力設備之運轉訊號,並透過因素分析方法簡化自運轉訊號所取得之特徵值的數量和大小,可適用於資源消耗較小的微處理器中,直接進行運算處理來判斷動力設備的運作狀態,無須將所感測到的運轉訊號傳送至後端系統,後端系統僅需要接收判斷結果,可達到降低資料傳輸頻寬大小、提昇資料傳輸穩定性、縮短診斷更新時間與降低建置成本的功效。
雖然本發明之實施例揭露如上所述,然並非用以限定本提案,任何熟習相關技藝者,在不脫離本發明之精神和範圍內,舉凡依申請範圍所述之形狀、構造、特徵及精神當可做些許之變更,因此本發明之專利保護範圍須視本發明說明書所附之申請專利範圍所界定者為準。
100‧‧‧動力設備異常檢測裝置
110‧‧‧感測模組
120‧‧‧處理模組
130‧‧‧最佳化處理模組
140‧‧‧分類診斷模組
150‧‧‧警示裝置
160‧‧‧傳輸模組
170‧‧‧記憶模組
200‧‧‧動力設備
第1圖係本發明之動力設備異常檢測裝置的示意圖。
第2A圖係本發明之動力設備異常檢測裝置一實施例的示意圖。
第2B圖係本發明之動力設備異常檢測裝置另一實施例的示意圖。
第2C圖係本發明之動力設備異常檢測裝置又一實施例的示意圖。
第3圖係本發明之動力設備異常檢測方法的步驟流程圖。
第4A圖係第3圖中步驟S310之一實施例流程圖。
第4B圖係第3圖中步驟S310之另一實施例流程圖。
第4C圖係第3圖中步驟S320之步驟流程圖。
第5圖係第3圖中步驟S340之一實施例的流程圖。
Claims (19)
- 一種動力設備異常檢測裝置,其包含有:一感測模組,係感測一動力設備以取得多個運轉訊號;一處理模組,係連接該感測模組,用以接收該些運轉訊號並依序自各該運轉訊號擷取多個特徵值;一最佳化處理模組,係連接該處理模組,藉以接收該些特徵值,並分類該些特徵值以建立多個因素群組,其中,各該因素群組具有一代表該因素群組之變異特徵值,該些變異特徵值之數量係少於該些特徵值的數量;以及一分類診斷模組,係連接該最佳化處理模組,用以接收該些變異特徵值下之該因素群組,並依據一預設規則與該些因素群組發送一狀態訊號。
- 如申請專利範圍第1項所述之動力設備異常檢測裝置,更包含有一警示裝置,係用以接收該狀態訊號,並當該狀態訊號為異常時,通知該動力設備運作發生異常。
- 如申請專利範圍第2項所述之動力設備異常檢測裝置,更包含有一傳輸模組,該傳輸模組連接該分類診斷模組,用以接收該狀態訊號並透過有線或無線的傳輸方式將該狀態訊號發送至該警示裝置。
- 如申請專利範圍第1項所述之動力設備異常檢測裝置,更包含有一記憶模組,該記憶模組儲存該動力設備之該些運轉訊號。
- 一種動力設備異常檢測方法,其包含有下列步驟: 利用一訊號處理方法自該動力設備取得多個運轉訊號;藉由該些運轉訊號取得對應於各該運轉訊號之多個特徵值;將該些特徵值進行分組,藉以建立多個因素群組,各該因素群組具有一變異特徵值,且該些變異特徵值之數量係少於該些特徵值的數量;根據該些因素群組,利用一類神經網路判斷該動力設備運轉之一第一運作狀態;根據該些特徵值,利用一經驗法則判斷該動力裝置運轉之一第二運作狀態;比較該第一運作狀態與該第二運作狀態是否相同;當該第一運作狀態與該第二運作狀態不相同時,根據該些因素群組修正該類神經網路,直到該第一運作狀態與該第二運作狀態相同;當該第一運作狀態與該第二運作狀態相同時,根據一預設規則判斷該第一運作狀態是否異常;若判斷該第一運作狀態為異常,則發送一異常訊號;以及若判斷該第一運作狀態為正常,則發送一正常訊號。
- 如申請專利範圍第5項所述之動力設備異常檢測方法,其中,該運轉訊號為一振動訊號。
- 如申請專利範圍第5項所述之動力設備異常檢測方法,其中,該運轉訊號為一溫度訊號。
- 如申請專利範圍第5項所述之動力設備異常檢測方法,其中,該運轉訊號為一磁通訊號。
- 如申請專利範圍第5項所述之動力設備異常檢測方法,其中,該運轉訊號為一電流訊號。
- 如申請專利範圍第5項所述之動力設備異常檢測方法,其中,該運轉訊號為一電壓訊號。
- 如申請專利範圍第5項所述之動力設備異常檢測方法,其中,該運轉訊號為一轉速訊號。
- 如申請專利範圍第5項所述之動力設備異常檢測方法,其中,該利用該訊號處理方法自該動力設備取得該些運轉訊號的步驟,更包含有:感測該動力設備,以取得該些運轉訊號;利用一時域轉換處理,將該運轉訊號之一時域資料轉換為一頻域資料;以及自該頻域資料擷取該些特徵值。
- 如申請專利範圍第12項所述之動力設備異常檢測方法,其中,該時域轉換處理為一離散傅立葉轉換處理、一快速傅立葉轉換處理、一離散餘弦轉換處理、一離散哈特利轉換處理、一小波轉換處理或一功率頻率處理。
- 如申請專利範圍第5項所述之動力設備異常檢測方法,其中,該利用該訊號處理方法自該動力設備取得該些運轉訊號的步驟,更包含有: 感測該動力設備,以取得該些運轉訊號;以及將去除雜訊後之該些運轉訊號透過一多尺度熵(Multiscale Entropy,MSE)運算,以取得對應該些運轉訊號之該些特徵值。
- 如申請專利範圍第14項所述之動力設備異常檢測方法,其中,該於該感測該動力設備,以取得該些運轉訊號的步驟及該將去除雜訊後之該運轉訊號透過該多尺度熵運算,以取得對應該運轉訊號之該些特徵值的步驟之間,更包含有:利用小波轉換對該些運轉訊號進行雜訊處理。
- 如申請專利範圍第5項所述之動力設備異常檢測方法,其中,該將該些特徵值進行分組,以建立該些因素群組的步驟包含有:利用因素分析方法對該些特徵值分群,以建立該些因素群組;依序計算各該因素群組中該些特徵值,以取得該變異特徵值;以及保留該些變異特徵值大於1的變異特徵值。
