TWM621425U - 用於電動機之振動監測系統 - Google Patents

Abstract

一種用於電動機之振動監測系統，係應用於一具有電動機設施之設備機台，而該振動監測系統係包含有一振動感測裝置、一訊號轉換裝置及一伺服設備，其中該振動感測裝置能夠偵測該電動機設施之振動量測訊號，並將該振動量測訊號轉換為一電動機頻譜特徵資料，而該伺服設備能夠依據所接收之電動機頻譜特徵資料進行異常分析、剩餘壽命分析、健康度分析與故障分析，並再將分析結果之內容發出一通知訊息，除此之外，更能夠依據該故障分析判斷結果，提供對應之維修指引檔，以提供維修與零件檢查的排查順序。

Description

用於電動機之振動監測系統

本創作是有關一種用於電動機之振動監測系統，特別是一種能夠依據電動機之振動量測訊號，並將該振動量測訊號轉換為一電動機頻譜特徵資料，進行異常分析、剩餘壽命分析、健康度分析與故障分析，並能夠再發出通知與維修指引之系統。

一般機械在運轉情況下會發生漸進式的故障，初期出現異常徵兆時，若未及時處理將有可能造成後續嚴重故障。

而傳統的維修方法是被動式維修，當機台發生異常，維修工程師才由機台狀態進行故障診斷。由於工業界維護技術的需求，維修的研究重點已逐步轉向狀態監測、預測性維修和故障早期診斷領域。

很多半導體製造業將向智慧化電子診斷的方向發展，從而實現即時監測和調整設備營運，這一技術的採用也影響整個工業界與半導體製造業，明顯可知，傳統的維修方法已不適用於半導體製造業等一類的產業了。

針對上述情況，本案能夠對電動機能夠透過對電動機的振動量測訊號進行收集與監控，並能夠進行異常分析、剩餘壽命分析、健康度分析與故障分析，以於發生嚴重問題前，則能夠發出警示通知，除此之外，更能夠針對所分析之問題提出維修指引，如此將能夠避免因問題累積而導致嚴重故障的發生，因此本創作應為一最佳解決方案。

本創作用於電動機之振動監測系統，係應用於一個以上的電動機設施，而該用於電動機之振動監測系統係包含至少一個振動感測裝置，係與該電動機設施進行連接，用以偵測該電動機設施之振動量測訊號；至少一個網路裝置，用以接收資料，並以一網路傳輸方式傳送出去；至少一個訊號轉換裝置，係與該振動感測裝置及該網路裝置電性連接，用以接收該振動感測裝置所偵測之振動量測訊號，且將該振動量測訊號轉換為一電動機頻譜特徵資料，並再將該振動量測訊號之量測時間數據及該電動機頻譜特徵資料透過該網路裝置傳送出去；一伺服設備，係能夠接收該網路裝置所傳送之該量測時間數據及該電動機頻譜特徵資料，而該伺服設備係具有至少一個處理器及至少一個電腦可讀取記錄媒體，該等電腦可讀取記錄媒體儲存有至少一個監測分析應用程式、一正常振動數據資料及多個情境比對檔，其中該電腦可讀取記錄媒體更進一步儲存有電腦可讀取指令，當由該等處理器執行該等電腦可讀取指令時，致使該伺服設備進行下列程序：透過監測分析應用程式將所接收之電動機頻譜特徵資料與該正常振動數據資料進行比對，以輸出一判判斷異常結果；用以將該頻段特徵區域資料進行持續儲存並建立出一趨勢模型，用以推估出一總振動值的時間趨勢，再依據該時間趨勢與該量測時間數據輸出一設備可用壽命數據；用以將接收之電動機頻譜特徵資料與不同的情境比對檔進行比對相近機率，並以最高機率的情境比對檔輸出為一故障分析判斷結果；用以能夠將該判判斷異常結果、該設備可用壽命數據或/及該故障分析判斷結果之內容發出一通知訊息。

