TWI386653B

TWI386653B - 動力設備耗能診斷方法

Info

Publication number: TWI386653B
Application number: TW97146441A
Authority: TW
Inventors: Li Feng Tsai; Yuan Tai Ku; Hsin Yi Chung; Hsin Lan Chung; Zhung Xing Xiao; Ya Ching Chang
Original assignee: Ind Tech Res Inst
Priority date: 2008-11-28
Filing date: 2008-11-28
Publication date: 2013-02-21
Also published as: TW201020558A

Description

動力設備耗能診斷方法

本發明係關於一種動力設備的耗能監控與診斷，特別是一種動力設備耗能診斷方法。

近年來人類環保意識抬頭，綠色設計成為各公司研發單位的重要目標之一，其中節省能源更是產品銷售的指標。

國內工業用電約佔全國用電之絕大多數。動力設備例如馬達、泵浦等由馬達所驅動之耗能設備。目前，整體動力設備的低效率運轉現象所產生之能源損失無法即時偵知與有效避免。

對於大馬力(>1000HP)之馬達驅動設備可能附有自我監控與診斷系統，但對於數量龐大與分佈極廣之小馬力(<200HP)之馬達驅動設備，則無相關節能措施。

對單一元件而言，雖逐漸導入變頻驅動技術或汰換成高效率馬達元件以達到高效率運轉需求，進而使馬達效率一舉提升。即使如此，對於整體動力設備而言，個別高效率元件的替換對於整體能源效率的提升仍然有限。

鑒於以上的問題，本發明在於提供一種動力設備耗能診斷方法，藉以解決先前技術所存在無法提升動力設備整體能源效率的問題。

本發明所揭露之動力設備耗能診斷方法，應用於一動力設備。

首先，感測動力設備的至少一運轉訊號。

接著，利用訊號處理方法擷取至少一運轉訊號中的至少一特徵訊號。

再利用類神經網路和一組經驗法則基於特徵訊號判斷動力設備運轉的問題屬性。

比較利用類神經網路所判斷得的問題屬性與利用一組經驗法則所判斷得的問題屬性。

當利用類神經網路所判斷得的問題屬性與利用組經驗法則所判斷得的問題屬性不相同時，依據特徵訊號修正類神經網路。當兩者所判斷得的問題屬性相同時，則利用關聯性分析方法依據利用類神經網路所判斷得的問題屬性進行根因與耗能的關連性分析，以得到問題屬性中每一根因的嚴重程度及耗能程度。

最後，利用趨勢分析方法以經由根因與耗能的關連性分析所得到的耗能程度預測耗能趨勢。

其中，當利用一組經驗法則判斷動力設備運轉的問題屬性失敗時，亦利用關聯性分析方法依據利用類神經網路所判斷得的問題屬性進行根因與耗能的關連性分析，以得到問題屬性中每一根因的嚴重程度及耗能程度。

於此，運轉訊號可為振動訊號或諸如溫度訊號、磁通訊號、電流訊號、電壓訊號、或轉速訊號等其他訊號。特徵訊號可為運轉訊號中的倍頻峰值或特徵頻率值。

此外，可先將每一運轉訊號從以一時域資料域轉換為一頻域資料，然後再自以頻域資料表示的每一運轉訊號中擷取特徵訊號。

其中，域轉換方法可採用係為離散傅立葉轉換(Discrete Fourier Transform；DFT)處理、快速傳立葉轉換(Fast Fourier Transform；FFT)處理、離散餘弦轉換(Discrete Cosine Transformation；DCT)處理、離散哈特利轉換(Discrete Hartley Transform；DHT)處理、小波轉換(Wavelet Transform；WT)處理、或功率頻率(Power Spectrum)處理等域轉換(Domain Transform)處理。

