TWI470189B

TWI470189B - 機械系統狀態之判斷方法及判斷裝置

Info

Publication number: TWI470189B
Application number: TW100114545A
Authority: TW
Inventors: Yu Hsiang Pan; Yung Hung Wang; Wei Yen Lin; Jia Wang
Original assignee: Yu Hsiang Pan; Yung Hung Wang; Wei Yen Lin; Jia Wang
Priority date: 2011-04-27
Filing date: 2011-04-27
Publication date: 2015-01-21
Also published as: TW201243296A

Description

機械系統狀態之判斷方法及判斷裝置 METHOD AND APPARATUS FOR JUDGING STATUS OF MECHANIC SYSTEM

本發明係與損壞判斷方式相關，並且尤其與應用於機械系統的損壞判斷方式相關。

一般而言，檢測機械系統狀態的目的有兩個，一是找出損壞的機構並判斷損壞原因，進而進行相對應的解決措施，二是在機構將損壞前檢測出損壞徵兆，儘早維修，以提升機具使用壽命。以工具機為例，其中的某些組件會因為長期運轉而產生磨耗，導致組裝結合與運動精度的喪失，影響加工性能，甚至造成其他組件的損壞。為了達成提升產品品質、降低生產成本，縮短其製造及維修時間等目的，對工具機製造商而言，定期或持續檢測機械系統狀態是必要的。

機械系統在運作時會產生震動，透過監測此數值可對系統進行非破壞式的檢測。更明確地說，震動分析是藉由比較正常運轉與異常狀態下的震動狀況，以找出機械系統發生故障時的震動特徵。目前台灣工具機及主軸相關業界普遍缺乏以訊號處理進行檢測分析的技術。以往常用的檢測方式為計算震動量的均方根值，其演算法特性在於計算快速簡單，但僅能檢測是否發生損壞，無法辨識損壞原因。以工具機系統中的主軸為例，一般主軸不良的原因包含組裝的差異性、過熱、主軸公差、油值過高等等。單就震動量的均方根值並不能分辨損壞是由哪一種不良狀況造成。此外，機械系統損壞初期的震動特徵還不明顯，採用計算震動量均方根值的方式通常無法在初期階段檢測出系統即將損壞。

另一方面，一般的震動分析係採用傅立葉轉換，將震動訊號分解成無窮個正弦或/及餘弦函數的組合，再由這些正弦或/及餘弦函數的無窮級數來計算震動訊號的自然頻率與反應頻譜，據此判斷該震動的特性。然而，此方法僅適用於線性(linear)與駐態(stationary)的震動現象。實際於檢測機械系統過程中所得之震動訊號時往往既非線性亦非駐態。如此一來，上述分析結果極可能無法反應出該震動的真實行為。

在非線性訊號分析理論中，訊號複雜的程度或規律的程度可被量化，以區分不同訊號間的差異。熵(entropy)便是用來量化非線性資料之不確定性的指標之一，尤其適用於長度較短、複雜度較高的訊號。多尺度熵(multi-scale entropy,MSE)分析先前已成功應用在生醫領域，用以量化受測者的腦波、心跳、麻醉深度以及身體平衡狀態等訊號。

有鑑於生醫領域中的成果，先前曾出現少數將MSE分析應用在機械領域的技術。然而，機械系統的震動訊號與生理訊號有許多本質上的差異，該等先前技術卻未根據機械領域和生醫領域的訊號差異調整其分析方式及運算參數，因此導致其分析結果的參考價值極低。舉例而言，以往在生醫領域，MSE分析中採用的最高尺度(scale)都只有到20左右。由於迴轉機械的震動頻率通常遠高於生理訊號的震動頻率，若直接沿用對生理訊號進行MSE分析時採用的最高尺度20，自其分析結果中幾乎無法辨識出機械系統是否存在損壞狀況。

