TWI398629B - Equipment supervision method - Google Patents

Description

設備監診方法

本發明係關於一種設備監診方法，詳言之，係關於一種在設備定轉速下之監診方法。

設備之故障監診是為了有效執行設備維護與管理而發展。在習知故障監診技術開發過程中，分析流程的著眼點是一種從上而下的方式。其中，以振動為監診對象之分析流程大致為振動訊號擷取、數位訊號處理、訊號特徵提取及決策分析。

在該習知故障監診流程中，其面臨到許多選擇的問題。首先，根據監診設備之操作狀況，要選擇量測加速度、速度或是位移振幅訊號？訊號選擇部分會決定訊號對於故障類型之靈敏度；其次，在數位訊號處理過程中，要選擇均方根值(RMS)、頻譜(spectrum)、小波轉換(wavelet transform)、階次分析(order tracking analysis)、或是碎形(fractal)之維度(dimension)表示，這部分工作會影響故障特徵選擇方式；再來，訊號特徵提取部分，如何依據選用之分析方法，簡化故障特徵成某些特徵值；最後，在決策分析部分，如何選擇適合之決策分析方法，做為設備狀況識別使用，例如：類神經網路(neural network)、專家系統(expert system)等，但無論是選擇哪一條分析路徑，其目標終究要以定性及定量方式，將量測數據轉換成設備管理上之訊息(設備正常或異常)。

然而，根據上述習知故障監診分析流程，在推展至故障監診系統中使用時，顯然並不完整，且難以識別設備狀況，其由於該習知故障監診流程忽略兩個因素：一為產生振動之物理條件；二為分析設備或測點數量。基本上，機械產生振動程度，是作用力與動態剛性之間響應關係。以定轉速設備而言，振動之所以能作為診斷參考，係在假設設備作用力不變的前提下，當動態剛性改變時(如：軸承損壞、機座鬆動、軸系不平衡)，會完全反應至設備振動的原則，進而可利用其進行監診及判斷。

但影響動態剛性還有其他因素，例如：設備安裝方式、安裝機座穩定性、安裝位置等因素，同樣的也具有關鍵影響性，因此在實際狀況中，可發現兩部一樣的設備，在相同量測位置，使用的機座的形式，在歷經多年使用及反覆維修後，在相同操作條件及正常情況下，產生之振動程度是不一樣的。由此可知，若以上述習知故障監診分析流程，無論是採用任何決策模式，即使可做到設備定性分析，但定量問題上，便難以決定，一旦設備之檢測測點或類型眾多，問題將無法獲得解決。

此外，在設備振動定量問題無法解決的情形下，在上述習知故障監診分析流程的邏輯下，導入人工智慧(如：類神經網路、專家系統)在決策分析部分，其目的在於解決故障類型分類方面問題。

然，在實際應用上受到以下因素影響其應用至其他設備之實用性及複製，故降低應用成效。

最佳正規化(normalized)問題：類神經網路之輸入值及期望值，為配合計算過程中非線性函數，均需正規化至[0,1]或是[-1,1]，正規化的大小將影響辨識系統之靈敏度，因此存在最佳正規化問題。

即使是相同設備、相同振動量測位置，均在正常運轉下，因機座、安裝、位置不同，其正常狀況下之特徵參數(如振動量)並不一致。因此，即使是在針對某一類型設備進行類神經網路發展模式，也沒有完全的複製性，需要依其設備特性不同而調整。

在故障樣本數量不足情況下，如何進行類神經網路學習？

辨識過程中如何表示趨勢分析演變過程？若類神經網路根據輸入值(經數位訊號處理後之特徵值)大小及其相關頻率，在良好正規化條件下可區分設備是否(同時或單一)發生不平衡、偏心、或軸承損壞等故障情形，但利用此方式在故障趨勢分析中會遇到很大困難，即在相同的特徵頻率下，特徵值依故障趨勢的增加而增加，一旦增加至某一特定值，可能因為聚類中心的改變，又發出另一新故障類型，但其應被視為同一故障類型，而非新的故障產生，其之間差異只在於程度上大小，因此在這樣的學習過程中，存在過度學習及樣本爆炸問題。

