TWI827341B - 應用樣本分佈遷移改良非監督式學習應用於旋轉機械診斷之方法 - Google Patents
應用樣本分佈遷移改良非監督式學習應用於旋轉機械診斷之方法 Download PDFInfo
- Publication number
- TWI827341B TWI827341B TW111142276A TW111142276A TWI827341B TW I827341 B TWI827341 B TW I827341B TW 111142276 A TW111142276 A TW 111142276A TW 111142276 A TW111142276 A TW 111142276A TW I827341 B TWI827341 B TW I827341B
- Authority
- TW
- Taiwan
- Prior art keywords
- self
- rotating machinery
- network model
- abnormal
- sample
- Prior art date
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012546 transfer Methods 0.000 title claims abstract description 21
- 238000003745 diagnosis Methods 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 58
- 238000013507 mapping Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000013139 quantization Methods 0.000 claims abstract description 5
- 230000008676 import Effects 0.000 claims abstract description 3
- 238000013508 migration Methods 0.000 claims description 15
- 230000005012 migration Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 239000000284 extract Substances 0.000 abstract description 3
- 238000012795 verification Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 15
- 238000012360 testing method Methods 0.000 description 14
- 230000005856 abnormality Effects 0.000 description 13
- 230000036541 health Effects 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 208000015953 X-linked Emery-Dreifuss muscular dystrophy Diseases 0.000 description 4
- 201000001520 X-linked Emery-Dreifuss muscular dystrophy 1 Diseases 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000010835 comparative analysis Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009661 fatigue test Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本發明係提供一種應用樣本分佈遷移改良非監督式學習之旋轉機械診斷之自組織映射網路模型建立方法及其旋轉機械診斷之方法,其係透過分別擷取一第一旋轉機械及一第二旋轉機械之振動訊號,以分別分割為健康樣本及異常樣本,並分別擷取其目標特徵,並將目標特徵透過遷移成分分析法(Transfer Component Analysis, TCA)以分別求得其遷移模型;而後將遷移後之健康樣本之目標特徵進行自組織映射網路(Self-Organizing Map, SOM)模型訓練,並導入第一旋轉機械異常樣本之目標特徵,以求得該自組織映射網路模型;並將自組織映射網路模型進行最小量化誤差(Minimum quantization error, MQE),以界定該自組織映射網路模型之異常門檻值;藉此,第二旋轉機械無須再擷取大量健康樣本重新建立模型,僅需少量樣本及原始數據即可直接導入自組織映射網路模型執行監測,藉可提升相同零件於不同個體間建立模型之便利性及效率,且同時可進行高精度之監測及驗證者。