更具體的說，所述振動量測訊號係為正弦振動波形或是衝擊波波形。

更具體的說，所述該電動機頻譜特徵資料能夠依據不同的頻段分成為多個頻段特徵區域資料。

更具體的說，所述正常振動數據資料係為一或多個預設特徵警戒值，而該監測分析應用程式能夠依據該預設特徵警戒值，與電動機頻譜特徵資料進行比對，若達到該預設特徵警戒值，則輸出該判斷異常結果。

更具體的說，所述正常振動數據資料係為收集長期正常運作下之資料，並依據該資料以機器學習方式訓練出一判斷模型，並以該判斷模型與該電動機頻譜特徵資料進行比對，若差異性過大，則輸出該判斷異常結果。

更具體的說，所述監測分析應用程式能夠將該頻段特徵區域資料依據量測時間數據持續儲存為一總振動歷史數據，並依據該總振動歷史數據建立出該趨勢模型，並藉由該趨勢模型推估出該總振動值的時間趨勢，且再依據該設備機台設定一預設總振動上限值，並再以該預設總振動上限值及該總振動值的時間趨勢進行判斷出一設備可用上限時間數據，再藉由該設備可用上限時間數據與該量測時間數據輸出該設備可用壽命數據。

更具體的說，所述監測分析應用程式能夠依據該總振動歷史數據與該預設總振動上限值的比率做為一第一判斷值，並再依據該總振動值的時間趨勢配適一簡單線性回歸，以取得一穩定度，並依該穩定度做為一第二判斷值，之後再以該設備可用壽命數據與該設備可用上限時間數據的比率做為一第三判斷值，最後再將該第一判斷值、該第二判斷值及該第三判斷值以權重分配取得一健康度數據。

更具體的說，所述監測分析應用程式能夠將接收之頻段特徵區域資料與不同的情境比對檔進行比對，並依據最高機率的情境比對檔輸出為該故障分析判斷結果，且若是判斷該接收之頻段特徵區域資料與每一個情境比對檔的相近機率低於一設定標準之下，則能夠將該接收之頻段特徵區域資料建立為一新的情境比對檔。

更具體的說，所述監測分析應用程式能夠提供一回報介面，用以於該監測分析應用程式提供該故障分析判斷結果後，能夠透過該回報介面進行回報一判斷成功結果或是一判斷失效結果，而該監測分析應用程式能夠依據該判斷成功結果或是判斷失效結果進行回報，用以提高故障分析器的準確度。

更具體的說，所述電腦可讀取記錄媒體內儲存有依據不同的情境比對檔所建立的維修指引檔，若是分析出該故障分析判斷結果，該監測分析應用程式能夠於該維修建議儲存器找出對應之維修指引檔，以提供維修與零件檢查的排查順序。

更具體的說，所述網路傳輸方式係為無線網路傳輸方式或是有線網路傳輸方式。

更具體的說，所述通知訊息係能夠透過mail、通訊軟體或是簡訊訊息的技術來發出。

有關於本創作其他技術內容、特點與功效，在以下配合參考圖式之較佳實施例的詳細說明中，將可清楚的呈現。

請參閱第1A~1D圖，為本創作用於電動機之振動監測系統之設備配置示意圖、網路裝置與伺服設備之連接示意圖、伺服設備之內部架構示意圖及監測分析應用程式之架構示意圖，由圖中可知，該用於電動機之振動監測系統係應用於一廠房內的設備機台上的電動機設施1，該電動機設施1係與該振動感測裝置2進行連接，而連接方式不限於螺固於電動機上或是黏接於電動機表面上，主要是依據電動機設施1種類而有不同的連接方式（連接主要能夠接近電動機的振動源），其中該電動機設施1能夠為振動電動機或是氣動電動機，而該振動電動機之振動量測訊號係為正弦振動波形，且該氣動電動機之振動量測訊號係為衝擊波波形。