為解決上述問題，本發明提出用以一種用以判斷機械系統狀態的方法及裝置。根據本發明之判斷方法和判斷裝置於多尺度熵(multi-scale entropy,MSE)分析中所採用的參數被設計為與機械系統的震動頻率相關，亦與對震動訊號進行取樣時採用的取樣頻率相關。實驗結果顯示，採用根據本發明之判斷方法和判斷裝置可產生具參考價值的分析結果，明確分辨機械系統是否存在損壞狀況。

根據本發明之另一具體實施例亦為一種機械系統狀態判斷方法，包含下列步驟：(a)取得與一機械系統相關之一震動訊號；(b)針對該震動訊號進行MSE分析，以得到一分析結果；以及(c)根據該分析結果判斷該機械系統是否存在一損壞狀況。該MSE分析所採用之最高尺度大於等於48。

根據本發明之另一具體實施例亦為一種機械系統狀態判斷方法，包含下列步驟：(a)取得與一機械系統相關之一震動訊號；(b)針對該震動訊號進行MSE分析，以得到一分析結果；以及(c)根據該分析結果判斷該機械系統是否存在一損壞狀況。該震動訊號具有一震動頻率並係以一取樣頻率被取樣。該取樣頻率為該震動頻率之P倍，並且該MSE分析所採用之最高尺度大於等於P/2。

根據本發明之另一具體實施例為一機械系統狀態判斷裝置，其中包含一收集模組、一分析模組及一判斷模組。該收集模組係用以取得與一機械系統相關之一震動訊號。該分析模組係用以針對該震動訊號進行MSE分析，以得到一分析結果。該判斷模組係用以根據該分析結果判斷該機械系統是否存在一損壞狀況。該分析模組進行MSE分析時所採用之最高尺度大於等於48。

根據本發明之一具體實施例為一種機械系統狀態判斷方法，包含下列步驟：(a)取得與一機械系統相關之一震動訊號；(b)針對該震動訊號進行MSE分析，以得到一分析結果；以及(c)根據該等目標內部模態函數判斷該機械系統是否存在一損壞狀況。該震動訊號具有一震動頻率並係以一取樣頻率被取樣，並且該MSE分析所採用之最高尺度係與該震動頻率及該取樣頻率相關。

根據本發明之判斷方法和判斷裝置可被設計為完全自動化運作，達到即時反應的效果。藉此，管理者可在機械系統尚未嚴重損壞時及時更換或修復元件，對於節省成本、提高產品良率、延長機具壽命皆有極大的好處。關於本發明的優點與精神可以藉由以下發明詳述及所附圖式得到進一步的瞭解。

請參閱圖一，圖一為根據本發明之一具體實施例中的機械系統狀態判斷方法流程圖。步驟S12首先被執行，以取得與一機械系統相關之一震動訊號。舉例而言，一個或多個震動偵測器(例如壓電式加速度規)可被安裝在受測工具機的主軸上，收集對應於該主軸迴轉時的震動訊號，但不以此為限。於此實施例中，步驟S12所取得的震動訊號具有一震動頻率並係以一取樣頻率被取樣。舉例而言，當震動頻率為400Hz時，取樣頻率可為51200Hz，亦即在每個震動週期中產生128個取樣點。

接著，步驟S14為針對該震動訊號進行多尺度熵(multi-scale entropy,MSE)分析，以得到一分析結果。假設該震動訊號被取樣後成為一維的時間序列{x ₁ ,...,x _N }，其長度為N。一模型長度(pattern length) m被定義如下：

若兩資料x _i 和x _j 所對應的模型(X _i )_m 和(X _j )_m 之距離小於r，則兩資料x _i 和x _j 被視為相似，其中r表示可接受的相似容忍度。以上描述可表示如下：

接著，變數θ(i,j,m,r)可被定義；若式二成立，則變數θ(i,j,m,r)的值為1，亦即表示兩資料x _i 和x _j 為相似；若式二不成立，則變數θ(i,j,m,r)的值為0。