動力設備運轉的問題屬性可為一個分類項目，而此分類項目可為一異常項目或一正常項目。正常項目可為動力設備於運轉時的正常情況，而異常項目可為動力設備於運轉時的動不平衡情況、共振情況、潤滑情況、鬆動情況、軸承情況、諧波倍頻情況、相位不平衡情況、電壓不平衡情況、或短路情況等耗能問題(即，根因)。

於此，類神經網路判斷步驟可包括：輸入特徵訊號至類神經網路；以及依據類神經網路將特徵訊號分類至複數個分類項目中之一。其中，每一分類項目可為一種問題屬性，且特徵訊號所分類為的分類項目可為動力設備運轉的問題屬性。

其中，類神經網路可採用倒傳遞類神經網路(Back－propagation Network；BPN)、霍普菲爾網路(Hopfield Neural Network；HNN)、徑向基底類神經網路(Radial Basis Function Network；RBFN)、模糊類神經網路(Fuzzy Neural Network,FNN)、或函數鏈路類神經網路(Functional－link neural network)。此組經驗法則可為特徵頻譜、臨界門檻、軌跡圖、包絡線、諧波分析或其組合。

於進行根因與耗能的關連性分析上，可包括利用關聯性分析方法依據利用類神經網路所判斷得的問題屬性計算一電流值。而後，再利用一段時間內所計算得的電流值來預測電流值的走勢。

其中，關聯性分析方法可為迴歸分析(Regression Analysis)、關聯分析(Relation Analysis)、決策樹(Decision Tree)、類神經網路(Neural Network)、或最小平方法(Least Mean Square)等演算方法。趨勢分析方法可為時間序列(Time Series)演算法、泰勒展開(Tailer Expansion)演算法、或曲線揉合(Curve Fitting)演算法等演算方法。

綜上所述，根據本發明之動力設備耗能診斷方法，應用於一動力設備，可透過動力設備的運轉資訊判別各種異常參數與耗能關連程度，進而分析動力設備的耗能原因與可能改善方案，藉以提升動力設備的整體能源效率。

以上之關於本發明內容之說明及以下之實施方式之說明係用以示範與解釋本發明之精神與原理，並且提供本發明之專利申請範圍更進一步之解釋。

「第1圖」係為根據本發明一實施例之動力設備耗能診斷方法的流程圖。

參照「第1圖」，於此實施例中，動力設備耗能診斷方法可應於一動力設備。此動力設備可為由馬達所驅動之耗能設備。

換言之，根據本發明的動力設備耗能診斷方法可以軟體或韌體程式內建於動力設備的診斷設備中，用以透過動力設備的運轉資訊判別各種異常參數與耗能關連程度，進而分析動力設備的耗能原因與可能改善方案。

參照「第2及3圖」，此診斷設備300可包括感測器310與處理單330。

參照「第2圖」，處理單元330可設置於電腦或個人數位助理(Personal Digital Assistant；PDA)等資訊處理裝置320中。於此，感測器310電性連結處理單元330。

參照「第3圖」，處理單元330亦可為一嵌入式系統(Embedded System)。換言之，處理單元330可設置於感測器310中。感測器310具有感測單元312，且感測單元312電性連結處理單元330。

再合併參照「第1圖」，感測器310的感測單元312可進行動力設備的運轉資訊的量測，以輸出相對應的運轉訊號給處理單元330。換言之，可透過感測器310的感測單元312感測動力設備的一個或多個運轉訊號(步驟110)。

此運轉訊號可為振動訊號或諸如溫度訊號、磁通訊號、電流訊號、電壓訊號、或轉速訊號等其他訊號。

感測得的運轉訊號會提供給處理單元330，以進行後續一連串的訊號處理、判斷、比較、分析和預測。

處理單元330先進行接收到的運轉訊號的訊號處理，以擷取每一運轉訊號的特徵訊號(步驟120)。此些特徵訊號可為運轉訊號中的倍頻峰值或特徵頻率值等。

取得特徵訊號後，即可將此些特徵訊號作為類神經網路及一組經驗法則(Decision Rule)的輸入參數，以進行動力設備運轉的問題屬性判斷(步驟132和步驟134)。即，處理單元330會分別利用類神經網路和一組經驗法則基於所擷取得的特徵訊號判斷動力設備運轉的問題屬性。