- 如申請專利範圍第5項所述之動力設備異常檢測方法,其中,該類神經網路為一倒傳遞類神經網路(Back Propagation Network,BPN)、一霍普菲爾網路(Hopfield Neural Network,HNN)、一徑向基底類神經網路(Radial Basis Function Network,RBFN)、一模糊類神經網路(Fuzzy Neural Network,FNN)或一函數鏈路類神經網路(Functional Link Neural Network,FLNN)。
- 如申請專利範圍第5項所述之動力設備異常檢測方法,其中,該預設規則為一分類列表,該分類列表包括一正常項目及一異常項目,該異常項目包括不平衡情況、不對心情況、潤滑情況、共振情況、軸承損壞情況、軸彎曲情況、鬆動情況、相位不平衡情況、電位不平衡情況、諧波倍頻情況及短路情況。
- 如申請專利範圍第5項所述之動力設備異常檢測方法,其中,該經驗法則為一特徵頻譜、一門檻設定值、一軌跡圖、一包絡線或一諧波分析。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW99137868A TWI426242B (zh) | 2010-11-03 | 2010-11-03 | 動力設備異常檢測裝置及其檢測方法 |
CN201110003851.8A CN102466566B (zh) | 2010-11-03 | 2011-01-04 | 动力设备异常检测装置及其检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW99137868A TWI426242B (zh) | 2010-11-03 | 2010-11-03 | 動力設備異常檢測裝置及其檢測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201219756A TW201219756A (en) | 2012-05-16 |
TWI426242B true TWI426242B (zh) | 2014-02-11 |
Family
ID=46070470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW99137868A TWI426242B (zh) | 2010-11-03 | 2010-11-03 | 動力設備異常檢測裝置及其檢測方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN102466566B (zh) |
TW (1) | TWI426242B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102707232B (zh) * | 2012-06-01 | 2015-10-07 | 深圳市海亿达能源科技股份有限公司 | 电动机设备状态在线监测装置及其监测方法 |
CN102768318A (zh) * | 2012-08-03 | 2012-11-07 | 深圳市海亿达能源科技股份有限公司 | 用能设备的在线能耗管理装置及其管理控制方法 |
TWI443356B (zh) * | 2012-09-14 | 2014-07-01 | Chunghwa Telecom Co Ltd | 電器設備的異常狀態偵測系統及方法 |
TWI467138B (zh) * | 2012-10-26 | 2015-01-01 | Ancad Inc | 一種震波分析裝置、震波分析方法、其應用及其應用系統 |
CN104008294B (zh) * | 2014-05-30 | 2017-05-03 | 东南大学 | 轴承异常检测***及其方法 |
US10336472B2 (en) * | 2014-10-15 | 2019-07-02 | The Boeing Company | Motor health management apparatus and method |
CN105974859A (zh) * | 2015-03-13 | 2016-09-28 | 青岛孚迪尔电气自动化有限公司 | 基于振动传感器的无线监测*** |
CN104833884A (zh) * | 2015-05-18 | 2015-08-12 | 国家电网公司 | 电压等级设备的故障检测方法 |
CN106646205A (zh) * | 2015-10-30 | 2017-05-10 | 国网山西省电力公司电力科学研究院 | 一种声振联合分析断路器故障的随机大扰动信号剔除算法 |
CN107121268A (zh) * | 2016-02-24 | 2017-09-01 | 王智中 | 智能设备检测方法 |
CN107991097A (zh) * | 2017-11-16 | 2018-05-04 | 西北工业大学 | 一种基于多尺度符号动力学熵的轴承故障诊断方法 |
CN108871438A (zh) * | 2018-06-22 | 2018-11-23 | 武汉众犇慧通科技有限公司 | 一种基于三轴振动的电机监测诊断方法 |
CN108983097B (zh) * | 2018-07-27 | 2021-01-22 | 北京天诚同创电气有限公司 | 电机共振检测***和检测方法 |
CN111340250A (zh) | 2018-12-19 | 2020-06-26 | 富泰华工业(深圳)有限公司 | 设备检修装置、方法及计算机可读存储介质 |
