else 模糊类神经网路诊断.ppt

馬達故障診斷之模糊類神經網路 指 導 老 師：陳沛仲 老師 學 生：藍士強 李佳芳 方國安 日 期：2005.04.21 諸論 目的： 若可在馬達出現初期故障徵兆而未損壞時，透過監測設備 與自動化診斷系統找出原因，並及早修復，這樣便可大量 節省維護人員及損壞後維修的成本，並且可以保障工廠的 生產力不致於中斷。 發展故障診斷技術可帶來的收益： - 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。 診斷方法 方法： - 貼近度計算 利用提取的頻譜特徵與設定的故障標準矩陣中的值做貼近度的計算。 - 類神經網路 將設定好架構的類神經網路，以故障標準矩陣作為樣本，完成類神經網路的學習。 - 模糊類神經網路 學習方法與類神經網路相同，唯一不同的是模糊類神經網路的特徵參數須先經模糊化，再進行學習。 文獻回顧 傳統典型。 人工智能。 模糊理論。 (Zadeh 1965) 神經元的數學模型。 (心理學家McCulloch與數學家Pitts 1943) 具學習能力的倒傳遞類神經網路。 (Rumelhart 1985) 結合了模糊與類神經網路。 (Chow 1993) 證明了在同效能中，分級後較未分級的更能處理多重故障。 (Calado 1998) 馬達故障類型 在轉子部分的故障： - 轉子不平衡 - 不對心 - 軸彎曲 - 鬆動 在軸承部分的故障： - 油膜軸承：油膜旋振、油膜晃盪 - 滾珠軸承：內環、外環、滾珠損傷 在電機部分的故障： - 氣隙不均 - 轉子條斷裂 - 三相不平衡 故障特徵矩陣 信號提取 診斷原理及其應用方法 貼近度診斷 概述： 由計算設備各徵兆值與各故障原因之間的貼近度，依其 大小判斷對象的狀況類似何種故障。 貼近度診斷 常用的貼近度計算 - 海明(Hamming)貼近度 - 歐基里德(Euclid)貼近度 - 極大極小貼近度 - 極小平均貼近度 貼近度診斷 依故障特徵矩陣所提供： Yi=(Yi,1，Yi,2，…，Yi,14) ，i=1,2,3,…,12 採用海明貼近度來計算兩集合的貼近度 使用擇近原則來確定診斷對象具有的故障 N(A,Yk)=max{N(A,Y1), N(A,Y2), …, N(A,Y12)} 故障特徵矩陣 類神經網路診斷 權重值 netj= ∑（Wji．Oi）+θj 誤差平方 類神經網路學習採監督式學習，提供學習樣本讓類神 經網路不斷調整各神經元間連接的權重值，直到輸出 結果小於設定的誤差為止，則類神經網路完成該筆資 料的學習。 類神經網路診斷 類神經網路診斷流程圖 模糊類神經網路診斷 本文選用三級隸屬度函數，斜率為2.5，表示為： 模糊類神經網路診斷 模糊類神經網路需先將頻譜特徵參數模糊化後，再進行學習。這樣，模糊類神經網路的輸入層神經元數量為原來的3倍。 ex：如上圖中，設sa1=0.72，A為其集合，該值模糊化 為： A = [0, -2.5．0.72+2.25, 2.5．0.72-1.25] = [0,0.45,0.55] 模糊類神經網路診斷 三輸入三輸出FNN架構 模糊類神經網路診斷 診斷時，需將14個診斷信號經由隸屬度函數模糊化後，再送入類神經網路中進行推理，則輸出結果的值越大，表示該故障發生的可能性越高。 實例測試 診斷實例一 本例是以東元臥式馬達D3103X2為診斷對象，使用頻譜分析儀量測震動訊號再透過傅利葉轉換成頻域信號。 診斷實例一 貼近度診斷運算： 診斷資料14個頻譜特徵參數分別為xj (j =1,2,…,14) 故障特徵矩陣內的的各值為sai,j (i=1,2,…,12 j=1,2, …,14) 貼近度 yi (i =1,2,…,12) 使用前述之海明貼近度計算法依序將各值代入求取貼 近度參數。 診斷實例一 類神經網路診斷運算： 首先將頻譜特徵參數值帶入類神經網路中，計算隱藏層神 經元。 將所得隱藏層的數值帶入計算輸出層神經元 診斷實例一 模糊類神經網路診斷運算： 依前述[三級隸屬度函數]將各特徵函數模糊化。 推算出模糊化的值後再輸入網路中判斷可能的故障類型。 診斷實例一 診斷結果： 診斷實例三 本例是以東元臥式馬達AEJK-XW002為診斷對象，使用頻譜分析儀量測震動訊