如上所述，當上述習知故障監診分析技術在實際應用中的問題無法克服時，遑論如何利用此技術協助設備管理工作。因此，有必要提供一創新且富有進步性之設備監診方法，以解決上述問題。

本發明提供一種設備監診方法，用以進行一設備之異常檢測，該設備可進行一固定轉速之運轉，該設備監診方法包括以下步驟：(a)擷取該設備在該固定轉速下之一振動訊號，該振動訊號具有複數個頻寬範圍；(b)根據該振動訊號計算相應該等頻寬範圍之特徵值，其中該等特徵值符合高斯分佈；(c)根據相應頻寬範圍及特徵值計算至少一基準線；及(d)根據該基準線、相應頻寬範圍及特徵值判斷該設備為正常或異常。

在本發明之設備監診方法中，若振動訊號超過安全範圍基準線，即可診斷及識別出異常及故障類型，並且更可進一步具有自動監診及學習能力。另外，本發明之設備監診方法不需要考慮設備整個使用壽命中可能遇到的所有故障類型，大幅降低故障監診系統發展的規模及困難，故可提升設備狀況之可視化及增加設備之妥善率。

參考圖1，其顯示本發明之設備監診方法流程圖。本發明之設備監診方法用以進行一設備之異常檢測，該設備係可進行一固定轉速之運轉。首先，參考步驟S11，擷取該設備在該固定轉速下之一振動訊號，其中該振動訊號之頻率具有複數個頻寬範圍。

在本實施例中，本發明之方法係連續擷取該設備在該固定轉速下之一振動加速度訊號。其中，在步驟S11中可利用一振動感測器，在固定高通濾波器、低通濾波器截止頻率設定下擷取該振動加速度訊號。較佳地，該高通濾波器之截止頻率係設定在0.5Hz，該低通濾波器之截止頻率係設定在3000Hz，每隔1小時量測該振動加速度訊號訊號，且持續量測30至50天。在本實施例中，係將該振動加速度訊號區分為0-625Hz、625-1250Hz及1250-2500Hz之頻寬範圍，然而在其他應用中，係可將該振動加速度訊號區分為更多頻寬範圍。

參考步驟S12，根據該振動訊號計算相應該等頻寬範圍之特徵值，其中該等特徵值係符合高斯分佈。在本實施例中，係根據該振動加速度訊號計算相應該等頻寬範圍之速度均方根值(RMS)及加速度波高率(Crest Factor，Cf)，在此，該速度均方根值及該加速度波高率即為該等特徵值，且符合高斯分佈係為該等特徵值之陡峭值(Kurtosis)在3±0.5之間。

在本實施例中，步驟S12包括：步驟S121，積分該振動加速度訊號為一振動速度訊號；步驟S122，將該振動加速度訊號及該振動速度訊號進行離散小波轉換(Discrete wavelet transform)；及步驟S123，根據該振動加速度訊號及該振動速度訊號計算該加速度波高率及該速度均方根值。

在本實施例中，振動訊號之分析是考量包括加速度訊號及速度訊號二種類型訊號。其中，利用加速規擷取加速度訊號，並透過積分使加速度訊號轉換成速度訊號。

另外，基於機械學習之智能設備診斷技術在數位訊號處理上，一般是利用小波轉換作為前處理工具，以擷取不同頻段時間訊號，其目的在於藉由不同故障類型，對應產生之頻率範圍及其波形，作為故障原因識別參考。

當擷取該振動加速度訊號後，進行離散小波轉換，其可表示為下式(1)：

其中，

x (k )：時間數據

N ：取樣點數

h (n ),g (n )：共軛鏡象濾波器(QMF)之H(jw)和G(jw)的衝擊反應函數

j ：分解的層數

再運用Mallat算法(參考Mallat,S.(1998)「A Wavelet Tour of Signal Processing,Academic Press」,San Diego,CA,USA)，可將訊號一層層進行分解，每一層分解的結果是將上次分解得到的低頻訊號再分解成低頻和高頻二部分，每一次分解後的數據量減半，因此分析後得到的低頻成分和高頻成分的時域解析度比分解前訊號減低一半。經Mallat分解法後，訊號可用重構算法進行重構，重構算法如下式(2)所示：