動力設備運轉的問題屬性可為一個分類項目，而此分類項目可為一異常項目或一正常項目。正常項目可為動力設備於運轉時的正常情況，而異常項目可為動力設備於運轉時的動不平衡情況、共振情況、潤滑情況、鬆動情況、軸承情況、諧波倍頻情況、相位不平衡情況、電壓不平衡情況、或短路情況等耗能問題(即，根因)。換言之，利用類神經網路和一組經驗法則可由輸入的特徵訊號預測出動力設備的運轉狀態，即正常或異常。

於此，經由類神經網路或一組經驗法則進行輸入的特徵訊號的運算後，可依據類神經網路或一組經驗法則的運算結果將特徵訊號分類至多個分類項目中之一，以判定動力設備運轉的問題屬性。

此外，對於不同類型的運轉訊號所得到的特徵訊號可先經由正歸化處理後，再作為類神經網路及一組經驗法則(Decision Rules)的輸入參數以進行動力設備運轉狀態的預測。

接著，比較利用類神經網路所判斷得的問題屬性與利用組經驗法則所判斷得的問題屬性，以判定兩者判斷結果是否相同(步驟140)。

當利用類神經網路所判斷得的問題屬性與利用組經驗法則所判斷得的問題屬性不相同時，依據特徵訊號修正類神經網路(步驟150)。

當利用類神經網路所判斷得的問題屬性與利用一組經驗法則所判斷得的問題屬性相同時，利用一關聯性分析方法依據利用類神經網路所判斷得的問題屬性進行一根因與耗能的關連性分析，以得到問題屬性中每一根因的嚴重程度及耗能程度(步驟160)。

其中，關聯性分析方法可為迴歸分析(Regression Analysis)、關聯分析(Relation Analysis)、決策樹(Decision Tree)、類神經網路(Neural Network)、或最小平方法(Least Mean Square)等演算方法。

最後，利用一趨勢分析方法以經由根因與耗能的關連性分析所得到的耗能程度預測耗能趨勢(步驟170)。

其中，趨勢分析方法可為時間序列(Time Series)演算法、泰勒展開(Tailer Expansion)演算法、或曲線揉合(Curve Fitting)演算法等演算方法。

再者，參照「第4圖」，當利用一組經驗法則判斷動力設備運轉的問題屬性失敗時，則亦利用關聯性分析方法依據利用類神經網路所判斷得的問題屬性進行根因與耗能的關連性分析，以得到問題屬性中每一根因的嚴重程度及耗能程度。換言之，於利用一組經驗法則判斷動力設備運轉的問題屬性後，會先確認判斷是否成功(步驟180)，於判斷成功時才會與利用類神經網路的判斷結果相比較(步驟140)。若判斷失敗，則直接利用關聯性分析方法依據利用類神經網路所判斷得的問題屬性進行根因與耗能的關連性分析(步驟160)，而後再接續進行耗能趨勢預測(步驟170)。

其中，於修正類神經網路(步驟150)之後，可直接重新進行運轉訊號的量測(步驟110)及特徵訊號的擷取(步驟120)，再以新擷取得的特徵訊號重新利用類神經網路及一組經驗法則進行問題屬性的預測(步驟132及步驟134)並比較兩者的預測結果(即，問題屬性的判斷結果)(步驟140)。同樣地，當兩者的預測結果不相同時，則再次進行修正類神經網路(步驟150)，如此反覆執行至兩者的預測結果相符為止。