Description
本發明係提供一種應用樣本分佈遷移改良非監督式學習應用於旋轉機械診斷之方法,尤指一種透過遷移成分分析法分別求得相異旋轉機械之遷移模型;藉以於求得該自組織映射網路模型後,針對相同但不同個體之零組件,可適用於透過自組織映射網路模型進行監測,而無須重新擷取大量健康樣本並訓練建立模型,僅需利用少量之資料樣本,即可建立自組織映射網路模型,以提升模型建立之便利性及效率,且同時可進行高精度之監測及驗證者。
按,現今工業發展趨勢走向智慧自動化、高速化及精密化,並希望產線能夠維持零停機的生產,而加工機台在長時間的運轉下,往往會造成磨耗與使用壽命的問題,故生產設備的即時監測與檢知就成了重要的課題,在工業4.0的趨勢之下,由預知保養取代過往的定期保養,不僅能夠最大化設備的使用壽命以免造成浪費,更甚至能維持加工產品的品質;在現今感測器的普及之下,越來越多的設備零件皆會安裝感測器來對機台與產線進行監測,除了取代人力外,更是因為許多關鍵零組件安裝於設備之內,難以在不停機拆卸的狀態下進行檢測,其中尤以旋轉機械零件為主要對象,這是因為旋轉機械多為各式設備的動力傳輸來源,其穩定性會直接影響到產線的產品品質,輕則影響良率,重則使整條產線無法運作損失產能。
而對於旋轉機械的檢測與感測器的選用上,以加速規(Accelerometer)為最大宗,其主要係透過振動訊號的分析,以建立一監測系統,除了能在異常狀態發生時進行立即警示,更能透過大量的專家經驗與數據來定訂衰退門檻與異常門檻值,進一步達到預知保養的目標。
而於在工業領域中,旋轉機械零件種類繁多,在終端工廠的使用之頻率與操作工況亦相去甚遠,即便是相同規格之零組件,因人為組裝、操作時之環境溫度造成其異常狀態發生頻率與壽命也有所不同,且同規格之感測器量測下,相同健康零件之振動數據分佈狀態亦不相同,因此,亦難有一大量同規格、不同單元之零件之疲勞或異常毀損之數據,可用於人工智慧之模型訓練與預測。
承上,由於工業領域中,常見的狀況為該零組件僅有健康之數據或少許全生命週期之測試數據,為達到預測和健康管理(Prognostics and Health Management, PHM)之目的,較可實施的方法為使用非監督式之方法來對個體本身進行辨識,預先建立一健康分佈之模型,利用統計等方式建立可能的異常門檻值,當健康程度遠離原來模型分佈狀態時判定零組件有異常,但該方法學在每次新元件被啟用時皆需要重新建立模型,且異常門檻值因各單元間因初始組裝之差異,亦難以有近似之閥值,對於實際應用上仍有改善空間。
有鑑於此,吾等發明人乃潛心進一步研究旋轉機械非監督式學習之模型建立及監測,並著手進行研發及改良,期以一較佳發明以解決上述問題,且在經過不斷試驗及修改後而有本發明之問世。
爰是,本發明之目的係為解決前述問題,為達致以上目的,吾等發明人提供一種應用樣本分佈遷移改良非監督式學習之旋轉機械診斷之自組織映射網路模型建立方法,其係經由一設備載入後執行下列步驟,其步驟包含:分別擷取一第一旋轉機械及一第二旋轉機械之振動訊號,以分別分割為健康樣本及異常樣本,並分別擷取其目標特徵;將第一旋轉機械及第二旋轉機械健康樣本之目標特徵透過遷移成分分析法(Transfer Component Analysis, TCA)以分別求得其遷移模型;將經遷移後之第一旋轉機械及第二旋轉機械健康樣本之目標特徵進行自組織映射網路(Self-Organizing Map, SOM)模型訓練,並導入第一旋轉機械異常樣本之目標特徵,以求得該自組織映射網路模型;以及將自組織映射網路模型進行最小量化誤差(Minimum quantization error, MQE),以界定該自組織映射網路模型之異常門檻值。
據上所述之應用樣本分佈遷移改良非監督式學習之旋轉機械診斷之自組織映射網路模型建立方法,其中,所述健康樣本及異常樣本係透過預選特徵集進行篩選,以分別擷取其目標特徵者。
據上所述之應用樣本分佈遷移改良非監督式學習之旋轉機械診斷之自組織映射網路模型建立方法,其中,所述預選特徵集係包含最大值、最小值、平均值、均方根值、標準差、峰度、熵、樣本熵、多尺度熵、傅立葉轉換、短時傅立葉、小波轉換,或模態經驗分解(Empirical Mode Decomposition, EMD)之至少其一者。
據上所述之應用樣本分佈遷移改良非監督式學習之旋轉機械診斷之自組織映射網路模型建立方法,其中,所述健康樣本及異常樣本係經預選特徵集篩選後,係透過費雪分數(Fisher Score, FS)以選取建立所述目標特徵者。
據上所述之所述之應用樣本分佈遷移改良非監督式學習之旋轉機械診斷之自組織映射網路模型建立方法,其中,該第一、第二旋轉機械為軸、軸承或齒輪。
