TWI769762B - 應用於伺服馬達驅動系統的波形分析系統及其方法 - Google Patents

應用於伺服馬達驅動系統的波形分析系統及其方法 Download PDF

Info

Publication number
TWI769762B
TWI769762B TW110111032A TW110111032A TWI769762B TW I769762 B TWI769762 B TW I769762B TW 110111032 A TW110111032 A TW 110111032A TW 110111032 A TW110111032 A TW 110111032A TW I769762 B TWI769762 B TW I769762B
Authority
TW
Taiwan
Prior art keywords
data
operation data
real
abnormal
module
Prior art date
Application number
TW110111032A
Other languages
English (en)
Other versions
TW202239110A (zh
Inventor
林家仁
林逢傑
賴俊吉
陳金聖
Original Assignee
東元電機股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 東元電機股份有限公司 filed Critical 東元電機股份有限公司
Priority to TW110111032A priority Critical patent/TWI769762B/zh
Priority to US17/351,396 priority patent/US20220308099A1/en
Application granted granted Critical
Publication of TWI769762B publication Critical patent/TWI769762B/zh
Publication of TW202239110A publication Critical patent/TW202239110A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
    • G01R19/2506—Arrangements for conditioning or analysing measured signals, e.g. for indicating peak values ; Details concerning sampling, digitizing or waveform capturing
    • G01R19/2509—Details concerning sampling, digitizing or waveform capturing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R13/00—Arrangements for displaying electric variables or waveforms
    • G01R13/02—Arrangements for displaying electric variables or waveforms for displaying measured electric variables in digital form
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

一種應用於伺服馬達驅動系統的波形分析系統，係應用於一伺服馬達驅動系統，並包含一數據擷取模組、一圖形建立模組、一取樣模組、一數據整理模組與一深度學習模組。數據擷取模組接收伺服馬達驅動系統的正常運轉數據、異常運轉數據與即時運轉數據。圖形建立模組建立出正常運轉波形圖、異常運轉波形圖與即時運轉波形圖。取樣模組與數據整理模組取樣並疊加出合併運轉數據組。深度學習模組利用正常運轉波形圖、異常運轉波形圖與合併運轉數據組進行深度學習，並檢測即時運轉波形圖。當檢測出即時運轉波形圖處於異常狀態時，係產生告警信號。