該電動機設施1係能夠為恆壓泵浦、風扇馬達、壓縮機、感應電動機，而電動機設施1係不限於穩態&暫態之馬達。

而該振動感測裝置2另一端係與該訊號轉換裝置3進行連接，該訊號轉換裝置3用以接收該振動感測裝置2所偵測之振動量測訊號，且將該振動量測訊號轉換為一電動機頻譜特徵資料，並再將該振動量測訊號之量測時間數據及該電動機頻譜特徵資料與該網路裝置4（網路裝置4是指具有網際網路傳輸功能的任何裝置，例如乙太網路閘道器或/及網路分享器）透過連接線31連接，並以網路傳輸方式（無線網路傳輸方式或是有線網路傳輸方式）傳送出去，如第2A圖所示，該振動感測裝置2取得振動量測訊號後，透過訊號轉換裝置3 將一時域圖（Time Domain）轉為電動機頻譜特徵資料，如第2B圖所示，該電動機頻譜特徵資料為一頻域圖（Frequency Domain），而時域圖轉換為頻域圖，能夠利用傅立葉轉換一類的運算法，將一個時域信號轉換成在不同頻率下對應的振幅及相位，其頻譜就是時域信號在頻域下的表現。

另外，該電動機頻譜特徵資料能夠依據不同的頻段進行頻譜特徵擷取出多個頻段特徵區域資料，而頻譜特徵擷取能夠由該訊號轉換裝置3或是該伺服設備5進行，如第2B及2C圖所示，則將電動機頻譜特徵資料以頻率區間區分成多個區段，其中第2C圖就是把每一個頻段區域的振幅值明確標示出來，而其中Band1的頻率範圍是參考iso規定的振動總量頻率範圍，而Band2~8的頻率範圍定義如下（以下不同頻率範圍定義僅是其中一種實施樣態的舉例，而實際執行，會依據不同設備而有不同Hz的定義範圍）： (1)     Band2:55Hz~59Hz (2)     Band3:115Hz~117Hz (3)     Band4:170Hz~174Hz (4)     Band5:227Hz~231Hz (5)     Band6:285Hz~290Hz (6)     Band7:300Hz~1000Hz (7)     Band8:100Hz~2000Hz

而該網路裝置4能夠與一伺服設備5進行連線，以使該訊號轉換裝置3能夠透過該網路裝置4將該量測時間數據及該電動機頻譜特徵資料傳送給該伺服設備5，該伺服設備5係具有一處理器51、一資訊接收/傳輸器53、一電腦可讀取記錄媒體52，其中該資訊接收/傳輸器53以網路傳輸方式接收該量測時間數據及該電動機頻譜特徵資料，而該電腦可讀取記錄媒體52內儲存有至少一個監測分析應用程式521及一資料儲存單元522，該資料儲存單元522內部係儲存有多種正常振動數據資料、多種情境比對檔、總振動歷史數據、多種維修指引檔（依據不同的情境比對檔所建立）；

