机械专题讨论马达故障诊断之模糊类神经网路.ppt

機械專題討論題目：馬達故障診斷之模糊類神經網路 班級：二技自控四甲 學生：梁淵智 王奕權 執導教授：陳沛仲老師 大綱： 序論與研究目的與方法 馬達故障分類與特徵關係之建立 診斷原理與應用方法 實例測試 結論 參考文獻 序論： 從機械設備問世以來，使用者最擔心的就是機器有沒有問題？會不會故障？ 發展故障診斷技術能帶來以下收益： 提高設備的可靠性，減低事故發生。 節省維修經費，提高經濟效益。 研究目的與方法： 馬達在工業中扮演吃重的角色，其高經濟效益與強健性使得被大量運用在各生產設備中。由於其不可或缺的重要性，若能在馬達出現初期故障徵兆而尚未完全損壞時，透過監測設備與自動化診斷系統找出原因並及早修復，將可大量節省維護人員、損壞後維修的成本，並保障工廠的生產力不致意外中斷。 使用頻譜分析儀量測馬達的振動信號 經快速傅利葉轉換為頻域信號 取出故障 診斷需要的資料 進行診斷。 馬達故障分類與特徵關係之建立： 馬達的故障特徵與其相應的頻譜特徵，並透過該頻譜特徵，建立一套馬達故障類型與特徵的關係矩陣，以供貼近度（The Approximate Reasoning）診斷計算貼近度以及作為類神經網路之學習樣本。 主要的兩點為： 診斷故障項目 建立馬達故障類型與特徵關係 診斷故障項目： 發生在轉子部份的故障為轉子不平衡、軸彎曲、不對心及鬆動等。 發生在軸承部分的故障又因軸承形式不同而分為兩類：油膜軸承與滾珠軸承。 滾珠軸承之故障可分為以下三種：內環、外環、滾珠損傷。 發生電機故障部分；2倍電源頻率幅值、轉子條斷裂特徵頻率（轉子條通過頻率）幅值、三相不平衡特徵頻率(6倍電源頻率)幅值。 診斷故障項目： 頻譜特徵判斷，例如轉子不平衡轉速頻率1倍頻譜峰過大；1倍轉速頻率以下記為1X，其餘被頻以此類。 建立馬達故障類型與特徵關係： 透過頻譜圖診斷轉子故障與油膜軸承故障的重點在於0.5X、1X、2X，以及伴隨產生其他整數倍轉速頻率的諧波。因此定義頻譜特徵參數sa1~sa7分別為0.5X、1X、1.5X、2X、2.5X、3X、4X 的轉速頻率峰值；sa8 為小於0.5X 的峰值。sa9~sa11分別為內環損傷特徵頻率峰值、外環損傷特徵頻率峰值，滾珠損傷特徵頻率峰值。 sa12~sa14分別為2倍電源頻率幅值、轉子條斷裂特徵頻率（轉子條通過頻率）幅值、三相不平衡特徵頻率(6倍電源頻率)幅值。 信號提取： 透過頻譜分析儀將現場量得之振動信號，進行FFT 轉換，並將其數據按解析頻率排列為離散的振動幅值。 再提取診斷需要的幅值整理為可用的診斷資料供故障診斷程式使用。 診斷原理與應用方法： 介紹模糊與類神經網路原理，模糊運算中的隸屬函數（Membership Function）與貼近度，以及類神經網路如何使用監督式學習（Supervised Learning）法則，以倒傳遞演算法（ Back-Propagation Algorithm）進行學習。 貼近度： 貼近度是用來描述在論域X 中兩集合A和B 的接近程度，以N(A,B)表示，N 稱為論域X 中的貼近度函數。貼近度數值越大代表這兩個集合越接近。 在此利用海明（Hamming）貼近度： 貼近度診斷是由計算設備各徵兆值與各故障原因之間的貼近度，依此大小判斷診斷對象的狀況類似於何種故障。故障原因集合由故障特徵矩陣提供。 類神經網路： 類神經網路是由大量進行簡單運算的處理單元，亦稱神經元（Neuron），連結而成網路。它是對人腦神經網路的某種簡化模擬，具有基本的學習、記憶與歸納能力。 類神經網路是由眾多神經元架構而成，各神經元的鍵結值稱為權重值（Weight） 。 倒傳遞演算法是利用梯度遞減法（Gradient Descent Method）將誤差調整至最小。 模糊類神經網路: 模糊邏輯與類神經網路兩者各有擅場，模糊邏輯模仿人的思維，在知識上有較強的描述能力；而類神經網路模仿人的腦部活動，具有學習、推理與快速處理數據的能力。 因此將兩者結合成模糊類神經網路，使之同時擁有模糊邏輯與類神經網路的優點。 模糊類神經網路採輸入值改為模糊量，首先需建立隸屬度函數，以便將輸入值模糊化。 接著令類神經網路學習故障特徵矩陣與目標輸出矩陣，學習方法與類神經網路相同，定學習速率為0.1，誤差平方0.000025；唯一不同之處就在於類神經網路學習時，頻譜特徵參數sa1~sa14為輸入值，而模糊類神經網路需先將其模糊化後再行學習。 實例測試： 本實例是以東元臥式馬達D3103X2 為診斷對象，使用BK頻譜分析儀量測該馬達之振動加速度值，並透過FFT 轉換成頻域信號 貼進度： 類神經網路