接著，根據下列方程式，可計算樣本熵S _E (m,r,N) ：

其中代表第i 資料所對應的相似模型數量，並可表示如下：

進行上述計算時可選定m =2且令r =0.15×SD (SD 代表訊號的標準差)。樣本熵S _E 會等於將一條件概率(conditional probability)取自然對數後加上負號，並可被表示如下：

其中，

如圖二所示，採用尺度(scale) τ，將原始的時間序列分配到複數個不重疊的視窗中，可建立連貫粗量(coarse-grained)的時間級數{y ^τ }。根據下列方程式可計算每個粗量時間級數的平均值：

第一階的時間級數{y ⁽¹⁾ }就是原來的時間級數；每個粗量時間級數的資料長度，等於原始時間級數的資料長度除以尺度τ。在MSE分析中，每一尺度τ所對應的樣本熵S _E ( τ,m,r,N) 會被計算出來。根據以上計算結果，可畫出樣本熵S _E ( τ,m,r,N) 與與尺度τ的對應圖。圖三即為一範例，其橫軸為尺度，縱軸則是樣本熵S _E ( τ,m,r,N) 被標準化後的數值。於根據本發明之一實施例中，步驟S14所得到的分析結果可為如圖三所示之熵分布圖。

接著，步驟S16為根據步驟S14所得之分析結果判斷該機械系統是否存在一損壞狀況。以工具機為例，機械結構可能發生的問題可歸類為以下幾種：軸承損壞、軸心問題、組裝瑕疵以及軸承潤滑不足。若受測系統的主軸為組裝瑕疵主軸(例如不對心(misalignment)、潤滑過多/過少、預壓(preload)過大/過小)，其分析結果就會不同於正常主軸的分析結果。各種可能損壞情況所對應的震動訊號可被預先建立為參考模型，儲存於資料庫中，供日後與實際量測所得的結果比對。

舉例而言，步驟S16可為根據上述分布圖及一參考分布圖之差異判斷該損壞狀況是否存在。除了直接根據分布圖的曲線型態目測判斷外，根據本發明的判斷方法亦可計算該分布圖與一參考分布圖之相似度，再根據該相似度判斷機械系統是否存在損壞狀況。實務上，MSE計算結果的分布圖形可被視為一向量S _a =[a ₁ ,a ₂ ,...,a _n ]，因此，兩個MSE分布圖形相似程度可視為兩個向量的相似程度，用向量內積來表示。兩向量S _a =[a ₁ ,a ₂ ,...,a _n ]與S _b =[b ₁ ,b ₂ ,...,b _n ]的相關度為：

根據本發明之判斷方法所得之實驗結果顯示，軸承潤滑不足的MSE分布圖特徵非常明顯，呈現同一種波動走勢。換句話說，兩組軸承潤滑不足狀況之分析結果會具有相當高的相似度。因此，步驟S14所得之分析結果可為一相似程度，並且步驟S16可為根據該相似程度是否大於一門檻值來判斷受測機械系統是否存在損壞狀況。上述相似度運算尤其適用於判斷受測機械是否存在軸承潤滑不足的問題。

除了曲線型態和相似程度之外，還有幾種與圖三相關的數值亦可做為步驟S14的分析結果，亦即做為步驟S16中判斷損壞狀況是否存在的根據。於一實施例中，步驟S14的分析結果包含圖三中曲線的線下面積，也就是所有樣本熵的總和，或是某一區段(例如尺度在1~64間)之樣本熵的總和。

於另一實施例中，步驟S14的分析結果為該曲線之趨勢達到穩定的尺度值(以下稱為穩定尺度)。實務上，可根據下列方程式尋找該穩定尺度：

根據本發明之判斷方法所得之實驗結果顯示，受測主軸健康狀況越好，其線下面積越大，穩定尺度也越大。因此，步驟S16亦可為根據該總和或該穩定尺度是否大於一門檻值來判斷該損壞狀況是否存在。