其中該監測分析應用程式521係包含有： (1)     一資料處理器5211，用以接收該量測時間數據及該電動機頻譜特徵資料，並能夠將該電動機頻譜特徵資料以頻率區間區分成多個區段，以形成多個頻段特徵區域資料； (2)     一異常偵測器5212，係與該資料處理器5211相連接，用以對該頻段特徵區域資料進行定量分析或是定性分析，如第3圖所述，說明與舉例如下： (a)      定量分析： (a1) 將該電動機頻譜特徵資料301進行定量分析302，之後訂定該正常振動數據資料，而該正常振動數據資料係為一或多個預設特徵警戒值303，最後依據該預設特徵警戒值，與該電動機頻譜特徵資料之多個頻段特徵區域資進行比對，若達到該預設特徵警戒值，則輸出該判斷異常結果並發出警訊304； (a2) 如第4圖所示，則是以某冰水泵電動機之總振動量為定量分析的實施結果圖，過程如下： A.       紀錄總振動量實時資料（圖中的不規則振盪曲線）； B.        以 ISO-10816 制定振動管制界限為依據（單位:mm/s），其中振動值 ＜= 0.7則代表Good，若是0.7＜ 振動值 ＜= 1.8則代表Acceptable，若是1.8 ＜ 振動值 ＜= 4.5則代表Unsatisfactory，若是4.5 ＜ 振動值則代表Unacceptable； C.        圖中顯示振動值超過 1.8mm/s 共達 52 次（橫線上方區域），這表示部分運作當下呈現振動較大，雖不常發生但應留意； D.       進行實時系統逐筆紀錄並警示相關人員介入確認； E.        除用 ISO 為參考依據外，亦提供數種制定規範邏輯：平均值*n, n=1,2…；平均值+ n*標準差, n=3,4... ；中位數+ n*IQR, n=1.5,3,…；或是自定義。 (b)     定性分析： (b1) 將該電動機頻譜特徵資料301進行定性分析305，其中該正常振動數據資料係為收集長期正常運作條件下之資料306，並依據該資料以機器學習方式訓練出一判斷模型307，並能夠提供使用者以介面選擇敏感度（高、標準、低）308後，則能夠將該判斷模型與新的電動機頻譜特徵資料進行比對309，若差異性過大（超過模型決策邊界），則判斷為異常310並輸出紀錄該判斷異常結果與發出警訊311，反之，若是比對結果於模型決策邊界內，則判斷為無異常312； (b2) 而定性分析所使用的方法為Isolation Forest，該方法簡述如下： A.       容易被孤立的即為離群點；分佈稀疏且距離高密度較遠之資料即為離群； B.        將資料集連續且隨機對資料進行切割，直到每個子空間剩 1 個點； C.        重複上述資料切割行為多次； D.       多次隨機切割後，計算異常得分，若是愈接近 1，愈有可能為異常點，若所有得分皆在 0.5 左右，則可解釋為可能資料中不具有異常點； (b3) 如第5A~5D圖所示，則是以某冰水泵電動機之總振動量為定性分析的實施結果圖，過程如下： A.以冰水泵電動機之葉輪振動資料為例，並收集兩種資料集分別為Normal Set（為正常狀態下之運轉資料，如第5A圖所示）與Testing Set（為葉輪異常狀態下資料，指葉輪不平衡、負載的資料，如第5C圖所示）； B.        其中以 Training Set 並搭配 Isolation Forest 機器學習方法獲得模型，並計算其 Anomaly Score（為葉輪正常狀態下資料，如第5B圖所示），從 Anomaly Score 選擇臨界值，此案例為 0.7236，紀錄模型； C.        將模型套用至 Testing Set 並計算 Anomaly Score（如下表一）

value	Update time	score
0.3001953	2021-02-19 15:46:36	0.724
0.2445313	2021-02-19 15:46:37	0.620
0.3119141	2021-02-19 15:46:38	0.724
0.3158203	2021-02-19 15:46:39	0.724
0.3382812	2021-02-19 15:46:40	0.724
0.2855469	2021-02-19 15:46:41	0.724
0.2835937	2021-02-19 15:46:42	0.724
0.2010742	2021-02-19 15:46:43	0.587
0.1849609	2021-02-19 15:46:44	0.596
0.1844727	2021-02-19 15:46:45	0.594