於此，參照「第5圖」，當利用類神經網路所判斷得的問題屬性與利用組經驗法則所判斷得的問題屬性不相同時，可先確認類神經網路的連續修正次數(步驟190)。當連續修正次數未達上限時，才進行類神經網路的修正(步驟150)，同時累計連續修正次數。當連續修正次數達到上限時，則恢復修正前的類神經網路並發佈例外事件訊息(步驟200)，此時可將記錄的連續修正次數歸零。再者，當利用類神經網路所判斷得的問題屬性與利用組經驗法則所判斷得的問題屬性相同時，除了接續進行根因與耗能的關連性分析(步驟160)外，同時可將記錄的連續修正次數歸零。

此外，可先將每一運轉訊號從以一時域資料域轉換為一頻域資料(步驟122)，然後再自以頻域資料表示的每一運轉訊號中擷取特徵訊號(步驟124)，如「第6圖」所示。

其中，域轉換方法可採用係為離散傅立葉轉換(Discrete Fourier Transform；DFT)處理、快速傅立葉轉換(Fast Fourier Transform；FFT)處理、離散餘弦轉換(Discrete Cosine Transformation；DCT)處理、離散哈特利轉換(Discrete Hartley Transform；DHT)處理、小波轉換(Wavelet Transform；WT)處理、或功率頻率(Power Spectrum)處理等域轉換(Domain Transform)處理。

參照「第2及3圖」，診斷設備300可更包括有儲存單元340。儲存單元340電性連接處理單元330。儲存單元340可儲存(或暫存)感測器310所量測得的運轉訊號和/或處理單元330執行訊號處理、判斷、比較、分析和預測時所欲進行處理及執行後產生的訊號。

再者，診斷設備300可更包括有顯示單元350。顯示單元350電性連接處理單元330。顯示單元350可用以顯示感測器310所量測得的運轉訊號和/或處理單元330執行訊號處理、判斷、比較、分析和/或預測後所產生的訊號。

於此，以馬達作為動力設備為例，由於愈多的環境與設備參數資料愈能夠提升類神經網路的預測準確度，因此於此除了量測振動資料外，也取得溫度、磁通、電流、轉速等相關設備資料，以輔助後續之數值分析。

首先，利用快速傅利葉轉換處理將振動資料與磁通資料等連續時間訊號(即，振動訊號與磁通訊號)自時域資料轉換為頻域資料，或是利用小波轉換處理可將時域資料解析為數個部份的頻域資料。並依據轉速參數換算動力設備的基頻，進而由轉換後的振動訊號與磁通訊號中擷取出0.5倍頻、1倍頻至12倍頻，總共24個倍頻之特徵訊號作為類神經網路之輸入參數，以輸入至預先建立好的馬達問題的類神經網路的預測模型。

在此範例中，定義四種馬達損壞狀況之輸出參數(z1’,z2’,z3’)分別為：(1,0,0)視為正常情況；(0,1,0)為動不平衡；(0,0,1)為不對心；及(0,1,1)為混和型，也就是動不平衡加上不對心的情況。並以此四種輸出參數作為類神經網路的輸出資料。

於此，係採用倒傳遞類神經網路。

參照「第7圖」，於馬達問題的類神經網路的建立上，類神經網路分為三層輸入層410、隱藏層420、和輸出層430。首先，須設定隱藏層420和輸出層430之神經元個數及轉移函數(Transfer Function)G1－Gh－G14、F1、F2、F3，以及訓練函數(Training Function)。於此，將隱藏層420的神經元個數設定為14，且將其轉移函數G1－Gh－G14設定為「purelin」。其中，h係為1－14之間的一正整數。將輸出層430的神經元個數設定為3，且將其轉移函數F1、F2、F3亦設定為「purelin」。而將訓練函數設定為「traingda」。然後，將72筆資料做為訓練資料進行倒傳遞類神經網路的訓練，以建立類神經網路。

於類神經網路訓練完成後，將12筆測試資料(即，擷取得的特徵訊號)輸入進行運算，可得到下列表一之運算結果。

並且，將擷取得到的24個倍頻的特徵訊號利用一組經驗法則判斷問題屬性。

經驗法則乃依據機械振動基礎理論所推導之振動特性規則，最常見的是對各個特徵頻譜搭配臨界門檻的組合加以計算一警戒值，亦可使用軌跡圖、包絡線等方法進一步將特徵值進行參數解耦與主成份分析。其中，諧波分析亦可協助取得邊頻資料。

