TWI753338B - 資料整合方法及資料整合系統 - Google Patents
資料整合方法及資料整合系統 Download PDFInfo
- Publication number
- TWI753338B TWI753338B TW108147278A TW108147278A TWI753338B TW I753338 B TWI753338 B TW I753338B TW 108147278 A TW108147278 A TW 108147278A TW 108147278 A TW108147278 A TW 108147278A TW I753338 B TWI753338 B TW I753338B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- data integration
- target
- information
- target device
- Prior art date
Links
- 238000012545 processing Methods 0.000 title claims abstract description 30
- 238000003672 processing method Methods 0.000 title abstract 2
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000001228 spectrum Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 8
- 230000010354 integration Effects 0.000 claims description 52
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 238000003745 diagnosis Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000021715 photosynthesis, light harvesting Effects 0.000 claims description 7
- 238000005265 energy consumption Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 13
- 239000013598 vector Substances 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000000605 extraction Methods 0.000 description 9
- 238000012546 transfer Methods 0.000 description 6
- 238000010168 coupling process Methods 0.000 description 5
- 206010011906 Death Diseases 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Discrete Mathematics (AREA)
Abstract
一種資料整合方法，係處理轉動機械組件之訊號以形成特徵資訊，其中，該特徵資訊係包含全頻譜資料，再將該特徵資訊進行機率演算，以獲取該轉動機械組件之剩餘有效壽命。本發明亦提供一種資料整合系統。
Description
本發明有關於一種資料整合方法，尤指一種用於預測轉動機械組件之壽命的資料整合方法及資料整合系統。
目前發電廠為了追求更高的能源轉換效率，將發電機之渦輪機械組件從低速單級設計朝向高速多級發展已為當前趨勢，故傳統的滾動式軸承已難以匹配高效率/高發電量的渦輪工作條件，如高負載、高轉速、高溫度或其它等。
目前為了確保渦輪機械組件的高運轉可靠度，美國石油學會(American Petroleum Institute)特別建立ANSI/API Standard 612標準以規範蒸氣渦輪需使用流膜軸承(Fluid Film Bearing)。
然而，目前蒸氣渦輪之預測性維護(Predictive Maintenance)僅憑現場人員之經驗，判斷是否需更換該渦輪機械之零組件，因而無法準確得知該渦輪機械之零組件之剩餘壽命，因而容易誤判該渦輪機械之零組件之更換時間點，導致電廠意外發生或更換成本大幅增加。
因此，如何預判該渦輪機械組件之使用壽命，實已成為目前業界亟待克服之課題。
鑑於上述習知技術之種種缺失，本發明提供一種資料整合方法，係包括：收集一目標裝置之目標資訊，其中，該目標裝置係為轉動機械組件；藉由一電子裝置接收並處理該目標資訊以形成特徵資訊，其中，該特徵資訊係包含全頻譜資料；以及藉由該電子裝置將該特徵資訊進行機率演算，以獲取剩餘有效壽命。
本發明亦提供一種資料整合系統，係包括：收集組件，係收集一目標裝置之目標資訊，其中，該目標裝置係為轉動機械組件；資料處理模組，係通訊連接該收集組件以接收並處理該目標資訊，以令該目標資訊形成特徵資訊，其中，該特徵資訊係包含全頻譜資料；以及預測模組，係通訊連接該資料處理模組，以利用該特徵資訊進行機率演算而獲取剩餘有效壽命。