Description

應用於伺服馬達驅動系統的波形分析系統及其方法
本發明係有關於一種系統及方法，尤其是指一種應用於伺服馬達驅動系統的波形分析系統及其方法。
馬達，又稱電動機、電動馬達，是一種將電能轉換成動能，可用來驅動其他裝置的電器設備，在現今生活中被廣泛地應用。馬達的原理與發電機大致相同，主要差異在於能源轉換的不同。
伺服馬達驅動系統，通常包含伺服馬達與驅動器，廣泛地應用於電梯、起重機、抽油泵等領域，其中，抽油泵所屬的油氣探勘領域算是伺服馬達系統重要的應用領域，不論是陸地油氣探勘或是海上油氣探勘。而驅動器在長時間的運轉下，通常會發生問題，例如：電容劣化、元件損壞、異物入侵等，進而導致伺服馬達驅動系統發生異常。伺服馬達驅動系統發生異常，就可能造成應用的領域、機械的安全性或是舒適度的問題，例如上述的電梯、起重機等。而油氣探勘領域的抽油泵，若是因為伺服馬達驅動系統發生異常導致停機的話，每天粗估的損失可能高達14萬美元。因此，伺服馬達驅動系統的可靠度以及即時偵測診斷日漸重要。
有鑒於在先前技術中，伺服馬達驅動系統因為長時間運轉所造成的驅動器的問題、伺服馬達驅動系統異常及其衍生出的種種問題。本發明之一主要目的係提供一種應用於伺服馬達驅動系統的波形分析系統及其方法，用以解決先前技術中的至少一個問題。
本發明為解決先前技術之問題，所採用之必要技術手段為提供一種應用於伺服馬達驅動系統的波形分析系統，係應用於一伺服馬達驅動系統，並包含一數據擷取模組、一圖形建立模組、一取樣模組、一數據整理模組與一深度學習模組。數據擷取模組接收伺服馬達驅動系統的M個正常運轉數據、M個異常運轉數據與M個即時運轉數據。圖形建立模組用以接收M個正常運轉數據、M個異常運轉數據與M個即時運轉數據，並據以建立出一正常運轉波形圖、一異常運轉波形圖與一即時運轉波形圖。取樣模組依據正常運轉波形圖、異常運轉波形圖與即時運轉波形圖，分別取樣出N個正常運轉數據組、N個異常運轉數據組與N個即時運轉數據組，每一正常運轉數據組包含O個從M個正常運轉數據採樣之正常運轉採樣數據，每一異常運轉數據組包含O個從M個異常運轉數據採樣之異常運轉採樣數據，且每一即時運轉數據組包含O個從M個即時運轉數據採樣之即時運轉採樣數據，其中，N<M且O<M，且M、N、O為自然數。數據整理模組接收正常運轉數據組與異常運轉數據組，並對應地疊加成複數個合併運轉數據組。深度學習模組接收正常運轉波形圖、異常運轉波形圖與合併運轉數據組進行深度學習，在深度學習完成後，接收與檢測即時運轉波形圖與即時運轉數據組，並在檢測出即時運轉波形圖處於一異常狀態時，在N個即時運轉數據組中判斷出一運轉異常起始數據組，並據以產生一告警信號。
在上述必要技術手段的基礎下，本發明所衍生之一附屬技術手段為使應用於伺服馬達驅動系統的波形分析系統中之數據擷取模組，係包含一類比數位轉換單元，且類比數位轉換單元用以將正常運轉數據、異常運轉數據與即時運轉數據之數據格式自類比格式轉換成數位格式。
在上述必要技術手段的基礎下，本發明所衍生之一附屬技術手段為使應用於伺服馬達驅動系統的波形分析系統中之數據擷取模組，更包含一正規化單元，正規化單元電性連接類比數位轉換單元，用以對正常運轉數據、異常運轉數據與即時運轉數據進行資料正規化。
在上述必要技術手段的基礎下，本發明所衍生之一附屬技術手段為使應用於伺服馬達驅動系統的波形分析系統中之數據擷取模組，更包含一標準化單元，標準化單元電性連接類比數位轉換單元，用以對正常運轉數據、異常運轉數據與即時運轉數據進行標準化。
在上述必要技術手段的基礎下，本發明所衍生之一附屬技術手段為使應用於伺服馬達驅動系統的波形分析系統中之取樣模組，係包含一圖框取樣單元，圖框取樣單元利用一方框分別在正常運轉波形圖、異常運轉波形圖與即時運轉波形圖移動，藉以分別取樣出正常運轉採樣數據、異常運轉採樣數據與即時運轉採樣數據。