於另一實施例中，步驟S14的分析結果為該等樣本熵的平均值。於另一實施例中，步驟S14的分析結果為該等樣本熵的標準差。藉由比較損壞狀況和正常狀況下的平均值或標準差，測試者亦可判斷機械系統是否正常。

如先前所述，步驟S12所取得的震動訊號具有一震動頻率並係以一取樣頻率被取樣。假設取樣頻率為震動頻率之P倍(P為大於1的整數)。如圖三所示，該曲線在趨於穩定前會上下震盪。根據本發明之判斷方法所得之實驗結果顯示，若受測機械系統正常，圖三之縱軸所表示的樣本熵會在尺度為P/2時為零。相對地，如果受測機械系統存在預壓過大的問題，圖三之縱軸所表示的樣本熵會在尺度為P/2之前出現降為零的狀況。

以P等於128為例，若受測機械系統正常，圖三之縱軸所表示的樣本熵在尺度為64時才會第一次降為零；若受測機械系統預壓過大，在尺度小於64時會就出現為零的樣本熵。因此，於一實施例中，步驟S14的分析結果可包含大致為零之一目標熵值，並且步驟S16包含判斷該目標熵值所對應之一尺度是否小於P/2；若該尺度小於P/2，該機械系統被判定為存在預壓過大的狀況。

根據本發明之判斷方法所得之實驗結果可歸納出以下幾個規律性：(1)正常主軸和潤滑過多/過少的主軸在尺度為P的樣本熵都會為零，並且在尺度為P/2之整數倍時，樣本熵會以該尺度為中心大致左右對稱。(2)曲線中樣本熵局部最大值(local maximum)的點數與主軸的狀況相關。(3)特定區段內樣本熵的總和與主軸的狀況相關。圖四係以表格的方式呈現利用根據本發明之判斷方法所得到的MSE分析結果，此實驗採用的P為128，而最高尺度為400。

實務上，上述各種判斷考量可被全部或部分納入步驟S16中。圖五係繪示根據本發明之一實施例中步驟S16的詳細實施範例。首先，步驟S16A為判斷尺度為128時樣本熵是否為零；若判斷結果為是，步驟S16B接著被執行，以判斷尺度65~128間之樣本熵的總和是否大於一第一門檻值。若步驟S16B的判斷結果為是，如步驟S16C所示，受測主軸被判定為一正常主軸。若步驟S16B的判斷結果為否，步驟S16D接著被執行，以判斷尺度1~65間之樣本熵的總和是否大於一第二門檻值。若步驟S16D的判斷結果為是，如步驟S16E所示，受測主軸被判定為存在潤滑過多的問題。若步驟S16D的判斷結果為否，如步驟S16F所示，受測主軸被判定為存在潤滑過少的問題。

承上所述，若步驟S16A的判斷結果為否，步驟S16G被執行，以判斷尺度129~400間之局部最大值點數是否為零。若步驟S16G的判斷結果為是，如步驟S16H所示，受測主軸被判定為存在軸承損壞的問題。若步驟S16G的判斷結果為否，步驟S16I被執行，以判斷尺度65~400間之樣本熵的總和是否大於一第三門檻值。若步驟S16I的判斷結果為是，如步驟S16J所示，受測主軸被判定為存在預壓過大的問題。若步驟S16I的判斷結果為否，如步驟S16K所示，受測主軸被判定為存在預壓不足的問題。實務上，上述第一門檻值、第二門檻值和第三門檻值都可根據實驗統計結果決定。

值得注意的是，於圖一所示之實施例中，步驟S14中的MSE分析所採用之最高尺度被設計為大於等於48。以下將說明本實施例根據震動頻率及取樣頻率將最高尺度下限選定為48原因。