重構算法為分解算法的逆過程，經每一層重構之後，訊號的數據量增加一倍，提高訊號時域解析度，因此時間數據可分解為下式(3)之形式：

其中，A為粗略子空間(Approximation subspace)訊號，D為細節子空間(Detail subspace)訊號，L為需分解之層數(Level)。

利用離散小波轉換能將訊號正交分解至不同頻寬之時域表示中，這有助於瞭解原始訊號中各組成訊號、發生頻寬及波形，以進一步提取其波形特徵，作為故障識別之參考。

一般而言，關於設備故障之特徵參數大致上可區分為二類型：能量參數及統計參數。其中，能量參數是以能量為單位顯示故障特徵(如軸偏心、不平衡)，注重其能量改變以表示設備狀況傾向；統計參數均屬於無因次參數，注重其統計特性(波形)改變以表示設備狀態改變。正常訊號多屬於高斯分佈，其陡峭值(kurtosis)其值約為3，若發生衝擊波時(軸承、齒輪損壞)，其陡峭值統計參數會大於3，故障監測使用數位訊號處理方法與對應使用量化之特徵參數選擇關係。其中，利用離散小波轉換作為數位訊號處理工具，既可以用於能量參數使用，亦可用於統計參數使用，且量化結果具有直觀物理意義，適合用於振動之特徵表示。

參考步驟S13，根據相應頻寬範圍及特徵值(該振動加速度訊號及該振動速度訊號)計算至少一基準線。在本實施例中，其係根據該振動加速度訊號及該振動速度訊號，利用標準差過程計算一第一基準線。其中，該標準差過程包括：步驟S131，若該等特徵值之統計分析均符合高斯分佈，分別計算各特徵值分佈之標準差及平均值；及步驟S132，以該等特徵值之統計樣本之平均值為圓心座標，以該等特徵值之統計樣本之六個標準差為二弦，以該二弦之一斜邊為半徑畫圓形成該第一基準線。

該第一基準線係作為識別該設備振動正常與否之參考。該第一基準線的組成，由前述步驟S12之敘述可知，訊號特徵(該等特徵值)是以離散小波轉換為基礎，藉由長時間蒐集設備在正常狀況下振動訊號，依據離散小波轉換之設定下，計算相應各頻寬範圍之速度訊號之均方根值(能量參數)及加速度訊號之波高率(統計參數)。速度均方根值(RMS)及加速度波高率(Crest Factor，Cf)可表示為下式(4)及(5)：

其中，x _i ,i =1,...,N 為時間序列。

速度訊號之均方根值是表示振動程度常用參考數據，而加速度訊號之波高率則是反應訊號中衝擊現象。在本實施例中，透過統計分析各特徵值長期累積數值，是否符合高斯分佈，再根據六個標準差概念，計算其安全與警戒之界線(該第一基準線)。其中，若統計上無法收斂時，則表示特徵值趨勢一直改變，可視為設備正處於異常狀況，且需再進一步觀察。

其中，在步驟S132之後可另包括一第二基準線建立步驟，該第二基準線建立步驟包括以下步驟：根據該等特徵值之統計分析計算各特徵值分佈之標準差及平均值；及以該等特徵值之統計樣本之平均值為圓心座標，以該等特徵值之統計樣本之十二個標準差為二弦，以該二弦之一斜邊為半徑畫圓形成一第二基準線。

另外，在該第二基準線建立步驟之後可另包括一第三基準線建立步驟，該第三基準線建立步驟包括以下步驟：根據該等特徵值之統計分析計算各特徵值分佈之標準差及平均值；及以該等特徵值之統計樣本之平均值為圓心座標，以該等特徵值之統計樣本之十八個標準差為二弦，以該二弦之一斜邊為半徑畫圓形成一第三基準線。

參考圖2，其係顯示本發明在設備正常情況下於不同頻寬範圍內建立基準線之示意圖。其中，圖2(a)顯示根據設備之原始振動訊號，建立正常、警告、危險三條基準線之示意圖；圖2(b)-2(d)分別顯示於1250-2500Hz、625-1250Hz、0-625Hz之頻寬範圍內，根據相應速度訊號之均方根值及加速度訊號之波高率所建立正常、警告、危險三條基準線(由內而外)之示意圖，其中基準線L1、L2、L3即分別表示上述之第一基準線、第二基準線及第三基準線。