在上述必要技術手段的基礎下，本發明所衍生之一附屬技術手段為使應用於伺服馬達驅動系統的波形分析系統中之取樣模組，更包含一圖框設定單元，圖框設定單元電性連接圖框取樣單元，用以受操作地設定方框之一取樣寬度。
在上述必要技術手段的基礎下，本發明所衍生之一附屬技術手段為使應用於伺服馬達驅動系統的波形分析系統，更包含一顯示模組，顯示模組電性連接深度學習模組，用以在接收到告警信號時，據以顯示一異常資訊。
在上述必要技術手段的基礎下，本發明所衍生之一附屬技術手段為使應用於伺服馬達驅動系統的波形分析系統中之深度學習模組，係利用一卷積網路神經深度學習模型進行深度學習。
本發明為解決先前技術之問題，所採用之必要技術手段為另外提供一種應用於伺服馬達驅動系統的波形分析方法，利用如上所述之應用於伺服馬達驅動系統的波形分析系統，加以實施，並包含以下步驟：利用數據擷取模組，接收M個正常運轉數據、M個異常運轉數據與M個即時運轉數據；利用圖形建立模組，接收M個正常運轉數據、M個異常運轉數據與M個即時運轉數據，並據以建立出正常運轉波形圖、異常運轉波形圖與即時運轉波形圖；利用數據整理模組，接收正常運轉數據組與異常運轉數據組，並對應地疊加成合併運轉數據組；利用深度學習模組，接收正常運轉波形圖、異常運轉波形圖與合併運轉數據組進行深度學習；利用深度學習模組，接收與檢測即時運轉波形圖與即時運轉數據組，在檢測出即時運轉波形圖處於異常狀態時，判斷出運轉異常起始數據組，並據以產生告警信號。
在上述必要技術手段的基礎下，本發明所衍生之一附屬技術手段為使應用於伺服馬達驅動系統的波形分析方法，更包含以下步驟：利用一顯示模組，在接收到告警信號時，據以顯示一異常資訊。
承上所述，本發明所提供之應用於伺服馬達驅動系統的波形分析系統及其方法，利用數據擷取模組、圖形建立模組、取樣模組、數據整理模組與深度學習模組，相較於先前技術，本發明利用正常運轉波形圖、異常運轉波形圖與合併運轉數據組進行深度學習，藉由深度學習模組檢測即時運轉波形圖，並在檢測出異常時，在即時運轉數據組中判斷出運轉異常起始數據組，以利使用者得知伺服馬達驅動系統處於異常狀態，並且進行相對應地且更精確地維修、診斷、保養等，以使伺服馬達驅動系統盡快恢復正常狀態。此外，本發明還可以利用顯示模組顯示至少包含運轉異常起始數據組的異常資訊，以利使用者更直觀地得知伺服馬達驅動系統處於異常狀態。
下面將結合示意圖對本發明的具體實施方式進行更詳細的描述。根據下列描述和申請專利範圍，本發明的優點和特徵將更清楚。需說明的是，圖式均採用非常簡化的形式且均使用非精準的比例，僅用以方便、明晰地輔助說明本發明實施例的目的。
請參閱第一圖，第一圖係顯示本發明較佳實施例所提供之應用於伺服馬達驅動系統的波形分析系統之方塊圖。如圖所示，一種應用於伺服馬達驅動系統的波形分析系統1，應用於一伺服馬達驅動系統2，並包含一數據擷取模組11、一圖形建立模組12、一取樣模組13、一數據整理模組14與一深度學習模組15。在本實施例中，應用於伺服馬達驅動系統的波形分析系統1更包含一顯示模組16。伺服馬達驅動系統2通常包含一伺服馬達與一驅動器，其中，驅動器普遍採用變頻器，與先前技術並無不同，故不多加贅述。
數據擷取模組11接收伺服馬達驅動系統2的M個正常運轉數據、M個異常運轉數據與M個即時運轉數據。並包含一類比數位轉換單元111、一正規化單元112與一標準化單元113。
類比數位轉換單元111用以將正常運轉數據、異常運轉數據與即時運轉數據之數據格式自類比格式轉換成數位格式。
正規化單元112電性連接類比數位轉換單元111，用以對正常運轉數據、異常運轉數據與即時運轉數據進行資料正規化，以利後續作業。資料正規化為常見的資料處理手段，用以將數值轉換成0到1之間，且不會改變資料的分布情形。