一般而言，機械系統之軸承可能出現損傷的四種部位為：外環、內環、滾珠、保持器。無論是哪一部位損傷，與軸承相關的震動訊號就會出現不同於原震動頻率的頻率成分。在這四種部位當中，滾珠損傷造成的異常震動所對應之頻率最高，通常落在正常震動頻率的8~12倍左右。考量奈奎斯(Nyquist)準則，取樣頻率必須為震動頻率的至少兩倍。因此，欲完整測得異常震動的存在，取樣頻率必須被設定為至少是正常震動頻率的24倍，亦即在每個震動週期中產生至少24個取樣點。此外，根據本發明之判斷方法所得之實驗結果顯示，將最高尺度設計為大於等於取樣點點數的2倍，才能獲得較佳的分析結果。因此，圖一所示之實施例中的最高尺度被設計為大於等於48。相較於至多將最高尺度設定為20的先前技術，根據本發明之判斷方法的設計更貼近機械系統的性質，因此能獲得更有參考價值的分析結果。

如圖六所示，於實際應用中，在步驟S12和步驟S14間可進一步包含針對該震動訊號進行帶通濾波程序的步驟S13。針對迴轉機械，該帶通頻段可被定為200~5000赫茲，亦即大致涵蓋機械的加速規接合頻率，但不以此為限。

此外，於實際應用中，步驟S12中的MSE分析可採用滑動K維樹(sliding K-dimensional tree)演算法，以降低演算時間及記憶體使用量。假設震動訊號的資料長度為N，一般MSE演算法的時間複雜度是O(N² )，採用滑動K維樹演算法後的時間複雜度則是O(N*logN)，甚至是O(N)。由此可之，即使提高MSE分析所採用之最高尺度，其運算時間亦不致過長。

請參閱圖七，圖七為根據本發明之另一具體實施例中的機械系統狀態判斷方法流程圖。首先，步驟S22被執行，以取得與一機械系統相關之一震動訊號。該震動訊號具有一震動頻率並係以一取樣頻率被取樣；該取樣頻率為該震動頻率之P倍。接著，步驟S24為針對該震動訊號進行MSE分析，以得到一分析結果，其中該MSE分析所採用之最高尺度大於等於P/2。隨後，步驟S26為根據該分析結果判斷該機械系統是否存在一損壞狀況。

圖一及圖七之實施例的主要差別在於最高尺度的選擇。圖一所示之判斷方法中的MSE分析係以絕對數值48為最高尺度下限，而圖七所示之判斷方法中的MSE分析則是以會隨著取樣頻率及震動頻率相對關係變化的P/2為最高尺度下限。如先前所述，若受測機械系統正常，圖三之縱軸所表示的樣本熵會在尺度為P/2時為零；若受測機械系統存在預壓過大的問題，圖三之縱軸所表示的樣本熵會在尺度為P/2之前出現降為零的狀況。因此，圖七之實施例可專用於判斷機械系統是否存在預壓過大的問題。

請參閱圖八(A)，圖八(A)為根據本發明之一具體實施例中的機械系統狀態判斷裝置方塊圖。機械系統狀態判斷裝置60包含收集模組62、分析模組64和判斷模組66。收集模組62係用以取得與一機械系統相關之一震動訊號。分析模組64係用以針對該震動訊號進行MSE分析，以得到一分析結果。判斷模組66則係用以根據該分析結果判斷該機械系統是否存在一損壞狀況。分析模組64進行MSE分析時所採用之最高尺度大於等於48。

機械系統狀態判斷裝置60中各模組的運作方式可參考先前關於根據本發明之機械系統狀態判斷方法的各流程圖及其說明，因此不再贅述。

如圖八(B)所示，收集模組62和分析模組64之間可設置一濾波器63，用以針對該震動訊號進行帶通濾波程序。此外，機械系統狀態判斷裝置60可進一步包含警示模組68。若判斷模組66判定該機械系統存在損壞狀況，警示模組68即可發出一警示訊息(例如文字、聲響或燈號)，通知管理者前往修復。