由上可知，本發明之資料整合方法及資料整合系統中，主要藉由包含全頻譜資料之特徵資訊，以進行機率演算而獲取剩餘有效壽命，故相較於習知技術，本發明之資料整合方法及資料整合系統可演算出該目標裝置之剩餘有效壽命，以提供保養計畫最佳化之參考，並有助於提升設備稼動率而增加其經濟性，且能減少意外停機或發生重大事故的風險。
以下藉由特定的具體實施例說明本發明之實施方式，熟悉此技藝之人士可由本說明書所揭示之內容輕易地瞭解本發明之其他優點及功效。
須知，本說明書所附圖式所繪示之結構、比例、大小等，均僅用以配合說明書所揭示之內容，以供熟悉此技藝之人士之瞭解與閱讀，並非用以限定本發明可實施之限定條件，故不具技術上之實質意義，任何結構之修飾、比例關係之改變或大小之調整，在不影響本發明所能產生之功效及所能達成之目的下，均應仍落在本發明所揭示之技術內容得能涵蓋之範圍內。同時，本說明書中所引用之如「上」及「一」等之用語，亦僅為便於敘述之明瞭，而非用以限定本發明可實施之範圍，其相對關係之改變或調整，在無實質變更技術內容下，當視為本發明可實施之範疇。
第1A及1B圖為本發明之資料整合系統1之架構配置示意圖。如第1A圖所示，該資料整合系統1例如包括一相互通訊連接之收集組件10以及一電子裝置1a（如第1B圖所示），其中，該收集組件10係用於收集一目標裝置9（如第1B圖所示）之目標資訊，且該電子裝置1a係配置有一資料處理模組(Data Processing Module)11以及一預測模組(Prognosis Module)12。
於本實施例中，該電子裝置1a係為運算儀器或電腦，且該目標裝置9係為轉動機械組件，如低溫發電機之蒸氣渦輪，其包含流膜軸承(Fluid Film Bearing)，其具有一外殼9a及一設於該外殼9a內之轉軸90。應可理解地，有關轉動機械組件之種類繁多，並不限於上述。
所述之收集組件10係通訊連接該目標裝置9，以收集該目標裝置9之目標資訊。
於本實施例中，該收集組件10係包含複數感測器100，如接近傳感器(Proximity Sensor)，其位於該目標裝置9之外殼9a內，以擷取該轉軸90之軌跡訊號。例如，該感測器100之形式可為渦電流式、電容式、光學式或其它適當形式，並無特別限制。
再者，於該目標裝置9之外殼9a上係連接有兩個感測器100，其以90度正交方式配置，以擷取該轉軸90之兩個方向的偏擺量。
又，該接近傳感器所量測之資料係以類比電壓訊號作輸出，故可依需求增設一訊號轉換模組10’，以將該收集組件10所接收之類比電壓訊號轉換成數位訊號，再將該數位訊號輸出至該資料處理模組11。
應可理解地，有關收集該目標資訊之方式繁多，可依需求配置適當的收集組件10，並不限於上述之感測方式。
所述之資料處理模組11係通訊連接該收集組件10以耦合來自該收集組件10之目標資訊而獲得中介資訊，並將該中介資訊進行快速傅立葉轉換(Fast Fourier Transform，簡稱FFT)以形成特徵資訊。
於本實施例中，該目標資訊係包含該轉軸90之偏擺資料，且該特徵資訊係包含全頻譜資料(Full Spectrum)。
再者，由於該資料處理模組11需製作該全頻譜資料，故該感測器100之數量係以偶數者為佳，如2個、4個、6個、8個或其它等。
所述之預測模組12係通訊連接該資料處理模組11，以利用該特徵資訊進行機率演算而獲取剩餘有效壽命，且包含一通訊連接該資料處理模組11之資料轉換部(Data Transformation)120、一通訊連接該資料轉換部120之評估部(Estimation)121、及一通訊連接該評估部121之預測部(Prediction)122。
於本實施例中，該資料轉換部120係將該特徵資訊之全頻譜振幅進行積分轉換以形成參考資訊(包含振動耗能參數)，再利用該參考資訊進一步量化該目標裝置9之運作狀態，例如，採用量值表示故障狀態(Fault State)。
再者，該評估部121係用以評估該目標裝置9之故障狀態，且該預測部122係用以預測該目標裝置9之剩餘有效壽命。
第2圖係為本發明之資料整合方法之流程示意圖。如第2圖所示，所述之資料整合方法係採用該資料整合系統1依序進行前置作業2a、處理作業2b及預測作業2c，其中，該前置作業2a包括步驟S20~S21，該處理作業2b包括步驟S22~S23，該預測作業2c包括步驟S24~S26，詳述如下。
於步驟S20中，藉由該收集組件10收集有關該目標裝置9之所需資料，以獲取目標資訊，如擷取該轉軸90之軌跡訊號。
於本實施例中，該目標資訊係包含該轉軸90之兩個方向的偏擺量，如第3A圖所示之X軸方向感測圖A1及Y軸方向感測圖A2，即該轉軸90之偏擺資料。
再者，若該感測器100之輸出訊號為類比形式時，可經由該訊號轉換模組10’將該收集組件10之類比電壓訊號轉換成數位訊號，如步驟S21。
於步驟S22中，藉由該資料處理模組11耦合來自該收集組件10之目標資訊。
於本實施例中，由於該目標資訊係包含X軸方向、Y軸方向之二維之轉軸90之偏擺資料，故經由耦合後，將獲取一中介資訊，其包含該轉軸90之原始偏擺軌跡B（如第3B圖所示）。