再配合參考圖1之步驟S14及圖2，根據該第一基準線、相應頻寬範圍及特徵值判斷該設備為正常或異常。其中，在該固定轉速下持續擷取之該振動訊號中，若相應每一頻寬範圍之特徵值(請參考上述步驟S12中關於特徵值之計算方式)相對位置在該第一基準線L1範圍之內，判斷該設備為正常，若相應該等頻寬範圍之至少其中之一特徵值相對位置在該第一基準線L1範圍之外，判斷該設備為異常，其中，若相應該等頻寬範圍之至少其中之一特徵值相對位置在該第二基準線L2與該第三基準線L3之間，判斷該設備之異常為警告狀態，若相應該等頻寬範圍之至少其中之一特徵值相對位置在該第三基準線L3之外，判斷該設備之異常為危險狀態。

請再配合參考圖2(a)-2(d)及步驟S14，其可清楚看出在每一頻寬範圍內之振動訊號統計資料皆位於正常基準線(第一基準線L1)範圍內，其表示設備狀態為正常。

在本實施例中，在步驟S14中另包括一故障編碼步驟，該故障編碼步驟包括以下步驟：若該等頻寬範圍中相應之特徵值相對位置在該第一基準線L1範圍之內，定義為一第一編碼(例如：數值0)，若該等頻寬範圍中相應之特徵值相對位置在該第一基準線L1範圍之外，定義為一第二編碼(例如：數值1)；根據該第一編碼、該第二編碼及其相應頻寬範圍判斷該設備之異常類型。

較佳地，本發明之方法可利用類神經網路(neural network)或專家系統(expert system)判斷該設備之異常類型。其中，該類神經網路可選用自適應共振類神經網路(Adaptive Resonance Theory Neural Network,ART)。另外，步驟S14可更包括一記憶學習步驟，以該類神經網路或專家系統記憶及儲存經編碼後之異常類型。

當完成故障編碼後，可使用自適應共振理論類神經網路(參考Adaptive Resonance Theory Neural Network,ART)(Carpenter G. A.,Grossberg S.(1998)「The ART of Adaptive Pattern Recognition by a Self-Orginizing Neural Network」,IEEE Computer 21,pp. 77-88.)，進行故障編碼識別的工作。ART是模擬人的認知過程和大腦的特點，以期在複雜、非平穩及有干擾的環境中，對各種事物進行分類及識別，並且對於所學習的訊息的累積和儲存既具有剛性又具有彈性，即，一方面牢固地保存已學習的訊息，另一方面又能學習大量新的訊息，能避免先前學習模式的修改，同時，記憶容量可隨學習樣本增加而增加。

類神經網路之工作原理為：當類神經網路接受來自環境的輸入(例如：振動加速度訊號)，網路即檢查新的輸入模式與所儲存模式之間匹配程度，根據一預設的門檻值計算這些輸入模式相識度，若相似度高則選擇最相似模式類型作為該模型代表；反之網路則設立一新的模式類型並加以儲存，以作為後續輸入模式匹配過程之參考。

參考圖3及4，其係顯示以本發明設備監診方法分別診斷二部不同定轉速風車馬達之結果示意圖。其中，圖3(a)及圖4(a)顯示風車馬達之原始振動訊號之統計資料；圖3(b)及圖4(b)顯示風車馬達之振動訊號位於1250-2500Hz之頻寬範圍內之統計資料；圖3(c)及圖4(c)顯示風車馬達之振動訊號位於625-1250Hz之頻寬範圍內之統計資料；圖3(d)及圖4(d)顯示風車馬達之振動訊號位於0-625Hz之頻寬範圍內之統計資料。

使用小波函數之離散小波轉換，根據振動訊號之三個不同子空間(頻寬範圍)，計算各子空間之速度訊號之均方根值及加速度訊號之波高率，再利用統計分析建立原始振動訊號及各子空間之基準線，即，曲線L1為正常基準線，曲線L2及L3為異常(警告及危險)基準線(第二基準線及第三基準線)。其中，在本實例中，1250-2500Hz之頻寬範圍內之異常狀態為軸承問題及/或潤滑問題；625-1250Hz之頻寬範圍內之異常狀態為齒輪問題；0-625Hz之頻寬範圍內之異常狀態為不平衡問題及/或鬆動問題。