表一 振動值vs Anomaly Score D.       以 0.7236 為閥值，Testing Set 之 Anomaly Score 大於 0.7236 則為異常資料點（如第5D圖中的位於上方區域的資料點），反之，小於 0.7236 則為正常點； E.        將異常資料點紀錄於資料庫，通知相關工程單位查詢； F.         此例顯示異常資料點若持續出現，應注意葉輪是否有異常狀況導致與原正常資料差異變大。 (3)     一剩餘壽命判斷器5213，係與該資料處理器5211相連接，能夠將該頻段特徵區域資料依據量測時間數據持續儲存為一總振動歷史數據，並依據該總振動歷史數據建立出該趨勢模型，並藉由該趨勢模型推估出該總振動值的時間趨勢，且再依據該設備機台設定一預設總振動上限值，並再以該預設總振動上限值及該總振動值的時間趨勢進行判斷出一設備可用上限時間數據，再藉由該設備可用上限時間數據與該量測時間數據輸出該設備可用壽命數據，說明如下： (a)      本案以振幅值為依據，從歷史數據配適最佳趨勢模型（線性 or 非線性模型）。建立振動 OA 值和時間數列關係，將量測數據轉換成為預測的時間數列資訊，作為預測機台性能退化基礎； (b)     而運作條件舉例如下： (b1) 需定義警戒值: 總振動量以 ISO 上限值為參考，其他振動量可由場域自訂，而場域定義如下： (b11)       振幅最大值(Max)*n, n=2,3,…； (b12)       振幅平均值*n, n=2,3,…； (b13)       或是自定義 (b2) 長時間資料建模較穩健； (c)      而運作方式如下（以下運作範例僅是其中一種實施樣態的舉例，而實際執行，會依據不同設備而有不同非線性算法）： (c1) 以線性與非線性方式配飾出一趨勢模型 (c11)        線性: glm

(c12)        非線性: Exponential Model 衰退成指數分配

(c2) 以建模模型估算達到上限值之時間，此時間即為 End Time（TEnd）。 (c3) RUL（剩餘壽命） =  TFail – Tnow (4)     一健康度判斷器5214，係與該資料處理器5211及該剩餘壽命判斷器5213相連接，能夠依據該總振動歷史數據與該預設總振動上限值的比率做為一第一判斷值，並再依據該總振動值的時間趨勢配適一簡單線性回歸，以取得一穩定度，並依該穩定度做為一第二判斷值，之後再以該設備可用壽命數據與該設備可用上限時間數據的比率做為一第三判斷值，最後再將該第一判斷值、該第二判斷值及該第三判斷值以權重分配取得一健康度數據，說明如下： (a)      本案以設備總振度 / 部件振動值，模型預估與 ISO 規範計算健康度，如第6圖所示，先記錄電動機設備歷史總振動量與開始運作日期601後，再進行資料更新602（若有新的資料進來，則將舊資料與新資料合併），之後進行資料清洗603（用來排除停機狀態資料與排除人為造成異常資料），最後進行模型配適，估算健康度、剩餘壽命604； (b)     第一判斷值（H1）: 以總振動值為參考依據 (b1) ISO 規範總振動值上限為 ( ex: calss 1, ＜15kw, 4.8mm/s) (b2) 健康度：

(c)      第二判斷值（H2）: 以 Model R^2 解釋穩定度 (c1) 定義振動總量上限值 (c2) 採振幅 vs. 時間配適一簡單線性回歸, 並以 R^2 值轉換表示相依時間之穩定度，以第7A圖為例，量測曲線所配適出的配適線之R ²為0.0316，而H2=96.4%，再以第7B圖為例，剛開始為穩定，而一定時間後，曲線往上走則表示為不穩定，量測曲線所配適出的配適線之R ²為0.8484，而H2=15.1%， (c3) 簡單線性回歸（

）說明如下： 樣本資料

誤差：

最小平方法求誤差最小值，計算

而輸出運算範例如下： lm(formula = Value ~ time2value_1, data = VMS) Residuals: Min      1Q          Median      3Q     Max -0.47368 -0.14947     -0.00553   0.13945  1.51415 Coefficients: Estimate             Std. Error    t value   Pr(＞|t|) (Intercept)      1.768e+00     5.545e-03   318.89     ＜2e-16 *** time2value_1  4.953e-07      5.922e-09   83.63      ＜2e-16 *** --- Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.1837 on 10358 degrees of freedom Multiple R-squared:  0.403,      Adjusted R-squared:  0.403 F-statistic: 6993 on 1 and 10358 DF,  p-value: ＜2.2e-16 (c4) R^2: 值介於 0 ~ 1之間: 0: 表示穩定，與時間無關，故效能穩定 1: 表示不穩定，與時間相依，故效能不穩定 (d)     第三判斷值（H3）: 以剩餘壽命估計，如第7C圖所示，其量測資料為不規則的量測曲線，而另一趨勢曲線為弧線向上，並於碰觸到上限值之時間設為T _End，而T ₀為開始使用時間，T ₁為當下量測時間，而估計公式如下：