於此，所採用的經驗法則是利用特徵頻譜與門檻設定的方法。當特徵頻譜超過警戒時即可判斷此一資料屬於哪種損壞模型(即，問題屬性)。

參照「第8圖」，先將24個倍頻的特徵訊號輸入(步驟510)。

確認24個倍頻的特徵訊號中1倍頻1X是否大於第一門檻值TH1(步驟520)。當1倍頻1X不大於第一門檻值TH1時，則判定動力設備運轉的問題屬性為正常情況(步驟530)。

當1倍頻1X大於第一門檻值TH1時，則確認24個倍頻的特徵訊號中2倍頻2X和3倍頻3X是否大於第一門檻值TH1(步驟540)。當2倍頻2X和3倍頻3X不大於第一門檻值TH1時，則判定動力設備運轉的問題屬性為不平衡(Unbalance)情況(步驟550)。

當2倍頻2X和3倍頻3X大於第一門檻值TH1時，則計算軸承外環軌道損壞頻率(Ball Pass Frequency Outer Race；BPFO)BPFO和/或軸承內環軌道損壞頻率(Ball pass Frequency Inner Race；BPFI)BPFI，並確認軸承外環軌道損壞頻率BPFO或軸承內環軌道損壞頻率BPFI是否大於第二門檻值TH2(步驟560)。其中，軸承外環軌道損壞頻率BPFO可由下列公式一計算得，而軸承內環軌道損壞頻率BPFI可由下列公式二計算得。

BPFO＝1/2×RPM×N×(1＋Bd/Pd×cos ψ) 公式一 BPFI＝1/2×RPM×N×(1－Bd/Pd×cos ψ) 公式二

其中，RPM係為軸的轉速，N係為軸承滾動體之數目、Bd係為軸承滾動體直徑、Pd係為軸承節徑、以及ψ係為滾動體之接觸角。通常，軸承外環軌道損壞頻率BPFO係為40%之轉速與軸承滾動體之數目的乘積，而軸承內環軌道損壞頻率BPFI係為60%之轉速與軸承滾動體之數目的乘積。

當軸承外環軌道損壞頻率BPFO或軸承內環軌道損壞頻率BPFI大於第二門檻值TH2時，則判定動力設備運轉的問題屬性為軸承損壞(Bearing Defect)情況(步驟570)。

當軸承外環軌道損壞頻率BPFO或軸承內環軌道損壞頻率BPFI不大於第二門檻值TH2時，則確認24個倍頻的特徵訊號中0.5倍頻0.5X、4倍頻4X、5倍頻5X到12倍頻12X是否大於第二門檻值TH2(步驟580)。當0.5倍頻0.5X、4倍頻4X、5倍頻5X到12倍頻12X大於第二門檻值TH2時，則判定動力設備運轉的問題屬性為鬆動(Looseness)情況(步驟590)。

當0.5倍頻0.5X、4倍頻4X、5倍頻5X到12倍頻12X不大於第二門檻值TH2時，則確認24個倍頻的特徵訊號中2倍頻2X是否大於1倍頻1X(步驟600)。當2倍頻2X大於1倍頻1X時，則判定動力設備運轉的問題屬性為不對心(Misalignment)情況(步驟610)。當2倍頻2X不大於1倍頻1X時，則判定動力設備運轉的問題屬性為軸彎曲(Bent shaft)情況(步驟620)。

其中，第一門檻值TH1與第二門檻值TH2需針對現場狀況進行調整。於此，可將第一門檻值TH1設定為5 mm/sec，而可將第二門檻值TH2設定為1 mm/sec。

在此，如果倒傳遞類神經結果與經驗法則的預測結果一致，接著就進行根因與耗能關聯分析、耗能趨勢分析，但如果不一致的話，就把此資料再帶入倒傳遞類神經與先前的訓練樣本結合重新在修正出一個模型。

