马达故障诊断之模糊类神经网路

馬達故障診斷之模糊類神經網路指導老師：陳沛仲老師學生：藍士強李佳芳方國安日期：2005.04.21諸論目的：

若可在馬達出現初期故障徵兆而未損壞時，透過監測設備與自動化診斷系統找出原因，並及早修復，這樣便可大量節省維護人員及損壞後維修的成本，並且可以保障工廠的生產力不致於中斷。發展故障診斷技術可帶來的收益：

-提高設備的可靠性。

-減低事故發生。

-節省維修經費。

-提高經濟效益。診斷方法方法：

-貼近度計算利用提取的頻譜特徵與設定的故障標準矩陣中的值做貼近度的計算。

-類神經網路將設定好架構的類神經網路，以故障標準矩陣作為樣本，完成類神經網路的學習。

-模糊類神經網路學習方法與類神經網路相同，唯一不同的是模糊類神經網路的特徵參數須先經模糊化，再進行學習。文獻回顧傳統典型。人工智能。模糊理論。

(Zadeh1965)神經元的數學模型。(心理學家McCulloch與數學家Pitts1943)具學習能力的倒傳遞類神經網路。(Rumelhart1985)結合了模糊與類神經網路。(Chow1993)證明了在同效能中，分級後較未分級的更能處理多重故障。(Calado1998)馬達故障類型在轉子部分的故障：

-轉子不平衡-不對心

-軸彎曲-鬆動在軸承部分的故障：

-油膜軸承：油膜旋振、油膜晃盪

-滾珠軸承：內環、外環、滾珠損傷在電機部分的故障：

-氣隙不均

-轉子條斷裂

-三相不平衡故障特徵矩陣信號提取診斷原理及其應用方法貼近度診斷概述：

由計算設備各徵兆值與各故障原因之間的貼近度，依其大小判斷對象的狀況類似何種故障。貼近度診斷流程圖貼近度診斷常用的貼近度計算

-海明(Hamming)貼近度

-歐基里德(Euclid)貼近度

-極大極小貼近度

-極小平均貼近度貼近度診斷依故障特徵矩陣所提供：

Yi=(Yi,1，Yi,2，…，Yi,14)，i=1,2,3,…,12

採用海明貼近度來計算兩集合的貼近度

使用擇近原則來確定診斷對象具有的故障

N(A,Yk)=max{N(A,Y1),N(A,Y2),…,N(A,Y12)}故障特徵矩陣類神經網路診斷權重值

netj=∑（Wji．Oi）+θj誤差平方

類神經網路學習採監督式學習，提供學習樣本讓類神經網路不斷調整各神經元間連接的權重值，直到輸出結果小於設定的誤差為止，則類神經網路完成該筆資料的學習。類神經網路診斷類神經網路診斷流程圖模糊類神經網路診斷本文選用三級隸屬度函數，斜率為2.5，表示為：1，0≦xi≦0.1弱級：fxi=-2.5xi+1.25，0.1≦xi≦0.50，else2.5xi-0.25，0.1≦xi≦0.5中級：fxi=-2.5xi+2.25，0.5≦xi≦0.90，else2.5xi-1.25，0.5≦xi≦0.9強級：fxi=1，0.9≦xi≦10，else模糊類神經網路診斷模糊類神經網路需先將頻譜特徵參數模糊化後，再進行學習。這樣，模糊類神經網路的輸入層神經元數量為原來的3倍。

ex：如上圖中，設sa1=0.72，A為其集合，該值模糊化為：

A=[0,-2.5．0.72+2.25,2.5．0.72-1.25]=[0,0.45,0.55]模糊類神經網路診斷三輸入三輸出FNN架構模糊類神經網路診斷診斷時，需將14個診斷信號經由隸屬度函數模糊化後，再送入類神經網路中進行推理，則輸出結果的值越大，表示該故障發生的可能性越高。模糊類神經診斷流程圖實例測試診斷實例一本例是以東元臥式馬達D3103X2為診斷對象，使用頻譜分析儀量測震動訊號再透過傅利葉轉換成頻域信號。

頻譜特徵sa1sa2sa3sa4sa5sa6sa7提取值0.000310.00210.12320.00610.1270.1446頻譜特徵sa8sa9sa10sa11sa12sa13sa14提取值00000.123200提取頻譜特徵參數值診斷實例一貼近度診斷運算：診斷資料14個頻譜特徵參數分別為xj(j=1,2,…,14)故障特徵矩陣內的的各值為sai,j

(i=1,2,…,12j=1,2,…,14)貼近度yi

(i=1,2,…,12)使用前述之海明貼近度計算法依序將各值代入求取貼近度參數。

診斷實例一類神經網路診斷運算：首先將頻譜特徵參數值帶入類神經網路中，計算隱藏層神經元。將所得隱藏層的數值帶入計算輸出層神經元診斷實例一模糊類神經網路診斷運算：

依前述[三級隸屬度函數]將各特徵函數模糊化。推算出模糊化的值後再輸入網路中判斷可能的故障類型。

經3級模糊化的頻譜特徵參數值診斷實例一診斷結果：診斷實例三

本例是以東元臥式馬達AEJK-XW002為診斷對象，使用頻譜分析儀量測震動訊號再透過傅利葉轉換成頻域信號。

頻譜特徵sa1sa2sa3sa4sa5sa6sa7提取值0.00030.28280.00030.28550.00050.03420.0008頻譜特徵sa8sa9sa10sa11sa12sa13sa14提取值010.34880.36660.28550.60940提取頻譜特徵參數值診斷實例三診斷結果：結論貼近度診斷優點：

-計算簡單最易實現。缺點：

-較不強烈的故障特徵之模糊輸出值不易被突顯。

-不具有自學習的功能。結論類神經網路診斷優點：

-有良好的學習與聯想能力。

-

診斷知識庫的維護相當便捷。缺點：

-在資料沒有明確的故障特徵時，