本發明另提供一種應用樣本分佈遷移改良非監督式學習應用於旋轉機械診斷之方法,其包含如上所述之所述之應用樣本分佈遷移改良非監督式學習之旋轉機械診斷之自組織映射網路模型建立方法,其步驟更包含:將第二旋轉機械之振動訊號輸入該自組織映射網路模型,使透過所述異常門檻值診斷所述振動訊號。
是由上述說明及設置,顯見本發明主要具有下列數項優點及功效,茲逐一詳述如下:
1.本發明透過遷移成分分析法,藉以改善過往自組織映射圖之診斷方法,利用健康樣本之目標特徵分布之遷移,在不同個體間無須再擷取大量健康樣本重新建立模型,僅需少量樣本及原始數據即可立刻啟用模型執行監測,且由於使用遷移成分分析法的優點,亦可沿用前次待測物之異常門檻值賦予其物理意義,取代過往用統計或經驗法則設定閥值之方法,藉可提高檢測之有效性。
2.本發明透過費雪分數對預選特徵集進行篩選之流程,藉可減少相對於旋轉機械之無效特徵,藉此減少訓練,以及後續應用於下一個待測物進行目標特徵抽取之時間,並可提高後續學習時之模型靈敏值。
關於吾等發明人之技術手段,茲舉數種較佳實施例配合圖式於下文進行詳細說明,俾供 鈞上深入了解並認同本發明。
請先參閱第1圖至第3圖所示,本發明係一種應用樣本分佈遷移改良非監督式學習之旋轉機械診斷之自組織映射網路模型建立方法,其係經由一設備載入後執行下列步驟,其步驟包含:
S001:分別擷取一第一旋轉機械及一第二旋轉機械之振動訊號,以分別分割為健康樣本及異常樣本,並分別擷取其目標特徵;其中,第一旋轉機械係可為一經大量擷取其樣本數據之標準品,而第二旋轉機械即可為不同個體而為相同結構配置之待測物;於本實施例中,所述第一旋轉機械及第二旋轉機械,係可為軸、軸承(如:滾珠軸承)或齒輪,在一具體之實施例中,係其可配置為一加速疲勞測試平台,使透過一馬達1傳動於一第一皮帶輪11,而第一皮帶輪係配置有一皮帶2,並藉以帶動一第二皮帶輪12,而第二皮帶輪12係傳動設置有一傳動軸3,而傳動軸3係傳動連結複數軸承4,軸承徑向一端係連接一負載,藉以於驅動馬達1傳動時,可據以量測軸承4之振動訊號;
而對於振動訊號之前處理,在一實施例中,係可透過於時域中進行直接統計,因其為訊號振幅對時間關係的直接記錄,但往往只適用於簡單的分析與觀察;而若透過頻譜分析,將時域訊號透過快速傅立葉轉換(Fast Fourier Transform, FFT)等方式轉換到頻率域上,則可觀察出時域中無法看出的週期性或非線性特徵,且能夠顯示訊號所組成的頻率成分;而更進一步進行時頻分析(Time-frequency Analysis),更是將一維訊號映射至二維時頻面,不僅能對訊號有更清晰的描述,亦可從中擷取出適當訊息並加以應用;是以,在一實施例中,係可透過預選特徵集進行篩選,以分別擷取其目標特徵,而所述預選特徵集係可包含最大值、最小值、平均值、均方根值、標準差、峰度、熵、樣本熵、多尺度熵、傅立葉轉換、短時傅立葉、小波轉換,或模態經驗分解(Empirical Mode Decomposition, EMD)之至少其一者,以依需求進行選用,篩除需要運算過久之特徵與需要過多參數輸入之時頻計算,以利建立通用性強大且脫離專家模式之特徵選取流程。
如前述者,所述健康樣本即係指第一旋轉機械或第二旋轉機械正常運作情形下之振動訊號,而異常樣本即係其因產生損耗而異常時之振動訊號。
為確保所抽取之振動訊號特徵是否能有效分辨第一旋轉機械或第二旋轉機械之狀態,故於本實施例中,所述健康樣本及異常樣本係經預選特徵集篩選後,係透過費雪分數(Fisher Score, FS)以選取建立所述目標特徵,
費雪分數之目的在於,可尋找一直線能將兩個不同類別的數據點於此直線上能有效區分彼此的投影,若此直線鑑別能力佳,便能將兩個類別的數據點完全區分;反之,鑑別能力差的直線,兩個類別的數據點將會重疊無法區分;因此,求出兩類數據群間的最大化組間散布(Between-class scatter)及整體組內散布(Within-class scatter)的比值,藉由此比值所得到之分數,即可確認特徵鑑別力,如下數學式1所示:
【數學式1】
其中,uA為A類別的平均值,uB為B類別的平均值,σA為A類別的標準差,σB為B類別的標準差;此外,J值越大代表鑑別能力越佳,且兩類別的中心點距離越遠越好,且兩類別的自組內分散程度能夠越小越好,故本發明係藉此以驗證所抽取之特徵之有效性。
S002:將第一旋轉機械及第二旋轉機械健康樣本之目標特徵透過遷移成分分析法(Transfer Component Analysis, TCA)以分別求得其遷移模型;
其中,特徵工程中,一個好的特徵表示應該盡可能地無關乎個體間的差異,並盡可能的能運用該特徵建立一模型來有效辨識不同目標物,但實務上,此理想性特徵幾乎不存在,故須透過遷移學習等方式,來減少個體間之差異,其中有關於領域分布的自適應(Domain Adaptation),即在減少源域和目標域之間的分布差異。
遷移成分分析法延伸主成分分析法之概念,取出源域與目標域的公共遷移成分,並投影在一公共空間之中,使原域與目標域在該空間中分佈差異最小化,達成減少源域和目標域之間差異之目標,假設已標籤之數據