於步驟S23中，將該中介資訊進行快速傅立葉轉換(FFT)以形成特徵資訊。
於本實施例中，該特徵資訊係包含濾波軌跡(Filtered Orbit)資料及對應該濾波軌跡資訊之全頻譜資料(Full Spectrum)。例如，重建該轉軸90之原始偏擺軌跡B，以獲得各個頻率（如倍頻1x、2x或其它倍數頻率等，其中，x表示轉軸90之轉速之頻率）下的濾波軌跡資料（ 如第3C圖所示之倍頻1x的濾波軌跡C1及倍頻2x的濾波軌跡C2），其代表順時鐘旋轉方向上的振幅及逆時鐘旋轉方向上的振幅，故該全頻譜資料係將所有振幅資料根據所對應之頻率整理而成（如第3D圖所示之正向與反向），其中，該全頻譜資料之圖表的橫軸表示頻率，而縱軸表示振幅峰值(Peak to Peak Amplitude)。
於步驟S24中，藉由該預測模組12之資料轉換部120之內建演算模型將由FFT轉換所得之全頻譜資料（如第3D及4A圖所示）進行積分轉換（如第4B圖所示），以獲取包含有振動耗能參數之參考資訊。
於本實施例中，該振動耗能參數係為全頻譜振幅值積分，如第4B圖所示之曲線L所涵蓋之面積，其中，可先將第4A圖之線狀圖改為第4B’圖所示之直方圖，再進行積分演算。具體地，該資料轉換部120之內建演算模型可由一方程式建構，如下公式：
q = u ∑a
，其中，q係為振動耗能參數，a係為振幅之向量
(An/2-
, … , A2-
, A1-
, A1+
, A2+
… ,An/2+
)，u係為頻率解析度(Frequency Resolution)。因FFT的特性，該頻率解析度u將由該資料處理系統1的取樣率sp
及每次輸入FFT計算全頻譜資料的樣本量m所決定，即u = sp
/m。
再者，該目標裝置9因故障所導致的能量損失會經由振動、熱或聲波等形式進行釋放，故該振動耗能參數係表示藉由所量測到之振動強度而評估該目標裝置9所釋放出的能量。例如，該振動耗能參數可用以表示目前該轉軸90的故障狀態，故當該振動耗能參數越大，則表示該目標裝置9的故障狀態越嚴重。
於步驟S25中，藉由該評估部121將該振動耗能參數轉換成一目標量值，如第4C圖所示，以評估該目標裝置9之可能狀態。
於本實施例中，該評估部121係依據一內建之狀態函數將該振動耗能參數轉換成該目標量值，且可依據該目標裝置9（如流膜軸承）之操作條件的不同改變該狀態函數。例如，該操作條件可包含轉軸轉速N、該轉軸90之偏心程度e 、該轉軸90之姿態角β 、軸承流體入口溫度Ten
或其它適當條件，故可用方程式表示該目標量值，如下所示：
f = F(q,N,e,β,Ten
)
，其中，該狀態函數係為故障狀態函數F，且該目標量值係為故障量值f。
再者，該評估部121所計算出之目標量值配合一損壞傳遞模型(Damage Propagation Model)之演算，並透過追蹤濾波器(Tracking Filter)進行追蹤疊代，以同時追蹤該目標裝置9之所有故障類型之故障量值之變化。例如，該損壞傳遞模型係透過經驗模型、物理模型或大數據理論所建立，其用於呈現該故障量值隨時間增加而改變的趨勢(Trend)，且該追蹤濾波器係為粒子濾波器(Particle Filter)或卡曼濾波器(Kalman filter)，其計算所得之故障狀態係為該故障量值之機率密度函數(Probability Density Function)，即p(f)。
具體地，如第4C’圖所示之損壞傳遞模型，其描述故障量值隨時間變化的趨勢，其對應四種故障類型，即該轉軸90之破損之損壞傳遞模型（如第4C’圖所示之第一曲線L1）、該目標裝置9之聯軸器故障之損壞傳遞模型（如第4C’圖所示之第二曲線L2）、該目標裝置9之軸承故障之損壞傳遞模型（如第4C’圖所示之第三曲線L3）與該目標裝置9之密封磨損之損壞傳遞模型（如第4C’圖所示之第四曲線L4），其中，第4C’圖之縱軸係表示該故障量值之估計值（其透過一經驗模型、物理模型或大數據理論等所得到之模擬值），且橫軸係表示衰變時間。
於步驟S26中，藉由該預測部122採用該目標量值演算出剩餘有效壽命（Remaining Useful Life，簡稱RUL）。
於本實施例中，該預測部122係依據內建之壽命預測演算法進行演算，係計算該目標量值於該當前時間點tP
發展至故障臨界值fE
所需的時間ΔtE
，即ΔtE
係表示剩餘有效壽命 (RUL)，如第4D圖所示，且該壽命預測演算法係基於機率演算方式設計。例如，該故障臨界值fE
係為用以判定該目標裝置9（如該轉動機械組件）失效之假想量值，其數值可依不同程度的安全需求任意調整，且因該當前時間點tp
之故障狀態係以該機率密度函數P(fp
)作表示，故透過該壽命預測演算法所得之壽命終止時間點亦可以時間的機率密度函數P(tE
)作表示。
具體地，該預測部122係透過壽命預測演算法預測於未來時間點tp1
,tp2
下之失效量值之可能性，其以機率密度函數P(fp1
),P(fP2
)作表示。若繼續延伸該未來時間點tp1
,tp2
之位置，則可計算出延伸至該故障臨界值fE
之邊界的機率密度函數P(tE
)。
接著，對該機率密度函數P(tE
)進行積分，以求得該失效量值於某一個未來時間點tE