US11100221B2 (en) | 2019-10-08 | 2021-08-24 | Nanotronics Imaging, Inc. | Dynamic monitoring and securing of factory processes, equipment and automated systems |
CN112903001A (zh) * | 2019-12-03 | 2021-06-04 | 财团法人纺织产业综合研究所 | 织物定型机的操作方法 |
TWI736079B (zh) * | 2019-12-23 | 2021-08-11 | 瑞昱半導體股份有限公司 | 晶片及其異常處理方法 |
US11086988B1 (en) | 2020-02-28 | 2021-08-10 | Nanotronics Imaging, Inc. | Method, systems and apparatus for intelligently emulating factory control systems and simulating response data |
TWI768606B (zh) * | 2020-12-18 | 2022-06-21 | 日月光半導體製造股份有限公司 | 感測器監測系統及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201020558A (en) * | 2008-11-28 | 2010-06-01 | Ind Tech Res Inst | Method for diagnosing energy consumption of a power plant |
CN101799359A (zh) * | 2010-01-27 | 2010-08-11 | 北京信息科技大学 | 一种动力设备故障监测预报方法及其*** |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6219755A (ja) * | 1985-07-19 | 1987-01-28 | Hitachi Ltd | Ae方式回転機異常診断システム |
DK0652426T3 (da) * | 1993-11-09 | 1998-10-26 | Wortsilo Nsd Schweiz Ag | Fremgangsmåde til identifecering af diftsforstyrrelser i dieselmotorer |
CN1758042A (zh) * | 2005-02-02 | 2006-04-12 | 沈阳黎明航空发动机(集团)有限责任公司 | 发动机轴承故障测试和诊断方法及故障检测仪 |
CN100491954C (zh) * | 2007-02-02 | 2009-05-27 | 浙江大学 | 一种基于纯振动信号的发动机状态检测装置及方法 |
CN101135601A (zh) * | 2007-10-18 | 2008-03-05 | 北京英华达电力电子工程科技有限公司 | 一种旋转机械振动故障诊断装置及方法 |
CN100595548C (zh) * | 2008-09-05 | 2010-03-24 | 华南理工大学 | 基于稀疏表示的汽车发动机故障诊断***和方法 |
CN101354315A (zh) * | 2008-09-05 | 2009-01-28 | 爱立迈科(宁波)计测仪器有限公司 | 一种基于振动信号的发动机状态跟踪检测装置及方法 |
KR20100112734A (ko) * | 2009-04-10 | 2010-10-20 | 한국전기연구원 | 유도전동기의 온-사이트 복합 고장 진단 방법 |
CN101858778A (zh) * | 2010-05-28 | 2010-10-13 | 浙江大学 | 基于振动监测的风力发电机组故障自动诊断方法 |
-
2010
- 2010-11-03 TW TW99137868A patent/TWI426242B/zh active
-
2011
- 2011-01-04 CN CN201110003851.8A patent/CN102466566B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201020558A (en) * | 2008-11-28 | 2010-06-01 | Ind Tech Res Inst | Method for diagnosing energy consumption of a power plant |
CN101799359A (zh) * | 2010-01-27 | 2010-08-11 | 北京信息科技大学 | 一种动力设备故障监测预报方法及其*** |
Non-Patent Citations (1)
Title |
---|
林志麟、李志文、蔡禮豐、鍾欣蘭,結合小波轉換與多尺度熵偵測馬達不對心現象,2009資訊管理技術與實務應用發展暨資訊人才培育研討會論文集,2009年6月3日 * |
Also Published As
Publication number | Publication date |
---|---|
CN102466566B (zh) | 2014-08-13 |
CN102466566A (zh) | 2012-05-23 |
TW201219756A (en) | 2012-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI426242B (zh) | 動力設備異常檢測裝置及其檢測方法 | |