為源域,尚未標籤或部分標籤之數據
為目標域,存在一非線性轉換之核函數
:
,其中
為一再生核希爾伯特空間[XX],該核函數
可令
,
,並將源域與目標域投射至一組合域中,且該組合域中之
,若該核函數
存在,則可將
與
之間的距離表示為下數學式1所示:
【數學式1】
其中,為求得
之間的MMDE距離為最小,令
與
具有相同之分布,使用PCA降維求其解,並使得目標域之分布可接近源域之分布方式,來達成自適應領域分布之目標。
S003:將經遷移後之第一旋轉機械及第二旋轉機械健康樣本之目標特徵進行自組織映射網路(Self-Organizing Map, SOM)模型訓練,並導入第一旋轉機械異常樣本之目標特徵,以求得該自組織映射網路模型;
其中,自組織映射圖是以特徵映射的方式,由輸入層(Input space)將任意維度的輸入的特徵值透過類神經元降維映射至二維度的特徵映射圖上,該特徵映射圖之神經元初始化為隨機權重,依據輸入之特徵與特徵映射圖上的各神經元之間的進行相互競爭,其中,相似度最高之神經元為優勝神經元,亦稱為最佳匹配單元(Best matching unit, BMU)與其鄰近神經元,即可獲得調整連結權重向量的機會;在競爭結束後,輸出層(Output space)的神經元會形成具有分群意義的「拓樸結構(Topological structure)」,並呈現輸入數據間的分群關係。
S004:由於第一旋轉機械之振動訊號為一完整疲勞數據集,故將將自組織映射網路模型進行訓練,並進行最小量化誤差(Minimum quantization error, MQE),以界定該自組織映射網路模型之異常門檻值;其中,SOM搭配MQE進行異常檢測,係可當待監測物在健康狀態時,量測多筆健康樣本並進行SOM訓練,建立一健康分布模型;該檢測目標使用一段時間後,則定期量測其狀態樣本,再找出與SOM模型中最接近之BMU,計算測試資料與BMU之間距離MQE值
,係如下數學式2所示:
【數學式2】
其中,
為n維度之測試資料,
為
在健康模型中對應到之BMU,該距離計算方式跟SOM訓練過程中採用的計算方式相同,即歐氏距離,即可求得
;而MQE值越大即表示測試資料已逐漸遠離訓練模型的範圍,亦即說明測試資料逐漸不屬於健康狀態,以此評估待監測物之健康狀況。
藉此,即可透過自組織映射網路模型及其異常門檻值,套用於第二旋轉機械,以直接進行狀態之監測及異常診斷。
[實驗例1]
本實驗例中,係以滾珠軸承作為旋轉機械進行試驗,實驗設定之毀損門檻為20g,使用軸承1-1為第一旋轉機械,而軸承2-2為第二旋轉機械,且假設軸承1-1為已知之完整測試樣本,並對其進行特徵擷取,其費雪分數如下表1所示:
【表1】
特徵名稱 | 垂直軸EMD8 | 水平軸EMD8 | 垂直軸EMD7 | 水平軸EMD7 |
費雪分數 | 0.38 | 1.45 | 2.88 | 15.30 |
特徵名稱 | 垂直軸EMD6 | 水平軸EMD6 | 垂直軸EMD5 | 水平軸EMD5 |
費雪分數 | 10.58 | 3.40 | 1.49 | 0.65 |
特徵名稱 | 垂直軸EMD4 | 水平軸EMD4 | 垂直軸EMD3 | 水平軸EMD3 |
費雪分數 | 0.46 | 0.25 | 0.61 | 2.59 |
特徵名稱 | 垂直軸EMD2 | 水平軸EMD2 | 垂直軸EMD1 | 水平軸EMD1 |
費雪分數 | 2.85 | 0.71 | 0.29 | 0.20 |
特徵名稱 | 垂直軸最大值 | 水平軸最大值 | 垂直軸最小值 | 水平軸最小值 |
費雪分數 | 1.17 | 0.28 | 1.07 | 0.32 |
特徵名稱 | 垂直軸平均值 | 水平軸平均值 | 垂直軸標準差 | 水平軸標準差 |
費雪分數 | 0.00 | 0.00 | 1.79 | 0.44 |
特徵名稱 | 垂直軸均方根值 | 水平軸均方根值 | 垂直軸熵 | 水平軸熵 |
費雪分數 | 1.79 | 0.45 | 20.66 | 2.83 |
特徵名稱 | 垂直軸樣本熵 | 水平軸樣本熵 | 垂直軸峰度 | 水平軸峰度 |
費雪分數 | 2.17 | 0.36 | 1.13 | 0.20 |
依據表1之結果,選用分數大於0.5作為該數據集之抽取特徵,並進行SOM-MQE與TCA-SOM-MQE,並進行比較分析;如第4a圖及第4b圖所示,其係使用軸承1-1前200筆數據進行訓練訓練後分別對軸承1-1與軸承2-2進行狀態辨識之結果,其中,參考原數據集之說明,軸承1-1開始毀損之樣本約為第2756個樣本,軸承2-2約為第791個樣本,使用軸承1-1前200筆數據建立之模型其異常門檻值為197.91,若在不進行TCA特徵遷移下,直接使用該模型與異常之異常門檻值對軸承2-2進行檢測,需在第794個樣本才可檢測到其開始毀損,且整體樣本MQE分布有極大落差,該實驗數據集皆在毀損後立即停機,但軸承1-1之MQE分布範圍約0~600之間,而軸承2-2之MQE分布範圍則落在0~200。