如上所述，根據本發明之判斷方法和判斷裝置於MSE分析中所採用的參數被設計為與機械系統的震動頻率及取樣頻率相關。實驗結果顯示，相較於先前技術，根據本發明之判斷方法的設計更貼近機械系統的性質，因此能獲得更有參考價值的分析結果。此外，根據本發明之判斷方法和判斷裝置可被設計為完全自動化運作，達到即時反應的效果。藉此，管理者可在機械系統尚未嚴重損壞時及時更換或修復元件，對於節省成本、提高產品良率、延長機具壽命皆有極大的好處。

藉由以上較佳具體實施例之詳述，係希望能更加清楚描述本發明之特徵與精神，而並非以上述所揭露的較佳具體實施例來對本發明之範疇加以限制。相反地，其目的是希望能涵蓋各種改變及具相等性的安排於本發明所欲申請之專利範圍的範疇內。

S12~S16．．．流程步驟

S22~S26．．．流程步驟

S16A~S16K．．．流程步驟

60．．．機械系統狀態判斷裝置

62．．．收集模組

64．．．分析模組

66．．．判斷模組

63．．．濾波器

68．．．警示模組

圖一為根據本發明之一具體實施例中之機械系統狀態判斷方法流程圖。

圖二為MSE分析過程之一示意圖。

圖三為根據本發明之一MSE分析結果範例。

圖四為根據本發明之實驗結果的整理表。

圖五為一具體實施例中之判斷步驟的詳細實施範例。

圖六為根據本發明之另一具體實施例中之機械系統狀態判斷方法流程圖。

圖七為根據本發明之另一具體實施例中之機械系統狀態判斷方法流程圖。

圖八(A)和圖八(B)為根據本發明之一具體實施例中之機械系統狀態判斷裝置方塊圖。

S12~S16．．．流程步驟

Claims

一種機械系統狀態判斷方法，包含：(a)取得與一機械系統相關之一震動訊號，該震動訊號具有一震動頻率並係以一取樣頻率被取樣；(b)針對該震動訊號進行一多尺度熵分析，以得到一分析結果，其中該多尺度熵分析所採用之一最高尺度係與該震動頻率及該取樣頻率相關；以及(c)根據該分析結果判斷該機械系統是否存在一損壞狀況。
一種機械系統狀態判斷方法，包含：(a)取得與一機械系統相關之一震動訊號；(b)針對該震動訊號進行一多尺度熵分析，以得到一分析結果，其中該多尺度熵分析所採用之一最高尺度大於等於48；以及(c)根據該分析結果判斷該機械系統是否存在一損壞狀況。
如申請專利範圍第2項所述之機械系統狀態判斷方法，在步驟(a)和步驟(b)之間進一步包含：針對該震動訊號進行一帶通濾波程序。
如申請專利範圍第2項所述之機械系統狀態判斷方法，其中該分析結果包含一分布圖，該分布圖之橫軸為尺度，縱軸為樣本熵之數值，且步驟(c)包含根據該分布圖及一參考分布圖之差異判斷該損壞狀況是否存在。
如申請專利範圍第2項所述之機械系統狀態判斷方法，其中該分析結果包含樣本熵，且步驟(c)包含根據該等樣本熵之一總和、一區段總和、一為零點、一平均值、一標準差、一局部最大值點數或一穩定尺度判斷該損壞狀況是否存在。
如申請專利範圍第5項所述之機械系統狀態判斷方法，其中步驟(c)包含根據該總和或該穩定尺度是否大於一門檻值判斷該損壞狀況是否存在。
如申請專利範圍第2項所述之機械系統狀態判斷方法，其中該分析結果包含一相似程度，且步驟(c)包含判斷該相似程度是否高於一門檻值；若該相似程度高於該門檻值，該機械系統被判定為存在一軸承潤滑不足狀況。