達到該故障臨界值fE
的機率PEOL
，亦即該目標裝置9失效的機率。舉例來說，如第4E圖所示，可假定一個壽命終止參考點tEOL
，其代表該目標裝置9失效之機率PEOL
的時間點，且該機率PEOL
之數值C（如50%）可依使用者之需求任意調整，其中，該機率PEOL
之算式如下：
PEOL 
，故當該壽命終止參考點tEOL
及該當前時間點tp
為已知數時，即可透過該壽命終止參考點tEOL
減去該當前時間點tp
而求得剩餘有效壽命ΔtEOL
（即tEOL
-tP
＝ΔtEOL
），藉此，獲取一具有代表性的剩餘有效壽命ΔtEOL
之數值。
因此，由於該機率PEOL
之數值C可任意調整，故使用者可得到多種剩餘有效壽命ΔtEOL
之機率PEOL
，如下表所示：
| 剩餘有效壽命ΔtEOL | 機率PEOL |
| 120小時 | 50% |
| 180小時 | 80% |
| 300小時 | 95% |
| 15小時 | 22.4% |
| 2小時 | 10.7% |
最後，於步驟S27中，輸出該剩餘有效壽命ΔtEOL
之結果（如上表），以供使用者參考或進行相關後續應用。例如，由上表可知，該目標裝置9於工作300小時後之損壞機率約95%，使用者可選擇採用之，或採用其它者（如工作180小時之損壞機率約80%）。
如第1A’圖所示，所述之電子裝置1a可依需求增設一通訊連接該資料處理模組11之故障診斷模組(Fault Diagnosis Module)50，其用於分析該特徵資訊之全頻譜資料的狀態，以判斷機械故障之項目。
於本實施例中，該故障診斷模組50係包含一特性擷取部(Feature Extraction)500及一故障識別部(Fault Pattern Recognition)501。
所述之特性擷取部500係依據內建演算法進行該全頻譜資料的分析與特性擷取，以求得一組低維度且具有代表性的振動態樣(Vibration Signature)，如第5圖之步驟S50。
於本實施例中，該特性擷取部500之內建演算法係基於主成分分析法（Principal Component Analysis，簡稱PCA）、神經網路（Neural Network，簡稱NN）或其它方法等設計，且該特性擷取過程係將該全頻譜資料由一高維度的全頻空間S投影至低維度的特性空間Z，具體如下所述。
首先，先對原始的全頻譜資料（如第3D圖所示）進行向量化，再進行特性擷取，該向量的大小等於該全頻譜資料中的頻率元素總數量n，其包含正值頻率元素與負值頻率元素，且該向量的元素值 xw
係為針對某一頻率w下的振幅值Aw
進行正規化後所求得，其中，該正規化係為藉由除以該全頻譜資料中的最大振幅值Amax
以完成者（即xw
=Aw
/Amax
），故該向量可表示為於該全頻空間S（座標方位S1,S2,S3）中，維度等於該全頻譜資料中的頻率元素總數量n的一個數點（即x=x1
, x2
, … , xn
），其可稱為振動全頻向量x，如第5A圖所示，其中，每一個元素值 x1
,x2
,…,xn
均小於或等於1。
接著，將該振動全頻向量x透過內建演算法進行降維投影，如第5B至5C圖所示，係將一組三維的原始特性資料降維至二維的特性資料，其中，該特性空間Z（座標方位Z1,Z2）係於該全頻空間S中呈現一個次平面(Subspace)K，故可將多筆振動全頻向量x之向量資料由較高維度的全頻空間S降維投影至該次平面K上，且該次平面K係為較低維度的特性空間Z，即p=F(x)，其中，p（p=p1
,p2
,…,pk
）係表示降維度後的振動態樣向量，且F(x)係為該內建演算法。
因此，該特性擷取之目的係用於捨去多餘且無意義的特性資料，以將所有的振動全頻向量x從維度為頻率元素總數量n的全頻空間S降至維度為頻率元素總數量m（n＞m）的特性空間Z ，以減少對後續進行故障診斷的不良因素，如準確度、計算量或其它。
所述之故障識別部501係依據內建演算法針對該振動態樣進行故障識別，以辨識其所對應的故障項目，如第5圖之步驟S51。
於本實施例中，該故障識別部501之內建演算法係基於最近鄰法（k-Nearest Neighbors，簡稱kNN）、支持向量機方法（Support Vector Machine，簡稱SVM）、神經網路法（Neural Network，簡稱NN）或其它方法設計，以建置完成各種故障項目。例如，該故障項目包含：軸破損(Rotor Crack)、聯軸器故障(Coupling Malfunction)、軸承故障(Bearing Malfunction)、密封磨損(Seal Rub)或其它故障(Other Malfunctions)等。
再者，該故障識別部501係利用機器學習(Machine Learning)的樣形識別(Pattern Recognition)技術，故該故障識別部501可針對該振動態樣向量p進行非線性內插(Nonlinear Interpolation)演算，以求得一內差值，且該內差值之計算結果將與已建置完成之故障項目進行比對，以進行故障項目的識別而獲取一診斷結果。
因此，透過該已建置完成之故障項目對應該振動態樣向量p進行故障項目分類，因而不需人工輔助進行，故可達到自動分析診斷之目的。