標準化單元113與正規化單元112相似，用以對正常運轉數據、異常運轉數據與即時運轉數據進行標準化，以利後續作業。標準化為統計學常用的手段，用以利用公式將數值轉換成0到1之間，且不會改變資料的分布情形。
需說明的是，標準化單元113與正規化單元112對於資料處理的行為相似，圖式雖然繪製兩個同時存在，但僅是為了說明，影像診斷分析系統可包含兩者中的一者即可。
圖形建立模組12用以接收M個正常運轉數據、M個異常運轉數據與M個即時運轉數據，並據以建立出一正常運轉波形圖、一異常運轉波形圖與一即時運轉波形圖。
取樣模組13電性連接圖形建立模組12，依據正常運轉波形圖與即時運轉波形圖，分別取樣出N個正常運轉數據組、N個異常運轉數據組與N個即時運轉數據組，每一正常運轉數據組包含O個從M個正常運轉數據採樣的正常運轉採樣數據，每一異常運轉數據組包含O個從M個異常運轉數據採樣的異常運轉採樣數據，且每一即時運轉數據組包含O個從M個即時運轉數據採樣的即時運轉採樣數據，其中，N＜M且O＜M。在本實施例中，取樣模組13更包含一圖框取樣單元131與一圖框設定單元132。
數據整理模組14接收正常運轉數據組與異常運轉數據組，並對應地疊加成複數個合併運轉數據組。
深度學習模組15接收正常運轉波形圖、異常運轉波形圖與合併運轉數據組進行深度學習。在深度學習完成後，深度學習模組15接收與檢測該即時運轉波形圖與即時運轉數據組，並在檢測出即時運轉波形圖處於一異常狀態時，在N個即時運轉數據組中判斷出一運轉異常起始數據組，並據以產生一告警信號。
接著，請一併參閱第一圖至第四圖，其中，第二圖係顯示取樣模組依據正常運轉波形圖取樣之示意圖；第三圖係顯示圖形建立模組建立之異常運轉波形圖；以及，第四圖係顯示取樣模組依據異常運轉波形圖取樣之示意圖。如圖所示，數據擷取模組11會接收擷取伺服馬達驅動系統2的M個正常運轉數據、M個異常運轉數據。其中，正常運轉數據與異常運轉數據可能是電壓值、電流值或是脈波寬度調變等數據，第三圖標示電流值示意，並不以此為限。
圖形建立模組12會依據M個正常運轉數據建立出正常運轉波形圖。較佳者，當M個正常運轉數據經過資料正規化或標準化，使得數值介於0至1之間時，圖形建立模組12會建立出如第二圖的正常運轉波形圖FN。
圖形建立模組12會依據M個異常運轉數據建立出異常運轉波形圖。當M個異常運轉數據未經過資料正規化或標準化時，圖形建立模組12會建立出如第三圖的異常運轉波形圖FA’；當M個正常運轉數據經過資料正規化或標準化，使得數值介於0至1之間時，圖形建立模組12會建立出如第四圖的異常運轉波形圖FA。
接著，取樣模組13會利用一方框S分別在正常運轉波形圖FN與異常運轉波形圖FA上，沿著一取樣方向D移動，藉以分別取樣出正常運轉採樣數據與異常運轉採樣數據。以正常運轉波形圖FN為例，方框S每次會取樣出一個正常運轉數據組，而每個正常運轉數據組會包含複數個自上述M個正常運轉數據所採樣出來的正常運轉採樣數據。圖框設定單元132用以受操作地設定方框S的一取樣寬度T，實務上，取樣寬度T會被設定成與波形週期相同或是波形週期的四分之一、二分之一等。
一般來說，為了取樣的連續性，所有正常運轉採樣數據的數量會大於正常運轉數據的數量。以數學舉例來說，正常運轉數據所形成的數值矩陣可能會是一個9728乘以1的矩陣（M=9278），而正常運轉採樣數據所形成的數值可能會是一個3243乘以1298的矩陣（N=1298，O=3243）。
數據整理模組14電性連接取樣模組13，用以接收正常運轉數據組與異常運轉數據組，並對應地疊加成複數個合併運轉數據組。需說明的是，所有的合併運轉數據組就是包含所有的正常運轉數據組與異常運轉數據組，也就是會包含所有的正常運轉採樣數據與異常運轉採樣數據。以數學舉例來說，正常運轉採樣數據所形成的數值為一個3243乘以1298的矩陣，異常運轉採樣數據所形成的數值為一個3243乘以1298的矩陣，所有的合併運算數據組則會是一個3243乘以2596的矩陣，其中，合併運算數據組的組數有2596個，也就是正常運轉數據組的組數（N）加上異常運轉數據組的組數（N）。