(e)      結合 H1 & H2 & H3，並由業主設定權重比例

,

(f)       實例舉例如第8圖所示，說明如下： (f1)  以某半導體廠機台實例，其中總振動量上限值為6，而圖中y軸是表示實際振動資料點，x軸是時間，而橫線則是本例配適之線性趨勢線（y=2.228 +3.505x10 ^-7x），數據顯示此設備振動趨於穩定，預估209天後達警戒上限； (f2)  而健康度計算如下，H1 = 52.3%，H2 = 99.2%，H3 = 93.7%，採平均計算後，整體健康度估計為 81.8%； (f3)  而本例的模型配適運算如下： lm(formula = Value ~ time2value_1, data = VMS) Residuals: Min      1Q      Median      3Q       Max -0.5818 -0.3820 -0.2258    0.2087  3.3649 Coefficients: Estimate      Std. Error     t value     Pr(＞|t|) (Intercept)    2.228e+00    3.909e-02    57.003     ＜2e-16 *** time2value_ 1 3.505e-07  1.420e-07    2.469       0.0138 * --- Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 0.5703 on 763 degrees of freedom Multiple R-squared:  0.007927,   Adjusted R-squared:  0.006627 F-statistic: 6.097 on 1 and 763 DF,  p-value: 0.01376 (5)     一故障分析器5215，係與該資料處理器5211相連接，能夠將接收之頻段特徵區域資料與不同的情境比對檔進行比對，並依據最高機率的情境比對檔輸出為該故障分析判斷結果，且若是判斷該接收之頻段特徵區域資料與每一個情境比對檔的相近機率低於一設定標準之下，則能夠將該接收之頻段特徵區域資料建立為一新的情境比對檔，說明如下： (a)      而本案故障分析程序，如第9圖所示，進行電動機設備振動資料模擬901，建立多個情境檔902，再進行資料清洗、標籤化、標準化等處理903之後，進行神經網路訓練、建模、更新904，最後再將模型輸出905，並將模型套用分析906； (b)     而當電動機設備新資料輸入907，之後則透過該模型進行故障分析預測908； (c)      而當預測失誤後，系統能夠提供失效預測進行更新模組909，之後則能夠於該資料儲存單元522內的情境庫910內進行更新情境911，用以提高故障分析器的準確度。 (6)     一警報通知器5216，係與異常偵測器5212、剩餘壽命判斷器5213、健康度判斷器5214、故障分析器5215相連接，用以當判斷有異常情況時，則能夠透過該資訊接收/傳輸器53以mail、通訊軟體或是簡訊訊息等技術發出通知訊息或是直接顯示於回報介面上。 (7)     一使用介面器5217，係與異常偵測器5212、剩餘壽命判斷器5213、健康度判斷器5214、故障分析器5215及警報通知器5216相連接，該使用介面器5217能夠提供一回報介面，用以提供該故障分析判斷結果後，能夠透過該回報介面進行回報一判斷成功結果或是一判斷失效結果，而該監測分析應用程式能夠依據該判斷成功結果或是判斷失效結果進行回報，用以提高故障分析的準確度。

另外該電腦可讀取記錄媒體52之資料儲存單元522內儲存有依據不同的情境比對檔所建立的維修指引檔，若是分析出該故障分析判斷結果，該監測分析應用程式521能夠於該維修建議儲存器找出對應之維修指引檔，以提供維修與零件檢查的排查順序。

本創作所提供之用於電動機之振動監測系統，與其他習用技術相互比較時，其優點如下： (1)     本創作能夠對電動機能夠透過對電動機的振動量測訊號進行收集與監控，並能夠進行異常分析、剩餘壽命分析、健康度分析與故障分析，以於發生嚴重問題前，則能夠發出警示通知。 (2)     本創作能夠針對所分析之問題提出維修指引，如此將能夠避免因問題累積而導致嚴重故障的發生。