再者，由於該預測模組12與該故障診斷模組50係採用該資料處理模組11之全頻譜資料，故於第5圖之步驟S27’中，可先比對該診斷結果與該剩餘有效壽命ΔtEOL
，以將兩者整合，而進一步確認該剩餘有效壽命ΔtEOL
之零組件與該故障項目是否吻合，再輸出整合結果。例如：若該故障診斷模組50判定目前的故障項目為「轉軸90之偏心損壞」，則該預測模組12應輸出「該轉軸90之偏心損壞項目」的剩餘有效壽命ΔtEOL
之數值。
又，該預測模組12所演算出之剩餘有效壽命ΔtEOL
可傳送至一控制系統6，如第1B圖所示。例如，該資料整合系統1可於該電子裝置1a中配置至少一通訊連接該預測模組12之記憶體(Memory)13，如第6圖所示，其藉由該電子裝置1a中所配置之多個數位類比轉換器(DAC)60及一個控制器61（EtherCAT型）通訊連接該控制系統6，以供使用者（如第1B圖所示之應用端電腦6’）進行相關後續應用，如紀錄、參考、實驗或其它等作業。具體地，如第1A及6圖所示，該訊號轉換模組10’係包含一多工器(Multiplexer)10a、一類比數位轉換器(ADC)10b及資料庫(Data Buffer)10c，該多工器10a係用於將複數感測器100所輸入之線路進行切換，且該類比數位轉換器10b係用於將該些感測器100之類比電壓訊號轉換成數位資料，並將該數位資料輸出至該資料庫10c，俾供作為該目標資訊，以令該資料庫10c可將該目標資訊傳送至該資料處理模組11及該記憶體13中。
另外，該預測模組12所演算出之剩餘有效壽命ΔtE
亦可傳送至一示警器(Alarm Conditioner)14a，如第6圖所示，以根據預先設定的示警值判斷是否需反應示警，且可透過一示警面板(Annunciation Panel)14b進行示警。
另一方面，如第6圖所示，該預測模組12及/或該故障診斷模組50亦可通訊連接該記憶體13中，以利於資料之存取。
綜上所述，本發明之資料整合方法及資料整合系統1，係利用該資料處理模組11進行全頻圖分析計算，以產生包含全頻譜資料之特徵資訊，並透過該預測模組12進行故障量值的計算，以進行機率演算而獲取剩餘有效壽命，故本發明之資料整合方法及資料整合系統1可演算出該轉動機械組件（或軸系列組件）之剩餘有效壽命，以提供保養計畫最佳化之參考，並有助於提升設備稼動率（高設備綜合效益）而增加其經濟性（高投資報酬率），且能減少意外停機或發生重大事故的風險。
再者，本發明之資料整合方法及資料整合系統1透過導入振動耗能參數以有助於量化故障狀態（如故障量值），俾供作為估計該剩餘有效壽命之依據。
又，本發明之資料整合方法及資料整合系統1藉由該故障診斷模組50之配置，其採用全頻譜分析技術結合機器學習方法，以改善傳統方法（如半頻譜分析或人工經驗）對於該流膜軸承診斷能力不佳的問題，並達成自動診斷的功能（如項目分類）。
另外，本發明之資料整合方法可編製成一內儲程式之電腦可讀取紀錄媒體，如製成軟體之光碟片，以當該電腦載入該程式並執行後，能完成前述之資料整合方法。
上述實施例用以例示性說明本發明之原理及其功效，而非用於限制本發明。任何熟習此項技藝之人士均可在不違背本發明之精神及範疇下，對上述實施例進行修改。因此本發明之權利保護範圍，應如後述之申請專利範圍所列。
1:資料整合系統
1a:電子裝置
10:收集組件
10’:訊號轉換模組
10a:多工器
10b:轉換器
10c:資料庫
100:感測器
11:資料處理模組
12:預測模組
120:資料轉換部
121:評估部
122:預測部
13:記憶體
14a:示警器
14b:示警面板
2a:前置作業
2b:處理作業
2c:預測作業
50:故障診斷模組
500:特性擷取部
501:故障識別部
6:控制系統
6’:應用端電腦
60:轉換器
61:控制器
9:目標裝置
9a:外殼
90:轉軸
A1:X軸方向感測圖
A2:Y軸方向感測圖
B:原始偏擺軌跡
C1,C2:濾波軌跡
C:機率之數值
fE
:故障臨界值
K:次平面
L:曲線
L1:第一曲線
L2:第二曲線
L3:第三曲線
L4:第四曲線
p:振動態樣向量
P(fp
),P(tE
),P(fp1
),P(fP2
):機率密度函數
S:全頻空間
:S21~S27:步驟
S27’:步驟
S50~S51:步驟
tP
:當前時間點
tp1
,tp2
:未來時間點
Z:特性空間
Z1,Z2:座標方位
第1A圖為本發明之資料整合系統之配置示意圖。
第1A’圖為第1A圖之另一實施例之配置示意圖。
第1B圖為本發明之資料整合系統之架構配置示意圖。
第2圖為本發明之資料整合方法之流程示意圖。
第3A至3B圖為本發明之資料整合方法之耦合過程之示意圖。
第3C至3D圖為本發明之資料整合方法之製作特徵資訊之過程示意圖。
第4A至4B圖為本發明之資料整合方法之獲取參考資訊之過程示意圖。
第4B’圖為第4B圖之實施過程。
第4C、4C’及4D圖為本發明之資料整合方法之獲取剩餘有效壽命之過程示意圖。
第4E圖為第4D圖之實施過程之示意圖。
第5圖為第2圖之另一實施例之示意圖。
第5A圖為第5圖之向量化過程之示意圖。
第5B至5C圖係第5圖之降維過程之示意圖。
第6圖為第1A’圖之另一實施例之配置示意圖。
1:資料整合系統
10:收集組件