接著，請一併參閱第五圖至第七圖，其中，第五圖係顯示深度學習模組進行深度學習的示意圖；第六圖係顯示圖形建立模組建立之即時運轉波形圖；第七圖係顯示異常資訊之示意圖。如圖所示，深度學習模組15係接收正常運轉波形圖、異常運轉波形圖與合併運轉數據組進行深度學習。
深度學習模組15是利用一卷積神經網路（Convolution Neural Network；CNN）深度學習訓練模型進行深度學習。
在第一階段S1中，會進行卷積運算（Convolution）。在第二階段S2中，會進行池化運算（Pooling）。而深度學習模組15會使用整流線性單位函數（Rectified Linear Unit；ReLU）作為激勵函數（Activation Function）以串接各層。此處的卷積運算、整流線性單位函數運算與池化運算可以視為一組運算。此組運算可以重複數次，以第五圖來說，此組運算會重複兩次（第二次為第三階段S3與第四階段S4），以完成特徵學習部分。也就是說，輸入至深度學習模組15的正常運轉波形圖與異常運轉波形圖，會依序經過一個卷積層（Convolution Layer）、一個池化層（Pooling Layer）、一個卷積層（Convolution Layer）與一個池化層（Pooling Layer），之後進入全連結層（Fully Connected Layer），也就是第五階段S5。最後，深度學習模組15會以Softmax函式做為訊號判定點，並產生輸出結果。
上述為深度學習模組15利用卷積神經網路深度學習訓練模型進行深度學習的簡單描述，所屬技術領域中具有通常知識者應能理解，故不多加贅述。此外，所屬技術領域中具有通常知識者也應能理解，本發明不限於採用卷積神經網路深度學習訓練模型，只要是可以達到自動分類的其他神經網路模型以可應用之。
在訓練完成後，深度學習模組15便會接收並檢測即時運轉波形圖FI，如第六圖所示。數據擷取模組11、圖形建立模組12與取樣模組13會依照前述方式，接收即時運轉數據、建立即時運轉波形圖FI與採樣包含即時運轉採樣數據的即時運轉數據組，故不多加贅述。深度學習模組15會檢測分類出即時運轉波形圖FI屬於正常運轉波形圖（例如第二圖的正常運轉波形圖FN）與異常運轉波形圖（例如第四圖的異常運轉波形圖FA）的百分比，藉以分類即時運轉波形圖FI。
當深度學習模組15分類出即時運轉波形圖FI屬於異常運轉波形圖時，表示即時運轉波形圖FI處於一異常狀態，也就是說，伺服馬達驅動系統2處於異常狀態。因此，深度學習模組15會進一步在該些即時運轉數據組中判斷出一運轉異常起始數據組DSA，如第七圖所示，並且產生一告警信號。運轉異常起始數據組DSA為開始異常時的數據組，因為伺服馬達驅動系統2開始處於異常狀態後，所有的即時運轉數據組都會異常，因此，深度學習模組15會判斷出開始發生異常的運轉異常起始數據組DSA，例如：是第1298組的即時運轉數據組發生異常，則深度學習模組15會判斷出第1298組的即時運轉數據組為運轉異常起始數據組DSA。
在本實施例中，顯示模組16會接收告警信號，並且據以顯示一異常資訊IA，其中，異常資訊IA至少包含上述運轉異常起始數據組DSA，但不以此為限。異常資訊IA也可以包含即時運轉波形圖FI等。因此，使用者便可以透過異常資訊IA得知伺服馬達驅動系統2目前處於異常狀態，而判定出運轉異常起始數據組DSA，並進行相對應地且更精確地維修、診斷、保養等，以使伺服馬達驅動系統2盡快恢復正常狀態。