參考圖3(a)，明顯地，風車馬達之原始振動訊號之統計資料超出曲線L1之範圍，但在曲線L2範圍之內，即表示有異常且為警告狀態。進一步分析異常之類型：參考圖3(b)，振動訊號位於1250-2500Hz之頻寬範圍內之統計資料，超出曲線L1之範圍且在曲線L2範圍之內，即表示在1250-2500Hz之頻寬範圍內有異常狀態(軸承問題及/或潤滑問題)，並將該狀況編碼為1(第一編碼)；參考圖3(c)，振動訊號位於625-1250Hz之頻寬範圍內之統計資料，超出曲線L1之範圍且在曲線L2範圍之內，即表示在625-1250Hz之頻寬範圍內有異常狀態(齒輪問題)，並將該狀況編碼為1(第二編碼)；參考圖3(d)，振動訊號位於0-625Hz之頻寬範圍內之統計資料未超出曲線L1之範圍，即表示在0-625Hz之頻寬範圍內無異常狀態，並將該狀況編碼為0(第三編碼)。在此，風車馬達之異常狀態之三位編碼可表示為[1 1 0]。

參考圖4(a)，風車馬達之原始振動訊號之統計資料超出曲線L1之範圍，但在曲線L2範圍之內，即表示有異常且為警告狀態。進一步分析異常之類型：參考圖4(b)，振動訊號位於1250-2500Hz之頻寬範圍內之統計資料未超出曲線L1之範圍，即表示在1250-2500Hz之頻寬範圍內無異常狀態，並將該狀況編碼為0(第一編碼)；參考圖4(c)，振動訊號位於625-1250Hz之頻寬範圍內之統計資料未超出曲線L1之範圍，即表示在625-1250Hz之頻寬範圍內無異常狀態，並將該狀況編碼為0(第二編碼)；參考圖4(d)，振動訊號位於0-625Hz之頻寬範圍內之統計資料，超出曲線L1之範圍且在曲線L2範圍之內，即表示在0-625Hz之頻寬範圍內有異常狀態(平衡問題及/或鬆動問題)，並將該狀況編碼為1(第三編碼)。在此，風車馬達之異常狀態之三位編碼可表示為[0 0 1]。

其中，異常狀態經編碼後，即由自適應共振理論類神經網路進行故障編碼識別的工作，自適應共振理論類神經網路並累積、儲存及學習該等異常狀態之編碼及其代表意義，以保存已學習的訊息，以作為後續振動訊號之診斷及識別使用。

在本發明之設備監診方法中，若振動訊號超過安全範圍基準線，則予以自動編碼，再進入自適應共振類神經網路進行學習，並可標記及記憶故障類型及原因，以利後續對於類似故障類型之診斷及識別，同時保有自動監診及學習能力。另外，本發明之設備監診方法不需要考慮設備整個使用壽命中可能遇到的所有故障類型，大幅降低故障監診系統發展的規模及困難，故可提升設備狀況之可視化及增加設備之妥善率。

上述實施例僅為說明本發明之原理及其功效，並非限制本發明。因此習於此技術之人士對上述實施例進行修改及變化仍不脫本發明之精神。本發明之權利範圍應如後述之申請專利範圍所列。

圖1顯示本發明之設備監診方法流程圖；

圖2，其係顯示本發明在設備正常情況下於不同頻寬範圍內建立基準線之示意圖；及

圖3及4係顯示以本發明設備監診方法分別診斷二部不同定轉速風車馬達之結果示意圖。

(無元件符號說明)

Claims (18)