10’:訊號轉換模組
11:資料處理模組
12:預測模組
120:資料轉換部
121:評估部
122:預測部
Claims (18)
- 一種資料整合方法，係包括：收集一目標裝置之目標資訊，其中，該目標裝置係為轉動機械組件；藉由一電子裝置接收並處理該目標資訊以形成特徵資訊，其中，該特徵資訊係包含全頻譜資料；以及藉由該電子裝置將該全頻譜資料進行積分轉換，以獲取包含有振動耗能參數之參考資訊，再將該振動耗能參數轉換成目標量值，供進行機率演算，以獲取該目標裝置失效的機率，供演算出該目標裝置之剩餘有效壽命。
- 如申請專利範圍第1項所述之資料整合方法，其中，該轉動機械組件係具有轉軸，且該目標資訊係包含該轉軸之偏擺資料。
- 如申請專利範圍第2項所述之資料整合方法，其中，該電子裝置耦合該轉軸之偏擺資料，以獲取一中介資訊，再將該中介資訊進行快速傅立葉轉換以形成該特徵資訊。
- 如申請專利範圍第3項所述之資料整合方法，其中，該中介資訊係包含該轉軸之原始偏擺軌跡。
- 如申請專利範圍第1項所述之資料整合方法，其中，該目標量值係依據狀態函數轉換該振動耗能參數而得，該狀態函數係為故障狀態函數，且該目標量值係為故障量值。
- 如申請專利範圍第1項所述之資料整合方法，復包括分析該特徵資訊之全頻譜資料的狀態，以判斷該目標裝置之故障項目。
- 如申請專利範圍第6項所述之資料整合方法，復包括比對該故障項目與該剩餘有效壽命，以供該電子裝置進行整合。
- 如申請專利範圍第1項所述之資料整合方法，復包括輸出該剩餘有效壽命至一警示器。
- 一種資料整合系統，係包括：收集組件，係收集一目標裝置之目標資訊，其中，該目標裝置係為轉動機械組件；資料處理模組，係通訊連接該收集組件以接收並處理該目標資訊，以令該目標資訊形成特徵資訊，其中，該特徵資訊係包含全頻譜資料；以及預測模組，係通訊連接該資料處理模組，以利用該全頻譜資料進行積分轉換，以獲取包含有振動耗能參數之參考資訊，再將該振動耗能參數轉換成目標量值，供進行機率演算，以獲取該目標裝置失效的機率，供演算出該目標裝置之剩餘有效壽命。
- 如申請專利範圍第9項所述之資料整合系統，其中，該轉動機械組件係具有轉軸，且該收集組件係包含感測器，以擷取該轉軸之軌跡訊號。
- 如申請專利範圍第10項所述之資料整合系統，其中，該感測器之數量係偶數者。
- 如申請專利範圍第9項所述之資料整合系統，其中，該資料處理模組係耦合該目標資訊並進行快速傅立葉轉換，以形成該特徵資訊。
- 如申請專利範圍第9項所述之資料整合系統，其中，該預測模組係包含一通訊連接該資料處理模組之資料轉換部、一通訊連接該資料轉換部之評估部以及一通訊連接該評估部之預測部。
- 如申請專利範圍第13項所述之資料整合系統，其中，該資料轉換部係用以將該全頻譜資料進行積分轉換以獲取該目標裝置之運作狀態。
- 如申請專利範圍第13項所述之資料整合系統，其中，該評估部係用以評估該目標裝置之故障狀態。
- 如申請專利範圍第13項所述之資料整合系統，其中，該預測部係用以預測該剩餘有效壽命。
- 如申請專利範圍第9項所述之資料整合系統，復包括一通訊連接該資料處理模組之故障診斷模組，其用於分析該特徵資訊之全頻譜資料的狀態，以判斷該目標裝置之故障項目。
- 如申請專利範圍第9項所述之資料整合系統，復包括一通訊連接該預測模組之警示器。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108147278A TWI753338B (zh) | 2019-12-23 | 2019-12-23 | 資料整合方法及資料整合系統 |
| CN202011402075.4A CN113095540A (zh) | 2019-12-23 | 2020-12-02 | 数据整合方法及数据整合系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108147278A TWI753338B (zh) | 2019-12-23 | 2019-12-23 | 資料整合方法及資料整合系統 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202125390A TW202125390A (zh) | 2021-07-01 |
| TWI753338B true TWI753338B (zh) | 2022-01-21 |
Family
ID=76663704
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW108147278A TWI753338B (zh) | 2019-12-23 | 2019-12-23 | 資料整合方法及資料整合系統 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113095540A (zh) |
| TW (1) | TWI753338B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI781860B (zh) | 2021-12-28 | 2022-10-21 | 財團法人工業技術研究院 | 渦輪裝置及循環系統 |