需說明的是，第六圖的即時運轉波形圖FI與第四圖的異常運轉波形圖FA相同，因此，深度學習模組15會產生告警信號。如果第六圖的即時運轉波形圖FI與第二圖的正常運轉波形圖FN相同，而被分類為正常運轉波形圖時，深度學習模組15便不會產生告警信號。
最後，請參閱第八圖，第八圖係顯示本發明較佳實施例所提供之應用於伺服馬達驅動系統的波形分析方法之流程圖。如圖所示，一種應用於伺服馬達驅動系統的波形分析方法，利用如第一圖所示的應用於伺服馬達驅動系統的波形分析系統1加以實施，並包含以下步驟S101至步驟S109。
步驟S101：利用數據擷取模組接收正常運轉數據、異常運轉數據與即時運轉數據。
步驟S102：利用圖形建立模組建立出正常運轉波形圖、異常運轉波形圖與即時運轉波形圖。
步驟S103：利用取樣模組取樣出正常運轉數據組、異常運轉數據組與即時運轉數據組。
步驟S104：利用數據整理模組疊加出合併運轉數據組。
步驟S105：利用深度學習模組接收正常運轉波形圖、異常運轉波形圖與合併運轉數據組進行深度學習。
步驟S106：利用深度學習模組接收並檢測即時運轉波形圖與即時運轉數據組。
步驟S107：即時運轉波形圖是否符合處於異常狀態。
當結果為是時，進入步驟S108；當結果為否時，則重覆進行步驟S107。
步驟S108：利用深度學習模組判斷出運轉異常起始數據組。
步驟S109：利用顯示模組顯示異常資訊。
而上述應用於伺服馬達驅動系統的波形分析方法的步驟內容已說明於前述段落，故不多加贅述。
綜上所述，本發明所提供之應用於伺服馬達驅動系統的波形分析系統及其方法，利用數據擷取模組、圖形建立模組、取樣模組、數據整理模組與深度學習模組，相較於先前技術，本發明利用正常運轉波形圖、異常運轉波形圖與合併運轉數據組進行深度學習，藉由深度學習模組檢測即時運轉波形圖，並在檢測出異常時，在即時運轉數據組中判斷出運轉異常起始數據組，以利使用者得知伺服馬達驅動系統處於異常狀態，並且進行相對應地且更精確地維修、診斷、保養等，以使伺服馬達驅動系統盡快恢復正常狀態。此外，本發明還可以利用顯示模組顯示至少包含運轉異常起始數據組的異常資訊，以利使用者更直觀地得知伺服馬達驅動系統處於異常狀態。
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。
1:應用於伺服馬達驅動系統的波形分析系統 11:數據擷取模組 111:類比數位轉換單元 112:正規化單元 113:標準化單元 12:圖形建立模組 13:取樣模組 131:圖框取樣單元 132:圖框設定單元 14:數據整理模組 15:深度學習模組 16:顯示模組 2:伺服馬達驅動系統 D:取樣方向 DSA:運轉異常起始數據組 FA’,FA:異常運轉波形圖 FI:即時運轉波形圖 FN:正常運轉波形圖 IA:異常資訊 S:方框 S1:第一階段 S2:第二階段 S3:第三階段 S4:第四階段 S5:第五階段 T:取樣寬度
第一圖係顯示本發明較佳實施例所提供之應用於伺服馬達驅動系統的波形分析系統之方塊圖； 第二圖係顯示取樣模組依據正常運轉波形圖取樣之示意圖； 第三圖係顯示圖形建立模組建立之異常運轉波形圖； 第四圖係顯示取樣模組依據異常運轉波形圖取樣之示意圖； 第五圖係顯示深度學習模組進行深度學習的示意圖； 第六圖係顯示圖形建立模組建立之即時運轉波形圖； 第七圖係顯示異常資訊之示意圖；以及 第八圖係顯示本發明較佳實施例所提供之應用於伺服馬達驅動系統的波形分析方法之流程圖。
1:應用於伺服馬達驅動系統的波形分析系統
11:數據擷取模組
111:類比數位轉換單元
112:正規化單元
113:標準化單元
12:圖形建立模組
13:取樣模組
131:圖框取樣單元
132:圖框設定單元
14:數據整理模組
15:深度學習模組
16:顯示模組
2:伺服馬達驅動系統