Cui et al. | Quantitative trend fault diagnosis of a rolling bearing based on Sparsogram and Lempel-Ziv | |
US20230213486A1 (en) | Automatic mechanical systems diagnosis | |
Rai et al. | Bearing performance degradation assessment based on a combination of empirical mode decomposition and k-medoids clustering | |
Safizadeh et al. | Using multi-sensor data fusion for vibration fault diagnosis of rolling element bearings by accelerometer and load cell | |
Aydın et al. | Combined intelligent methods based on wireless sensor networks for condition monitoring and fault diagnosis | |
Khan et al. | Automated bearing fault diagnosis using 2D analysis of vibration acceleration signals under variable speed conditions | |
US8793103B2 (en) | Method and system for detection of machine operation state for monitoring purposes | |
Lu et al. | Feature extraction using adaptive multiwavelets and synthetic detection index for rotor fault diagnosis of rotating machinery | |
CN106441896A (zh) | 滚动轴承故障模式识别及状态监测的特征向量提取方法 | |
CN107909156B (zh) | 一种设备状态检测方法及计算设备 | |
Almounajjed et al. | Fault diagnosis and investigation techniques for induction motor | |
EP2135144B1 (en) | Machine condition monitoring using pattern rules | |
CN111062100A (zh) | 轴承剩余寿命预测模型建立方法及装置 | |
Gangsar et al. | Multiclass fault taxonomy in rolling bearings at interpolated and extrapolated speeds based on time domain vibration data by SVM algorithms | |
CN116434372A (zh) | 用于变工况设备的智能化数据采集***、工况识别*** | |
Zhao et al. | A novelty detection scheme for rolling bearing based on multiscale fuzzy distribution entropy and hybrid kernel convex hull approximation | |
Gu et al. | Fault diagnosis of spindle device in hoist using variational mode decomposition and statistical features | |
CN116183051A (zh) | 电机温度监测方法、***、设备及存储介质 | |
US8930166B1 (en) | Method and apparatus for efficient extraction of information from signals | |
Wu et al. | Bearing fault diagnosis via kernel matrix construction based support vector machine | |
CN117036732B (zh) | 一种基于融合模型的机电设备检测***、方法及设备 | |
Islam et al. | A hybrid feature selection scheme based on local compactness and global separability for improving roller bearing diagnostic performance | |
Uddin et al. | Distance and Density Similarity Based Enhanced k‐NN Classifier for Improving Fault Diagnosis Performance of Bearings | |
CN109034028A (zh) | 一种基于符号化与tf-idf的机械设备故障特征提取方法 |