| TWI833251B (zh) * | 2022-06-21 | 2024-02-21 | 南亞科技股份有限公司 | 失效模式分析系統及失效模式分析方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201020558A (en) * | 2008-11-28 | 2010-06-01 | Ind Tech Res Inst | Method for diagnosing energy consumption of a power plant |
| WO2011074654A1 (ja) * | 2009-12-17 | 2011-06-23 | 日本精工株式会社 | 軸受の残存寿命予測方法及び残存寿命診断装置並びに軸受診断システム |
| CN106248381A (zh) * | 2016-10-11 | 2016-12-21 | 西安交通大学 | 一种基于多特征和相空间的滚动轴承寿命动态预测方法 |
| CN106934125A (zh) * | 2017-02-28 | 2017-07-07 | 西安交通大学 | 一种梯形噪声分布的指数模型机械设备剩余寿命预测方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102402727A (zh) * | 2011-11-10 | 2012-04-04 | 中联重科股份有限公司 | 工程机械的部件剩余寿命预测系统及方法 |
| KR20170067292A (ko) * | 2015-12-08 | 2017-06-16 | 한양대학교 산학협력단 | 기계 시스템의 잔여 수명 예측 장치 및 방법 |
| CN106446217A (zh) * | 2016-09-30 | 2017-02-22 | 广州特道信息科技有限公司 | 大数据高速整合系统 |
| CN108764567A (zh) * | 2018-05-28 | 2018-11-06 | 中国科学院自动化研究所 | 基于状态健康信息的剩余寿命远程预测方法、系统及设备 |
| TWI676939B (zh) * | 2018-06-22 | 2019-11-11 | 富比庫股份有限公司 | 運用類神經網路進行分類之電子零件封裝分類系統 |
| CN109635119B (zh) * | 2018-10-25 | 2023-08-04 | 同济大学 | 一种基于本体融合的工业大数据集成系统 |
| CN110377984B (zh) * | 2019-07-02 | 2023-08-18 | 中国科学院深圳先进技术研究院 | 一种工业设备剩余有效寿命预测方法、系统及电子设备 |
-
2019
- 2019-12-23 TW TW108147278A patent/TWI753338B/zh active
-
2020
- 2020-12-02 CN CN202011402075.4A patent/CN113095540A/zh not_active Withdrawn
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201020558A (en) * | 2008-11-28 | 2010-06-01 | Ind Tech Res Inst | Method for diagnosing energy consumption of a power plant |
| WO2011074654A1 (ja) * | 2009-12-17 | 2011-06-23 | 日本精工株式会社 | 軸受の残存寿命予測方法及び残存寿命診断装置並びに軸受診断システム |
| CN106248381A (zh) * | 2016-10-11 | 2016-12-21 | 西安交通大学 | 一种基于多特征和相空间的滚动轴承寿命动态预测方法 |
| CN106934125A (zh) * | 2017-02-28 | 2017-07-07 | 西安交通大学 | 一种梯形噪声分布的指数模型机械设备剩余寿命预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113095540A (zh) | 2021-07-09 |
| TW202125390A (zh) | 2021-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101903283B1 (ko) | 발전 설비의 자동 진단 시스템 및 자동 진단 방법 | |
| Zheng et al. | A review on non-model based diagnosis methodologies for PEM fuel cell stacks and systems | |
| Liu et al. | Global geometric similarity scheme for feature selection in fault diagnosis | |