接著使用軸承1-1前200筆數據與軸承2-2之前20筆數據進行TCA-SOM訓練建模,並對軸承1-1與軸承2-2進行狀態辨識,其結果如第4c圖與第4d圖所示,在該模型中,異常之異常門檻值在軸承1-1假設為已知異常樣本狀態下,異常門檻值為594.9,使用在軸承2-2數據時,可準確在第791樣本時判定毀損,且在第787個樣本時,亦已十分接近異常,健康值與異常之異常門檻值僅差距不到10%,此外兩組數據之MQE分布範圍接近,皆落在0~900之間。
由於本實施例的疲勞數據集定義20g為毀損門檻,且每筆軸承數據皆在超出20g便立刻停止實驗,故各組軸承的健康分布應落於相近範圍,即意在使用SOM-MQE時,若模型存在可共用性,Bearning1-1與Bearning2-2之MQE分布應落於相近之範圍,在未使用TCA下,兩組數據集的MQE分布範圍為0~600與0~200,對比其真實數值,Bearning1-1在第2756個定義為異常樣本之真實g值為20.8160g,Bearning2-2在第791個定義為異常樣本之真實g值為25.0920g,模型檢測異常樣本之794樣本之真實g值為27.9910g,此處定義異常門檻值之真實誤差式與異常門檻值之樣本誤差式如下數學式3及數學式4所示:
【數學式3】
【數學式4】
其中,數學式3表示真實異常值之誤差,abnormal value表示異常樣本之真實值,threshold value表示異常之異常門檻值所對應之真實異常值,該值越接近0表示模型檢測到異常時,該異常樣本之真實值越接近初始定義異常門檻值之真實值,反之則離異常數值越遠;數學式4表示模型檢測之異常樣本之靈敏度,alarm sample表示模型發生警示之樣本編號,abnormal sample表示真實異常樣本編號,若越接近0表示檢測之樣本越靈敏,但若檢測之數值為負數,表示樣本已異常但模型無法或是落後檢測;將本實施例的Bearning2-2使用 SOM-MQE與TCA-SOM-MQE之結果誤差分析,如下表2所示:
【表2】
SOM-MQE | TCA-SOM-MQE | |
數值異常 | 7.99% | 5.09% |
樣本異常 | -3% | 0% |
結果顯示,TCA-SOM-MQE之模型相較SOM-MQE之模型有更好之共通性,且由於SOM-MQE在樣本誤差為負值,表示該模型並無法符合PHM之研究目標,且透過軸承1-1所建立之異常門檻可直接作為軸承2-2之異常門檻,無須採用過往使用統計等信心水準所建立之異常門檻值,不同的終端應用上皆可依據自身所需之更換標準來賦予異常門檻值,使其具有真實之物理意義。
[實驗例2]
本實驗例係以雙列滾珠軸承作為旋轉機械,其中,第一旋轉機械之費雪分數如下表3所示:
【表3】
特徵名稱 | EMD8 | EMD7 | EMD6 | EMD5 |
費雪分數 | 0.81 | 1.53 | 0.91 | 1.24 |
特徵名稱 | EMD4 | EMD3 | EMD2 | EMD1 |
費雪分數 | 1.92 | 1.00 | 1.09 | 0.17 |
特徵名稱 | 最大值 | 最小值 | 平均值 | 標準差 |
費雪分數 | 1.93 | 2.10 | 0.62 | 0.84 |
特徵名稱 | 均方根 | 熵 | 樣本熵 | 峰度 |
費雪分數 | 0.97 | 2.11 | 2.12 | 0.53 |
依據上表3之結果,選用分數大於0.5作為該數據集之抽取特徵,執行SOM-MQE與TCA-SOM-MQE訓練,並進行比較分析;第5a圖與及第5b圖之MQE圖為使用第一旋轉機械前200筆數據進行訓練訓練後分別對第一旋轉機械與第二旋轉機械進行狀態辨識之結果;其中,由於本實驗並未定義其毀損門檻,故由原始數據觀察後,自行定義本數據集之開始毀損門檻為3g,則第一旋轉機械開始毀損之樣本為第1831個樣本,第二旋轉機械為第972個樣本,使用第一旋轉機械前200筆數據建立之模型其異常門檻值為263.22,若在不進行TCA特徵遷移下,直接使用該模型與異常門檻值對第二旋轉機械進行檢測,需在第983樣本才能檢測到異常,完全無法在該異常區間內檢測到毀損,且整體樣本MQE分布有極大落差,該實驗數據集皆在毀損後立即停機,但第一旋轉機械之MQE分布範圍約0~800之間,而第二旋轉機械之MQE分布範圍則落在0~300。
而後使用第一旋轉機械前200筆數據與第二旋轉機械之前20筆數據進行TCA-SOM訓練建模,並對第一旋轉機械與第二旋轉機械進行狀態辨識,其結果如第5c圖與第5d圖所示,在該模型中,異常門檻值在第一旋轉機械假設為已知異常樣本狀態下,異常門檻值為1175.26,使用在第二旋轉機械數據時,可準確在第974樣本時判定毀損,且在第972個樣本時,亦已十分接近異常門檻值,此外兩組數據之MQE分布範圍接近,皆落在0~3500之間。