經由測試樣本於類神經網路與經驗法則的計算判斷結果一致之後，接著進行根因與耗能關連分析、耗能趨勢分析e

於此，採用複迴歸分析進行根因與耗能關連分析。

欲先將上述72筆訓練資料，利用貝式定理(Bayes Theorem)計算其在各類馬達損壞情況之機率，並且與實驗時所得到的電流值做複迴歸分析，以得到下列公式三之關聯性函數。

yi＝0.066x1i＋0.1441x2i＋0.1172x3i＋2.006 公式三

其中，i係為1－n之正整數、n亦為正整數、yi係為第i個總定子電流(stator current)、x1i係為第i個正常可能性(probability of normal)、x2i係為第i個不平衡可能性(probability of unbalance)、以及x3i係為第i個不對心可能性(probability of misalignment)。

再利用貝式定理(Bayes Theorem)計算上述12筆測試資料的機率，可得到下表二。

再將表二的各機率結合至公式三，可以得到12筆測試資料的預測電流及個別根因之耗能程度，如下表四。

根據上述表一和表四，以第12筆資料12為例，在倒傳遞類神經網路下判定為混和型，但經由根因與耗能關連分析可見0.1441*x2的機率為0.1257，即以得知「動不平衡」情況是導致電流變大的最主要根因。

由於當一個馬達發生問題卻一直還在運作的話，其所需電流會越來越大。而又不去修復此馬達問題的話，就必須負擔持續增加的電費，如「第9圖」的區域A。當馬達問題愈慢修復時，「第9圖」中的黑虛線就會往右移，區域A也就變大，因而所付出的電費也就相對越大。

因此，利用根因與耗能關聯分析所得到之電流值，觀察一段時間(即，時間點0－t)後，當發現有電流值有逐漸增加的趨勢(即，「第10圖」中虛線前的實線曲線L1。進一步利用時間序列預測未來電流值的走勢(即，「第10圖」中由虛線後的虛線曲線L2，以便可以找出最適化維護點並進行節能效益評估。

再以「第11圖」為例說明找出最適化維護點的方法。參照「第11圖」，區域A係為時間點0－t之間的電費，點D係為各時間點(即，時間點t、2t)下修復馬達損壞狀況的修理費(其可為既定值)，而區域B則係為時間點t－2t之間的總電費減去區域A的電費。

當電流值有往上趨勢(即為一函數f(t))，並且點D的修理費等於區域B的電費時，可得到公式四。

其中，，且。由於點D的修理費係為既定值，因此，即可解出最適化維護點t值。得到此時間點t值後便可進行節能效益評估。其中，若函數f(t)係為平滑指數分配，則可找到唯一解。但若函數f(t)係呈現鋸齒向上的函數，則可利用數值方法找出其解。

雖然本發明以前述之實施例揭露如上，然其並非用以限定本發明。在不脫離本發明之精神和範圍內，所為之更動與潤飾，均屬本發明之專利保護範圍。關於本發明所界定之保護範圍請參考所附之申請專利範圍。