1. 一種設備監診方法，用以進行一設備之異常檢測，該設備可進行一固定轉速之運轉，該設備監診方法包括以下步驟：(a)擷取該設備在該固定轉速下之一振動訊號，該振動訊號具有複數個頻寬範圍；(b)根據該振動訊號計算相應該等頻寬範圍之特徵值，其中該等特徵值符合高斯分佈；(c)根據相應頻寬範圍及特徵值計算至少一基準線；及(d)根據該基準線、相應頻寬範圍及特徵值判斷該設備為正常或異常。
2. 如請求項1之方法，其中在步驟(a)中係擷取該設備在該固定轉速下之一振動加速度訊號。
3. 如請求項2之方法，其中在步驟(a)中係利用一振動感測器，在固定高、低通濾波器截止頻率設定下擷取該振動加速度訊號。
4. 如請求項3之方法，其中該高通濾波器之截止頻率設定在0.5Hz，該低通濾波器之截止頻率設定在3000Hz，以量測該振動加速度訊號。
5. 如請求項4之方法，其中在步驟(a)中該振動加速度訊號至少區分為0-625Hz、625-1250Hz及1250-2500Hz之頻寬範圍。
6. 如請求項2之方法，其中在步驟(a)中係每隔1小時量測該振動加速度訊號訊號，持續量測30至50天。
7. 如請求項2之方法，其中在步驟(b)中係根據該振動加速度訊號計算相應該等頻寬範圍之速度均方根值(RMS)及加速度波高率(Crest Factor)。
8. 如請求項7之方法，其中在步驟(b)中符合高斯分佈係為該等特徵值之陡峭值(Kurtosis)在3±0.5之間。
9. 如請求項8之方法，其中步驟(b)包括以下步驟：(b1)積分該振動加速度訊號為一振動速度訊號；(b2)將該振動加速度訊號及該振動速度訊號進行離散小波轉換；及(b3)根據該振動加速度訊號及該振動速度訊號計算該加速度波高率及該速度均方根值。
10. 如請求項9之方法，其中在步驟(c)中係根據該振動加速度訊號及該振動速度訊號，利用標準差過程計算該基準線。
11. 如請求項10方法，其中在步驟(c)中該標準差過程包括以下步驟：(c1)若該等特徵值之統計分析均符合高斯分佈，分別計算各特徵值分佈之標準差及平均值；及(c2)以該等特徵值之統計樣本之平均值為圓心座標，以該等特徵值之統計樣本之六個標準差為二弦，以該二弦之一斜邊為半徑畫圓形成一第一基準線。
12. 如請求項11方法，其中在步驟(c2)之後另包括一第二基準線建立步驟，該第二基準線建立步驟包括以下步驟：(c3)根據該等特徵值之統計分析計算各特徵值分佈之標準差及平均值；及(c4)以該等特徵值之統計樣本之平均值為圓心座標，以該等特徵值之統計樣本之十二個標準差為二弦，以該二弦之一斜邊為半徑畫圓形成一第二基準線。
13. 如請求項12方法，其中在步驟(c4)之後另包括一第三基準線建立步驟，該第三基準線建立步驟包括以下步驟：(c5)根據該等特徵值之統計分析計算各特徵值分佈之標準差及平均值；及(c6)以該等特徵值之統計樣本之平均值為圓心座標，以該等特徵值之統計樣本之十八個標準差為二弦，以該二弦之一斜邊為半徑畫圓形成一第三基準線。
14. 如請求項13方法，其中在步驟(d)中，在該固定轉速下持續擷取之該振動訊號中，若相應每一頻寬範圍之特徵值相對位置在該第一基準線範圍之內，判斷該設備為正常，若相應該等頻寬範圍之至少其中之一特徵值相對位置在該第一基準線範圍之外，判斷該設備為異常，其中，若相應該等頻寬範圍之至少其中之一特徵值相對位置在該第二基準線與該第三基準線之間，判斷該設備之異常為警告狀態，若相應該等頻寬範圍之至少其中之一特徵值相對位置在該第三基準線之外，判斷該設備之異常為危險狀態。
15. 如請求項11方法，其中在步驟(d)中另包括一故障編碼步驟，該故障編碼步驟包括以下步驟：(d1)若該等頻寬範圍中相應之特徵值相對位置在基準線範圍之內，定義為一第一編碼，若該等頻寬範圍中相應之特徵值相對位置在基準線範圍之外，定義為一第二編碼；及(d2)根據該第一編碼、該第二編碼及其相應頻寬範圍判斷該設備之異常類型。
16. 如請求項15之方法，其中在步驟(d2)中係利用類神經網路(neural network)或專家系統(expert system)判斷該設備之異常類型。
17. 如請求項16之方法，其中該類神經網路係選用自適應共振類神經網路(Adaptive Resonance Theory Neural Network,ART)。
18. 如請求項16之方法，其中在步驟(d)中另包括一記憶學習步驟，以該類神經網路或專家系統記憶及儲存經編碼後之異常類型。