如申請專利範圍第2項所述之機械系統狀態判斷方法，其中該震動訊號具有一震動頻率並係以一取樣頻率被取樣，該取樣頻率為該震動頻率之P倍，P為大於1的整數；該分析結果包含大致為零之一目標熵值，且步驟(c)包含判斷該目標熵值所對應之一尺度是否小於P/2；若該尺度小於P/2，該機械系統被判定為存在一預壓過大狀況。
如申請專利範圍第2項所述之機械系統狀態判斷方法，其中該多尺度熵分析包含採用一滑動K維樹(sliding K-dimensional tree)演算法。
一種機械系統狀態判斷方法，包含：(a)取得與一機械系統相關之一震動訊號，該震動訊號具有一震動頻率並係以一取樣頻率被取樣，該取樣頻率為該震動頻率之P倍，P為大於1的整數；(b)針對該震動訊號進行一多尺度熵分析，以得到一分析結果，其中該多尺度熵分析所採用之一最高尺度大於等於P/2；以及(c)根據該分析結果判斷該機械系統是否存在一損壞狀況。
如申請專利範圍第10項所述之機械系統狀態判斷方法，其中該分析結果包含大致為零之一目標熵值，且步驟(c)包含判斷該目標熵值所對應之一尺度是否小於P/2；若該目標熵值所對應之該尺度小於P/2，該機械系統被判定為存在一預壓過度狀況。
一種機械系統狀態判斷裝置，包含：一收集模組，用以取得與一機械系統相關之一震動訊號；一分析模組，用以針對該震動訊號進行一多尺度熵分析，以得到一分析結果，其中該多尺度熵分析所採用之一最高尺度大於等於48；以及一判斷模組，用以根據該分析結果判斷該機械系統是否存在一損壞狀況。
如申請專利範圍第12項所述之機械系統狀態判斷裝置，進一步包含：一濾波器，用以針對該震動訊號進行一帶通濾波程序。
如申請專利範圍第12項所述之機械系統狀態判斷裝置，其中該分析結果包含一分布圖，該分布圖之橫軸為尺度，縱軸為樣本熵之數值，且該判斷模組係根據該分布圖及一參考分布圖之差異判斷該損壞狀況是否存在。
如申請專利範圍第12項所述之機械系統狀態判斷裝置，其中該分析結果包含複數個樣本熵，且該判斷模組係根據該等樣本熵之一總和、一區段總和、一為零點、一平均值、一標準差、一局部最大值點數或一穩定尺度判斷該損壞狀況是否存在。
如申請專利範圍第15項所述之機械系統狀態判斷裝置，其中該判斷模組係根據該總和或該穩定尺度是否大於一門檻值判斷該損壞狀況是否存在。
如申請專利範圍第12項所述之機械系統狀態判斷裝置，其中該分析結果包含一相似程度，且步驟(c)包含判斷該相似程度是否高於一門檻值；若該相似程度高於該門檻值，該機械系統被判定為存在一軸承潤滑不足狀況。
如申請專利範圍第12項所述之機械系統狀態判斷裝置，其中該震動訊號具有一震動頻率並係以一取樣頻率被取樣，該取樣頻率為該震動頻率之P倍，P為大於1的整數；該分析結果包含大致為零之一目標熵值，且該判斷模組判斷該目標熵值所對應之一尺度是否小於P/2；若該尺度小於P/2，該判斷模組判定該機械系統存在一預壓過大狀況。
如申請專利範圍第12項所述之機械系統狀態判斷裝置，其中分析模組於進行該多尺度熵分析時採用一滑動K維樹(sliding K-dimensional tree)演算法。
如申請專利範圍第12項所述之機械系統狀態判斷裝置，進一步包含：一警示模組，若該機械系統存在該損壞狀況，該警示模組即發出一警示訊息。