本創作已透過上述之實施例揭露如上，然其並非用以限定本創作，任何熟悉此一技術領域具有通常知識者，在瞭解本創作前述的技術特徵及實施例，並在不脫離本創作之精神和範圍內，當可作些許之更動與潤飾，因此本創作之專利保護範圍須視本說明書所附之請求項所界定者為準。

1:電動機設施

2:振動感測裝置

3:訊號轉換裝置

31:連接線

4:網路裝置

5:伺服設備

51:處理器

52:電腦可讀取記錄媒體

521:監測分析應用程式

5211:資料處理器

5212:異常偵測器

5213:剩餘壽命判斷器

5214:健康度判斷器

5215:故障分析器

5216:警報通知器

5217:使用介面器

522:資料儲存單元

53:資訊接收/傳輸器

[第1A圖]係本創作用於電動機之振動監測系統之設備配置示意圖。 [第1B圖]係本創作用於電動機之振動監測系統之網路裝置與伺服設備之連接示意圖。 [第1C圖]係本創作用於電動機之振動監測系統之伺服設備之內部架構示意圖。 [第1D圖]係本創作用於電動機之振動監測系統之監測分析應用程式之架構示意圖。 [第2A圖]係本創作用於電動機之振動監測系統之資料處理示意圖。 [第2B圖]係本創作用於電動機之振動監測系統之資料處理示意圖。 [第2C圖]係本創作用於電動機之振動監測系統之資料處理示意圖。 [第3圖]係本創作用於電動機之振動監測系統之異常偵測分析流程圖。 [第4圖]係本創作用於電動機之振動監測系統之異常偵測分析之定量分析舉例示意圖。 [第5A圖]係本創作用於電動機之振動監測系統之異常偵測分析之定性分析舉例示意圖。 [第5B圖]係本創作用於電動機之振動監測系統之異常偵測分析之定性分析舉例示意圖。 [第5C圖]係本創作用於電動機之振動監測系統之異常偵測分析之定性分析舉例示意圖。 [第5D圖]係本創作用於電動機之振動監測系統之異常偵測分析之定性分析舉例示意圖。 [第6圖]係本創作用於電動機之振動監測系統之剩餘壽命與健康度分析流程圖。 [第7A圖]係本創作用於電動機之振動監測系統之健康度分析說明示意圖。 [第7B圖]係本創作用於電動機之振動監測系統之健康度分析說明示意圖。 [第7C圖]係本創作用於電動機之振動監測系統之健康度分析說明示意圖。 [第8圖]係本創作用於電動機之振動監測系統之健康度分析舉例示意圖。 [第9圖]係本創作用於電動機之振動監測系統之故障分析流程圖。

1:電動機設施

2:振動感測裝置

3:訊號轉換裝置

31:連接線

4:網路裝置

Claims (10)