300‧‧‧診斷設備

310‧‧‧感測器

312‧‧‧感測單元

320‧‧‧資訊處理裝置

330‧‧‧處理單元

340‧‧‧儲存單元

350‧‧‧顯示單元

410‧‧‧輸入層

420‧‧‧隱藏層

430‧‧‧輸出層

G1‧‧‧轉移函數

Gh‧‧‧轉移函數

G14‧‧‧轉移函數

F1‧‧‧轉移函數

F2‧‧‧轉移函數

F3‧‧‧轉移函數

0.5X‧‧‧0.5倍頻

1X‧‧‧1倍頻

2X‧‧‧2倍頻

3X‧‧‧3倍頻

4X‧‧‧4倍頻

5X‧‧‧5倍頻

12X‧‧‧12倍頻

BPFO‧‧‧軸承外環軌道損壞頻率

BPFI‧‧‧軸承內環軌道損壞頻率

TH1‧‧‧第一門檻值

TH2‧‧‧第二門檻值

L1‧‧‧實線曲線

L2‧‧‧虛線曲線

A‧‧‧區域

B‧‧‧區域

D‧‧‧點

t‧‧‧時間點

2t‧‧‧時間點

f(t)‧‧‧函數

第1圖係為根據本發明第一實施例的動力設備耗能診斷方法的流程圖；第2圖係為用以實現根據本發明的動力設備耗能診斷方法之一實施例的診斷設備的概要方塊圖；第3圖係為用以實現根據本發明的動力設備耗能診斷方法之另一實施例的診斷設備的概要方塊圖；第4圖係為根據本發明第二實施例的動力設備耗能診斷方法的流程圖；第5圖係為根據本發明第三實施例的動力設備耗能診斷方法的流程圖；第6圖係為於根據本發明的動力設備耗能診斷方法中，一實施例的擷取特徵訊號的流程圖；第7圖係為於根據本發明的動力設備耗能診斷方法中，一實施例的類神經網路的結構示意圖；第8圖係為於根據本發明的動力設備耗能診斷方法中，一實施例的一組經驗法則的判斷流程圖；第9圖係為於根據本發明的動力設備耗能診斷方法中，一實施例的耗能趨勢的電流值對時間之關係圖；第10圖係為於根據本發明的動力設備耗能診斷方法中，另一實施例的耗能趨勢的電流值對時間之關係圖；以及第11圖係為於根據本發明的動力設備耗能診斷方法中，又另一實施例的耗能趨勢的電流值對時間之關係圖。