Claims (10)

  1. 一種應用於伺服馬達驅動系統的波形分析系統，係應用於一伺服馬達驅動系統，並包含：一數據擷取模組，係接收該伺服馬達驅動系統之M個正常運轉數據、M個異常運轉數據與M個即時運轉數據；一圖形建立模組，係用以接收該M個正常運轉數據、該M個異常運轉數據與該M個即時運轉數據，並據以建立出一正常運轉波形圖、一異常運轉波形圖與一即時運轉波形圖；一取樣模組，係依據該正常運轉波形圖、該異常運轉波形圖與該即時運轉波形圖，分別取樣出N個正常運轉數據組、N個異常運轉數據組與N個即時運轉數據組，每一正常運轉數據組包含O個從該M個正常運轉數據採樣之正常運轉採樣數據，每一異常運轉數據組包含O個從該M個異常運轉數據採樣之異常運轉採樣數據，且每一即時運轉數據組包含O個從該M個即時運轉數據採樣之即時運轉採樣數據，其中，N<M且O<M，且M、N、O為自然數；一數據整理模組，係接收該些正常運轉數據組與該些異常運轉數據組，並對應地疊加成複數個合併運轉數據組；以及一深度學習模組，係接收該正常運轉波形圖、該異常運轉波形圖與該些合併運轉數據組進行深度學習，在深度學習完成後，接收與檢測該即時運轉波形圖與該些即時運轉數據組，並在檢測出該即時運轉波形圖處於一異常狀態時，在該N個即時運轉數據組中判斷出一運轉異常起始數據組，並據以產生一告警信號。
  2. 如請求項1所述之應用於伺服馬達驅動系統的波形分析系統，其中，該數據擷取模組包含一類比數位轉換單元，且該類比數位轉換單元係用以將該些正常運轉數據、該些異常運轉數據與該些即時運轉數據之數據格式自類比格式轉換成數位格式。
  3. 如請求項2所述之應用於伺服馬達驅動系統的波形分析系統，其中，該數據擷取模組更包含一正規化單元，該正規化單元係電性連接該類比數位轉換單元，用以對該些正常運轉數據、該些異常運轉數據與該些即時運轉數據進行資料正規化。
  4. 如請求項2所述之應用於伺服馬達驅動系統的波形分析系統，其中，該數據擷取模組更包含一標準化單元，該標準化單元係電性連接該類比數位轉換單元，用以對該些正常運轉數據、該些異常運轉數據與該些即時運轉數據進行標準化。
  5. 如請求項1所述之應用於伺服馬達驅動系統的波形分析系統，其中，該取樣模組包含一圖框取樣單元，該圖框取樣單元係利用一方框分別在該正常運轉波形圖、該異常運轉波形圖與該即時運轉波形圖移動，藉以分別取樣出該些正常運轉採樣數據、該些異常運轉採樣數據與該些即時運轉採樣數據。
  6. 如請求項5所述之應用於伺服馬達驅動系統的波形分析系統，其中，該取樣模組更包含一圖框設定單元，該圖框設定單元係電性連接該圖框取樣單元，用以受操作地設定該方框之一取樣寬度。
  7. 如請求項1所述之應用於伺服馬達驅動系統的波形分析系統，更包含一顯示模組，該顯示模組係電性連接該深度學習模組，用以在接收到該告警信號時，據以顯示一異常資訊。
  8. 如請求項1所述之應用於伺服馬達驅動系統的波形分析系統，其中，該深度學習模組係利用一卷積網路神經深度學習模型進行深度學習。
  9. 一種應用於伺服馬達驅動系統的波形分析方法，係利用如請求項1所述之應用於伺服馬達驅動系統的波形分析系統，加以實施，並包含以下步驟：(a)利用該數據擷取模組，接收該M個正常運轉數據、該M個異常運轉數據與該M個即時運轉數據；(b)利用該圖形建立模組，接收該M個正常運轉數據、該M個異常運轉數據與該M個即時運轉數據，並據以建立出該正常運轉波形圖、該異常運轉波形圖與該即時運轉波形圖； (c) 利用該數據整理模組，接收該些正常運轉數據組與該些異常運轉數據組，並對應地疊加成該些合併運轉數據組； (d) 利用該深度學習模組，接收該正常運轉波形圖、該異常運轉波形圖與該些合併運轉數據組進行深度學習； (e) 利用該深度學習模組，接收與檢測該即時運轉波形圖與該些即時運轉數據組，在檢測出該即時運轉波形圖處於該異常狀態時，判斷出該運轉異常起始數據組，並據以產生該告警信號。
  10. 如請求項9所述之應用於伺服馬達驅動系統的波形分析方法，更包含以下步驟： (f) 利用一顯示模組，在接收到該告警信號時，據以顯示一異常資訊。
TW110111032A 2021-03-26 2021-03-26 應用於伺服馬達驅動系統的波形分析系統及其方法 TWI769762B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW110111032A TWI769762B (zh) 2021-03-26 2021-03-26 應用於伺服馬達驅動系統的波形分析系統及其方法
US17/351,396 US20220308099A1 (en) 2021-03-26 2021-06-18 System and method for analyzing waveform applied to servo motor system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW110111032A TWI769762B (zh) 2021-03-26 2021-03-26 應用於伺服馬達驅動系統的波形分析系統及其方法