1. 一種用於電動機之振動監測系統，係應用於一個以上的電動機設施，而該用於電動機之振動監測系統係包含：至少一個振動感測裝置，係與該電動機設施進行連接，用以偵測該電動機設施之振動量測訊號；至少一個網路裝置，用以接收資料，並以一網路傳輸方式傳送出去；至少一個訊號轉換裝置，係與該振動感測裝置及該網路裝置電性連接，用以接收該振動感測裝置所偵測之振動量測訊號，且將該振動量測訊號轉換為一電動機頻譜特徵資料，並再將該振動量測訊號之量測時間數據及該電動機頻譜特徵資料透過該網路裝置傳送出去；以及一伺服設備，係能夠接收該網路裝置所傳送之該量測時間數據及該電動機頻譜特徵資料，而該伺服設備係具有至少一個處理器及至少一個電腦可讀取記錄媒體，該等電腦可讀取記錄媒體儲存有至少一個監測分析應用程式、一正常振動數據資料及多個情境比對檔，其中該電腦可讀取記錄媒體更進一步儲存有電腦可讀取指令，當由該等處理器執行該等電腦可讀取指令時，致使該伺服設備進行下列程序：透過監測分析應用程式將所接收之電動機頻譜特徵資料與該正常振動數據資料進行比對，以輸出一判斷異常結果；用以將一頻段特徵區域資料進行持續儲存並建立出一趨勢模型，用以推估出一總振動值的時間趨勢，再依據該時間趨勢與該量測時間數據輸出一設備可用壽命數據；用以將接收之電動機頻譜特徵資料與不同的情境比對檔進行比對相近機率，並以最高機率的情境比對檔輸出為一故障分析判斷結果；用以能夠將該判斷異常結果、該設備可用壽命數據或/及該故障分析判斷結果之內容發出一通知訊息。
2. 如請求項1所述之用於電動機之振動監測系統，其中該振動量測訊號係為正弦振動波形或是衝擊波波形。
3. 如請求項1所述之用於電動機之振動監測系統，其中該電動機頻譜特徵資料能夠依據不同的頻段分成為多個頻段特徵區域資料。
4. 如請求項1所述之用於電動機之振動監測系統，其中該正常振動數據資料係為一或多個預設特徵警戒值，而該監測分析應用程式能夠依據該預設特徵警戒值，與該電動機頻譜特徵資料進行比對，若達到該預設特徵警戒值，則輸出該判斷異常結果。
5. 如請求項1所述之用於電動機之振動監測系統，其中該正常振動數據資料係為收集長期正常運作下之資料，並依據該資料以機器學習方式訓練出一判斷模型，並以該判斷模型與該電動機頻譜特徵資料進行比對，若差異性過大，則輸出該判斷異常結果。
6. 如請求項1所述之用於電動機之振動監測系統，其中該監測分析應用程式能夠將該頻段特徵區域資料依據量測時間數據持續儲存為一總振動歷史數據，並依據該總振動歷史數據建立出該趨勢模型，並藉由該趨勢模型推估出該總振動值的時間趨勢，且再依據該設備機台設定一預設總振動上限值，並再以該預設總振動上限值及該總振動值的時間趨勢進行判斷出一設備可用上限時間數據，再藉由該設備可用上限時間數據與該量測時間數據輸出該設備可用壽命數據。
7. 如請求項6所述之用於電動機之振動監測系統，其中該監測分析應用程式能夠依據該總振動歷史數據與該預設總振動上限值的比率做為一第一判斷值，並再依據該總振動值的時間趨勢配適一簡單線性回歸，以取得一穩定 度，並依該穩定度做為一第二判斷值，之後再以該設備可用壽命數據與該設備可用上限時間數據的比率做為一第三判斷值，最後再將該第一判斷值、該第二判斷值及該第三判斷值以權重分配取得一健康度數據。
8. 如請求項1所述之用於電動機之振動監測系統，其中該監測分析應用程式能夠將接收之頻段特徵區域資料與不同的情境比對檔進行比對，並依據最高機率的情境比對檔輸出為該故障分析判斷結果，且若是判斷該接收之頻段特徵區域資料與每一個情境比對檔的相近機率低於一設定標準之下，則能夠將該接收之頻段特徵區域資料建立為一新的情境比對檔。
9. 如請求項1所述之用於電動機之振動監測系統，其中該監測分析應用程式能夠提供一回報介面，用以於該監測分析應用程式提供該故障分析判斷結果後，能夠透過該回報介面進行回報一判斷成功結果或是一判斷失效結果，而該監測分析應用程式能夠依據該判斷成功結果或是判斷失效結果進行回報，用以提高故障分析的準確度。
10. 如請求項1所述之用於電動機之振動監測系統，其中該電腦可讀取記錄媒體內儲存有依據不同的情境比對檔所建立的維修指引檔，若是分析出該故障分析判斷結果，該監測分析應用程式能夠於該維修建議儲存器找出對應之維修指引檔，以提供維修與零件檢查的排查順序。

Images