| Xu et al. | Data-driven fault diagnostics and prognostics for predictive maintenance: A brief overview | |
| Lu et al. | Dominant feature selection for the fault diagnosis of rotary machines using modified genetic algorithm and empirical mode decomposition | |
| Zhang et al. | Classification of fault location and performance degradation of a roller bearing | |
| Zhang et al. | Monitoring wind turbine vibration based on SCADA data | |
| Aydın et al. | Combined intelligent methods based on wireless sensor networks for condition monitoring and fault diagnosis | |
| US20120166142A1 (en) | Anomaly Detection and Diagnosis/Prognosis Method, Anomaly Detection and Diagnosis/Prognosis System, and Anomaly Detection and Diagnosis/Prognosis Program | |
| TWI753338B (zh) | 資料整合方法及資料整合系統 | |
| Pu et al. | Fault diagnosis for wind turbine gearboxes by using deep enhanced fusion network | |
| Jiang et al. | OrbitNet: A new CNN model for automatic fault diagnostics of turbomachines | |
| CN107710089B (zh) | 工厂设备诊断装置以及工厂设备诊断方法 | |
| US11604447B2 (en) | Condition monitoring system | |
| Goyal et al. | Vibration response-based intelligent non-contact fault diagnosis of bearings | |
| Yang et al. | Fault early warning of wind turbine gearbox based on multi‐input support vector regression and improved ant lion optimization | |
| Zhang et al. | A novel intelligent method for bearing fault diagnosis based on Hermitian scale-energy spectrum | |
| Wang et al. | Attention-aware temporal–spatial graph neural network with multi-sensor information fusion for fault diagnosis | |
| Lin et al. | A data-driven fault diagnosis method using modified health index and deep neural networks of a rolling bearing | |
| JP6830414B2 (ja) | 診断装置及び診断方法 | |
| Li et al. | Stochastic fractal search-optimized multi-support vector regression for remaining useful life prediction of bearings | |
| TW201437476A (zh) | 風力發電故障預測系統及其方法 | |
| TWI482041B (zh) | 風力發電機的效能評估方法及裝置 | |
| Yang et al. | Monitoring and uncertainty analysis of feedwater flow rate using data-based modeling methods | |
| EP3385804A1 (en) | Failure diagnosis apparatus, monitoring apparatus, failure diagnosis method and recording medium |