Claims

一種動力設備耗能診斷方法，應用於一動力設備，該方法包括：感測該動力設備的至少一運轉訊號；利用一訊號處理方法擷取該至少一運轉訊號中的至少一特徵訊號；利用一類神經網路基於該至少一特徵訊號判斷該動力設備運轉的問題屬性；利用一組經驗法則基於該至少一特徵訊號判斷該動力設備運轉的問題屬性；比較利用該類神經網路所判斷得的該問題屬性與利用該組經驗法則所判斷得的該問題屬性；當利用該類神經網路所判斷得的該問題屬性與利用該組經驗法則所判斷得的該問題屬性不相同時，依據該至少一特徵訊號修正該類神經網路；當利用該類神經網路所判斷得的該問題屬性與利用該組經驗法則所判斷得的該問題屬性相同時，利用一關聯性分析方法依據利用該類神經網路所判斷得的該問題屬性進行一根因與耗能的關連性分析，以得到該問題屬性中每一根因的嚴重程度及耗能程度；以及利用一趨勢分析方法以經由該根因與耗能的關連性分析所得到的該耗能程度預測一耗能趨勢。
如申請專利範圍第1項所述之動力設備耗能診斷方法，更包括：當利用該組經驗法則判斷該動力設備運轉的問題屬性失敗時，利用該關聯性分析方法依據利用該類神經網路所判斷得的該問題屬性進行該根因與耗能的關連性分析，以得到該問題屬性中每一該根因的嚴重程度及耗能程度。
如申請專利範圍第1項所述之動力設備耗能診斷方法，其中該至少一運轉訊號中之一係為該動力設備於運轉時的一振動訊號。
如申請專利範圍第1項所述之動力設備耗能診斷方法，其中該至少一運轉訊號中之一係為該動力設備於運轉時的一溫度訊號。
如申請專利範圍第1項所述之動力設備耗能診斷方法，其中該至少一運轉訊號中之一係為該動力設備於運轉時的一磁通訊號。
如申請專利範圍第1項所述之動力設備耗能診斷方法，其中該至少一運轉訊號中之一係為該動力設備於運轉時的一電流訊號。
如申請專利範圍第1項所述之動力設備耗能診斷方法，其中該至少一運轉訊號中之一係為該動力設備於運轉時的一電壓訊號。
如申請專利範圍第1項所述之動力設備耗能診斷方法，其中該至少一運轉訊號中之一係為該動力設備於運轉時的一轉速訊號。
如申請專利範圍第1項所述之動力設備耗能診斷方法，其中該訊號處理方法係為一域轉換處理。
如申請專利範圍第9項所述之動力設備耗能診斷方法，其中該域轉換處理係為一離散傅立葉轉換處理、快速傅立葉轉換處理、離散餘弦轉換處理、離散哈特利轉換處理、小波轉換處理、和功率頻率處理中之一。
如申請專利範圍第1項所述之動力設備耗能診斷方法，其中該利用一訊號處理方法擷取該至少一運轉訊號中的至少一特徵訊號的步驟包括：將每一該運轉訊號從以一時域資料域轉換為一頻域資料；以及自以該頻域資料表示的每一該運轉訊號中擷取至少一特徵訊號。
如申請專利範圍第11項所述之動力設備耗能診斷方法，其中該至少一特徵訊號包括：至少一倍頻值。
如申請專利範圍第1項所述之動力設備耗能診斷方法，其中該動力設備運轉的該問題屬性係為複數個分類項目中之一，且每一該分類項目係為複數個異常項目和一正常項目中之一。
如申請專利範圍第13項所述之動力設備耗能診斷方法，其中該正常項目係為一正常情況，且每一該異常項目係為一動不平衡情況、一共振情況、一潤滑情況、一鬆動情況、一軸承情況、一諧波倍頻情況、一相位不平衡情況、一電壓不平衡情況、和一短路情況中至少一種。
如申請專利範圍第1項所述之動力設備耗能診斷方法，其中該利用一類神經網路基於該至少一特徵訊號判斷該動力設備運轉的問題屬性的步驟包括：輸入該至少一特徵訊號至該類神經網路；以及依據該類神經網路將該至少一特徵訊號分類至複數個分類項目中之一，其中每一該分類項目係為一種問題屬性，且該至少一特徵訊號所分類為的該分類項目係為該動力設備運轉的問題屬性。
如申請專利範圍第15項所述之動力設備耗能診斷方法，其中該複數個分類項目包括：一正常情況、一動不平衡情況、一不對心情況和一混合型情況。
如申請專利範圍第1項所述之動力設備耗能診斷方法，其中該類神經網路係為倒傳遞類神經網路、霍普菲爾網路、徑向基底類神經網路、模糊類神經網路、和函數鏈路類神經網路中之一。
如申請專利範圍第1項所述之動力設備耗能診斷方法，其中該組經驗法則係為一特徵頻譜、一臨界門檻、一軌跡圖、一包絡線、和一諧波分析中至少一種。
如申請專利範圍第1項所述之動力設備耗能診斷方法，其中該利用一關聯性分析方法依據利用該類神經網路所判斷得的該問題屬性進行一根因與耗能的關連性分析，以得到該問題屬性中每一根因的嚴重程度及耗能程度的步驟，包括：利用一關聯性分析方法依據利用該類神經網路所判斷得的該問題屬性計算一電流值。
如申請專利範圍第19項所述之動力設備耗能診斷方法，其中該利用一趨勢分析方法以經由該根因與耗能的關連性分析所得到的該耗能程度預測一耗能趨勢的步驟，包括：利用一段時間內所計算得的該電流值預測該電流值的走勢。
如申請專利範圍第1項所述之動力設備耗能診斷方法，其中該關聯性分析方法係為一迴歸分析、一關聯分析、一決策樹、一類神經網路、和一最小平方法中至少一種。
如申請專利範圍第1項所述之動力設備耗能診斷方法，其中該趨勢分析方法係為一時間序列演算法、一泰勒展開演算法、和一曲線揉合演算法中之一。