本實驗例亦證明了本發明方法之有效性,如前述之測試方法,本實驗例之測試亦使用振動閥值大於一定g值後停止實驗,故各組軸承的健康分布應落於相近範圍,即意在使用SOM-MQE時,若模型存在可共用性,軸承1-1與軸承2-2之MQE分布應落於相近之範圍,在未使用遷移學習下,兩組數據集的MQE分布範圍為0~600與0~200,對比其真實數值,第一旋轉機械在第1831個定義為異常樣本之真實g值為3.2520g,第二旋轉機械在第972個定義為異常樣本之真實g值為3.6350g,模型檢測異常樣本之794樣本之真實g值為3.6960g,計算其真實異常值之誤差與異常樣本之靈敏度如下表4所示:
【表4】
SOM-MQE | TCA-SOM-MQE | |
數值異常 | 7.00% | 6.03% |
樣本異常 | -10% | 0% |
此分析結果再次證明TCA-SOM-MQE之模型相較SOM-MQE之模型有更好之共通性,且SOM-MQE在樣本誤差為不僅為負數且高達10%之差距,表示該模型並無法符合PHM之研究目標。
[實驗例3]
本實驗例係以齒輪作為旋轉機械,並以其磨耗為測試集,其費雪分數計算結果如下表5所示:
【表5】
特徵名稱 | EMD8 | EMD7 | EMD6 | EMD5 |
費雪分數 | 11.15 | 1.83 | 1.34 | 1.09 |
特徵名稱 | EMD4 | EMD3 | EMD2 | EMD1 |
費雪分數 | 1.14 | 0.98 | 0.45 | 0.28 |
特徵名稱 | 最大值 | 最小值 | 平均值 | 標準差 |
費雪分數 | 3.90 | 1.68 | 2.68 | 2.87 |
特徵名稱 | 均方根 | 熵 | 樣本熵 | 峰度 |
費雪分數 | 4.40 | 3.48 | 5.57 | 3.06 |
依據表之結果,選用分數大於0.5作為該數據集之抽取特徵,執行SOM-MQE與TCA-SOM-MQE訓練,並進行比較分析;第5a圖與第5b圖之MQE圖為使用第一旋轉機械前200筆數據進行訓練訓練後分別對第一旋轉機械與第二旋轉機械進行狀態辨識之結果;在不進行TCA特徵遷移下,第一旋轉機械之SOM模型完全無法用於檢測第二旋轉機械的磨耗趨勢,在同時執行三萬趟往復的相同工況,且有相近之磨耗量下,MQE之分布範圍差異極大,第一旋轉機械齒輪之MQE分布範圍為0~12左右,而第二旋轉機械之MQE分布範圍為10~60之間,且磨耗趨勢不符合正常物理現象,而進行TCA特徵遷移後,第一旋轉機械之TCA-SOM模型在檢測兩者之MQE,皆具有相同趨勢,符合正常物理現象,且兩者MQE分布範圍亦十分接近,約落於0~2之間。
由結果可知,在未使用TCA之改良模型前,第一旋轉機械齒輪組所建立之診斷模型完全無法於第二旋轉機械之數據集進行使用,其MQE健康趨勢與第一旋轉機械之MQE健康趨勢呈現反向走勢,表示不具通用性,而在經過TCA-SOM-MQE之處理後,第一旋轉機械與第二旋轉機械之MQE皆可得到相同的正向走勢,並且MQE分布範圍亦十分接近,落於0~2之間,透過此三組數據,證明本發明之方法確實可改善SOM-MQE過往無法診斷不同個體之問題,且亦能使用於不同旋轉機械中。
綜上所述,本發明所揭露之技術手段確能有效解決習知等問題,並達致預期之目的與功效,且申請前未見諸於刊物、未曾公開使用且具長遠進步性,誠屬專利法所稱之發明無誤,爰依法提出申請,懇祈 鈞上惠予詳審並賜准發明專利,至感德馨。
惟以上所述者,僅為本發明之數種較佳實施例,當不能以此限定本發明實施之範圍,即大凡依本發明申請專利範圍及發明說明書內容所作之等效變化與修飾,皆應仍屬本發明專利涵蓋之範圍內。
1:馬達
11:第一皮帶輪
12:第二皮帶輪
2:皮帶
3:傳動軸
4:軸承
S001~S004:步驟
第1圖係本發明之步驟流程圖。
第2圖係本發明旋轉機械配置為速疲勞測試平台之示意圖。
第3圖係本發明圖進行TCA-SOM-MQE之流程圖。
第4a圖係本發明實驗例1中,第一旋轉機械SOM模型對第一旋轉機械診斷之MQE圖。
第4b圖係本發明實驗例1中,第一旋轉機械SOM模型對第二旋轉機械診斷之MQE圖。
第4c圖係本發明實驗例1中,第一旋轉機械TCA-SOM模型對第一旋轉機械診斷之MQE圖。
第4d圖係本發明實驗例1中,第一旋轉機械TCA-SOM模型對第二旋轉機械診斷之MQE圖。
第5a圖係本發明實驗例2中,第一旋轉機械SOM模型對第一旋轉機械診斷之MQE圖。
第5b圖係本發明實驗例2中,第一旋轉機械SOM模型對第二旋轉機械診斷之MQE圖。
第5c圖係本發明實驗例2中,第一旋轉機械TCA-SOM模型對第一旋轉機械診斷之MQE圖。
第5d圖係本發明實驗例2中,第一旋轉機械TCA-SOM模型對第二旋轉機械診斷之MQE圖。
第6a圖係本發明實驗例3中,第一旋轉機械SOM模型對第一旋轉機械診斷之MQE圖。
第6b圖係本發明實驗例3中,第一旋轉機械SOM模型對第二旋轉機械診斷之MQE圖。
第6c圖係本發明實驗例3中,第一旋轉機械TCA-SOM模型對第一旋轉機械診斷之MQE圖。