Publications (2)

Publication Number Publication Date
TWI769762B true TWI769762B (zh) 2022-07-01
TW202239110A TW202239110A (zh) 2022-10-01

Family

ID=83364446

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110111032A TWI769762B (zh) 2021-03-26 2021-03-26 應用於伺服馬達驅動系統的波形分析系統及其方法

Country Status (2)

Country Link
US (1) US20220308099A1 (zh)
TW (1) TWI769762B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201830832A (zh) * 2017-02-10 2018-08-16 東元電機股份有限公司 馬達輸出速度之異常狀態檢測系統及檢測方法
TW201834881A (zh) * 2017-03-17 2018-10-01 方成未來股份有限公司 懸吊控制模組、懸吊系統、交通工具與懸吊控制方法
CN109946606A (zh) * 2019-04-03 2019-06-28 四川大学 基于卷积神经网络的微型振动马达缺陷故障分类方法及装置
CN111164526A (zh) * 2017-11-28 2020-05-15 株式会社安川电机 异常判定系统、马达控制装置及异常判定装置
TW202100968A (zh) * 2019-04-25 2021-01-01 日商Ｔｈｋ股份有限公司（Ｔｈｋ株式会社） 異常診斷系統及異常診斷方法
CN112512762A (zh) * 2018-07-31 2021-03-16 日产自动车株式会社 异常判定装置和异常判定方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105974181B (zh) * 2016-06-16 2019-12-13 武汉航达航空科技发展有限公司 基于fpga板卡技术的交流电压rms值快速检测方法
WO2019142273A1 (ja) * 2018-01-17 2019-07-25 日本電気株式会社 設備状態監視システム、分析装置、方法、プログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201830832A (zh) * 2017-02-10 2018-08-16 東元電機股份有限公司 馬達輸出速度之異常狀態檢測系統及檢測方法
TW201834881A (zh) * 2017-03-17 2018-10-01 方成未來股份有限公司 懸吊控制模組、懸吊系統、交通工具與懸吊控制方法
CN111164526A (zh) * 2017-11-28 2020-05-15 株式会社安川电机 异常判定系统、马达控制装置及异常判定装置
CN112512762A (zh) * 2018-07-31 2021-03-16 日产自动车株式会社 异常判定装置和异常判定方法
CN109946606A (zh) * 2019-04-03 2019-06-28 四川大学 基于卷积神经网络的微型振动马达缺陷故障分类方法及装置
TW202100968A (zh) * 2019-04-25 2021-01-01 日商Ｔｈｋ股份有限公司（Ｔｈｋ株式会社） 異常診斷系統及異常診斷方法

Also Published As

Publication number Publication date
TW202239110A (zh) 2022-10-01
US20220308099A1 (en) 2022-09-29

Similar Documents

Publication Publication Date Title
Han et al. An adaptive spatiotemporal feature learning approach for fault diagnosis in complex systems
Li et al. A model-data-hybrid-driven diagnosis method for open-switch faults in power converters
KR102189269B1 (ko) 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템
CN110109015B (zh) 一种基于深度学习的异步电动机故障监测与诊断方法
JP4244353B2 (ja) 部分放電原因自動推論用の神経網エンジンの入力ベクトル生成方法
CN113159077B (zh) 一种基于混合卷积神经网络的三相逆变器故障识别方法
CN110108456A (zh) 一种深度卷积神经网络的旋转机械健康评估方法
Soualhi et al. Fault detection and diagnosis of induction motors based on hidden Markov model
CN111551872B (zh) 一种pmsm驱动系统逆变器开路故障在线诊断方法
CN104698397A (zh) 一种多电平逆变器故障诊断方法
Arabaci et al. A knowledge-based diagnosis algorithm for broken rotor bar fault classification using FFT, principal component analysis and support vector machines
Vamsi et al. Random forest based real time fault monitoring system for industries
TWI769762B (zh) 應用於伺服馬達驅動系統的波形分析系統及其方法
CN116488578A (zh) 一种基于ai视觉辅助的光伏设备分析方法
Skylvik et al. Data-driven fault diagnosis of induction motors using a stacked autoencoder network
CN115186024A (zh) 应用于伺服马达驱动系统的波形分析系统及其方法
CN116146515A (zh) 一种水泥厂离心风机设备异常检测方法
CN110146120B (zh) 一种传感器故障诊断方法及系统
Pashaee et al. Fault Diagnosing Of An Induction Motor Based On Signal Fusion Using One-Dimensional Convolutional Neural Network
CN114089181A (zh) 基于XG-Boost的MMC开关管开路故障检测方法
TW202238516A (zh) 影像診斷分析系統及其方法
CN111398810A (zh) 滑环电火花检测诊断系统及检测诊断方法
CN112485018B (zh) 基于机理数据融合的机械设备能耗异常检测方法
CN115187677A (zh) 图像诊断分析系统及其方法
CN112231982A (zh) 一种基于分布式软测量模型的光伏电板故障检测方法