第6d圖係本發明實驗例3中,第一旋轉機械TCA-SOM模型對第二旋轉機械診斷之MQE圖。
S001~S004:步驟
Claims (5)
- 一種應用樣本分佈遷移改良非監督式學習之旋轉機械診斷之自組織映射網路模型建立方法,其係經由一設備載入後執行下列步驟,其步驟包含:分別擷取一第一旋轉機械及一第二旋轉機械之振動訊號,以分別分割為健康樣本及異常樣本,且所述健康樣本及異常樣本係透過預選特徵集進行篩選,以分別擷取其目標特徵;將第一旋轉機械及第二旋轉機械健康樣本之目標特徵透過遷移成分分析法(Transfer Component Analysis,TCA)以分別求得其遷移模型;將經遷移後之第一旋轉機械及第二旋轉機械健康樣本之目標特徵進行自組織映射網路(Self-Organizing Map,SOM)模型訓練,並導入第一旋轉機械異常樣本之目標特徵,以求得該自組織映射網路模型;以及將自組織映射網路模型進行最小量化誤差(Minimum quantization error,MQE),以界定該自組織映射網路模型之異常門檻值。
- 如請求項1所述之應用樣本分佈遷移改良非監督式學習之旋轉機械診斷之自組織映射網路模型建立方法,其中,所述預選特徵集係包含最大值、最小值、平均值、均方根值、標準差、峰度、熵、樣本熵、多尺度熵、傅立葉轉換、短時傅立葉、小波轉換,或模態經驗分解(Empirical Mode Decomposition,EMD)之至少其一者。
- 如請求項2所述之應用樣本分佈遷移改良非監督式學習之旋轉機械診斷之自組織映射網路模型建立方法,其中,所述健康樣本及異常樣本係 經預選特徵集篩選後,係透過費雪分數(Fisher Score,FS)以選取建立所述目標特徵者。
- 如請求項1至請求項3中任一項所述之所述之應用樣本分佈遷移改良非監督式學習之旋轉機械診斷之自組織映射網路模型建立方法,其中,該第一、第二旋轉機械為軸、軸承或齒輪。
- 一種應用樣本分佈遷移改良非監督式學習應用於旋轉機械診斷之方法,其包含如請求項1至請求項4中任一項所述之所述之應用樣本分佈遷移改良非監督式學習之旋轉機械診斷之自組織映射網路模型建立方法,其步驟更包含:將第二旋轉機械之振動訊號輸入該自組織映射網路模型,使透過所述異常門檻值診斷所述振動訊號。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111142276A TWI827341B (zh) | 2022-11-04 | 2022-11-04 | 應用樣本分佈遷移改良非監督式學習應用於旋轉機械診斷之方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111142276A TWI827341B (zh) | 2022-11-04 | 2022-11-04 | 應用樣本分佈遷移改良非監督式學習應用於旋轉機械診斷之方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI827341B true TWI827341B (zh) | 2023-12-21 |
TW202419839A TW202419839A (zh) | 2024-05-16 |
Family
ID=90053475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111142276A TWI827341B (zh) | 2022-11-04 | 2022-11-04 | 應用樣本分佈遷移改良非監督式學習應用於旋轉機械診斷之方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI827341B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW202124943A (zh) * | 2019-01-02 | 2021-07-01 | 美商科磊股份有限公司 | 用於度量衡量測之機器學習 |
TW202138219A (zh) * | 2020-02-21 | 2021-10-16 | 美商日東股份有限公司 | 輪胎和輪胎感測器 |
-
2022
- 2022-11-04 TW TW111142276A patent/TWI827341B/zh active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW202124943A (zh) * | 2019-01-02 | 2021-07-01 | 美商科磊股份有限公司 | 用於度量衡量測之機器學習 |
TW202138219A (zh) * | 2020-02-21 | 2021-10-16 | 美商日東股份有限公司 | 輪胎和輪胎感測器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106769052B (zh) | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 | |
Shan et al. | A multisensor data fusion method for ball screw fault diagnosis based on convolutional neural network with selected channels | |
CN107003663B (zh) | 具有活动部分的装置的监视 | |
TWI669617B (zh) | 設備健康狀態監控方法及其系統 | |
Yang et al. | Bearing fault automatic classification based on deep learning | |
CN111220373A (zh) | 一种离心泵转子系统故障诊断的方法 | |
Huo et al. | New transfer learning fault diagnosis method of rolling bearing based on ADC-CNN and LATL under variable conditions | |
CN108181105B (zh) | 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统 | |
CN106441896A (zh) | 滚动轴承故障模式识别及状态监测的特征向量提取方法 | |
CN114358124B (zh) | 基于深度对抗卷积神经网络的旋转机械新故障诊断方法 | |
CN114705432B (zh) | 防爆电机轴承健康状态评估方法及系统 | |
CN114755017A (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
CN114004059B (zh) | 一种水轮发电机组健康画像方法 | |
TWI827341B (zh) | 應用樣本分佈遷移改良非監督式學習應用於旋轉機械診斷之方法 | |
Yu et al. | Fault feature of gearbox vibration signals based on morphological filter dynamic convolution autoencoder | |
Song et al. | A fault feature extraction method for rolling bearings based on refined composite multi-scale amplitude-aware permutation entropy | |
Yi et al. | On a Prediction Method for Remaining Useful Life of Rolling Bearings via VMD-Based Dispersion Entropy and GAN | |
Dworakowski et al. | A novelty detection approach to monitoring of epicyclic gearbox health | |
CN112966345B (zh) | 基于对抗训练和迁移学习的旋转机械剩余寿命预测混合收缩方法 | |
Tao et al. | A novel model of one-class bearing fault detection using SVDD and genetic algorithm | |
Bórnea et al. | Classification of Bearing Faults in Induction Motors with the Hilbert-Huang Transform and Feature Selection | |
Hemmer et al. | Simulation-driven deep classification of bearing faults from raw vibration data | |
Kumar et al. | Vibration based fault diagnosis of automobile gearbox using soft computing techniques | |
Sar et al. | Hasty Fault Diagnosis of a Rotating Machinery Hinge on Stalwart Trippy Classifier with Robust Harmonized Swan Machine. | |
TWI819981B (zh) | 動態皮帶張力推論方法及相關馬達驅動輪系統 |