透過衰減係數判別機台狀態之研究

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：38

、訪客IP：18.217.206.97

姓名

陳廷宇(Ting-YuCHEN) 查詢紙本館藏

畢業系所

光電科學與工程學系

論文名稱

透過衰減係數判別機台狀態之研究
(Research on Distinguishing Machine State by Decay Rate)

相關論文

★ 腦電波傅利葉特徵頻譜之研究	★ 光電星雲生物晶片之製作
★ 電場控制器光學應用	★ 手機照相鏡頭設計
★ 氣功靜坐法對於人體生理現象影響之研究	★ 針刺及止痛在大鼠模型的痛覺量測系統
★ 新光學三角量測系統與應用	★ 離軸式光學變焦設計
★ 腦電波量測與應用	★ Fresnel lens應用之量測
★ 線型光學式三角量測系統與應用	★ 非接觸式電場感應系統
★ 應用田口法開發LED燈具設計	★ 巴金森氏症雷射線三角量測系統
★ 以Sol-Gel法製備高濃度TiO2用於染料敏化太陽能電池光電極之特性研究	★ 生產線上之影像量測系統

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

至系統瀏覽論文 ( 永不開放)

摘要(中)

本論文對於現今的機台AI判別提出了新的架構，該架構基於機台的振動變化量之上，並稱此機台振動變化量為衰減係數，透過計算機台之衰減係數，我們可以判斷出機台現在所處的狀態與行為，並且依照所屬的狀態與行為的不同，來計算機台健康程度。由於衰減係數的計算，是透過振動的變化量，而非振動的純量總值，因此該計算模型還可套用在不同的機台上。
本論文透過模擬與實際的數據來驗證以上之理論，從模擬取樣率、衰減率、振動週期之改變來實驗單一變數的情況，對衰減係數的影響，並套用在實際的馬達的運作上，在該馬達運作行程上分為五段，每段行程有著轉速與負載的差異，而透過收取該馬達的原始振動數據，很難以肉眼分辨其差異，但該數據透過衰減係數計算後，其五段不同行為之行程，卻是肉眼可見。因此本論文不僅提供一機台振動狀態判別的方法，透過該方法更能使振動數據具有更高的可讀性與意義，而其極限為振動週期介於2~180秒且感測器取樣週期不可超過750ms之任意機台。

摘要(英)

This paper proposes a new framework for the AI discrimination of present machine, which is based on the vibration variation of the machine known as decay coefficient. By calculating the machine’s decay coefficient, we can determine the current state and behavior of the machine, and calculate the machine’s condition according to the different state and behavior. Since the calculation of the decay coefficient is based on the variation of the vibration rather than the total value of the vibration, the calculation model can be applied to different machines.

The aforementioned theory is verified by simulated and actual data. The effect of a single variable on the decay coefficient is tested by simulating the change of sampling rate, decay rate and vibration period, and applied to the actual motor operation. However, after the data is calculated by its decay coefficient, the five stages of travel with different behaviors are visible to the naked eye. Therefore, this paper not only provides a method to identify the vibration status of the machine, but also makes the vibration data more readable and meaningful through this method. As such, the limit of the vibration period between 2~180 seconds and the sensor sampling period will not exceed 750ms for any machine.

關鍵字(中)

★ 工業4.0
★ 人工智能
★ 衰減係數

關鍵字(英)

★ Industry 4.0
★ AI
★ decay coefficient

論文目次

目錄
摘要 i
Abstract ii
致謝 iii
目錄 iv
圖目錄 viii
表目錄 xii
第一章緒論 1
1-1 研究背景 1
1-2 研究動機 2
1-3 研究貢獻 3
第二章參考文獻 4
2-1 機台維護方式 4
2-2 機台衰減原因 5
2-2-1 自由振動與受迫振動 5
2-2-2 線性振動與非線性振動 7
2-2-3 自激振動與參數振動 8
2-3 AI學習模型 8
2-3-1 監督式學習 9
2-3-2 非監督式學習 10
2-3-3 增強式學習 11
2-3-4 半監督式學習 12
2-3-5 機台的預防性維護 13
2-3-6 振動OA值 14
2-3-7 預測 15
第三章理論…………………………………………………….………17
3-1 衰減係數之算法與物理意義 18
3-2 衰減係數之極限 20
3-3 振動訊號來源 21
3-4 過濾訊號之方法 22
3-4-1 人為訊號排除 23
3-4-2 機台共振訊號排除 26
3-4-3 溫度振動訊號排除 27
3-5 感測器設備 28
3-5-1 CC2650MODA藍芽晶片 28
3-5-2 LIS2DH12三軸加速規 29
3-5-3 電路設計 31
第四章實驗 34
4-1 實驗架構 34
4-2 單一變因模擬 35
4-2-1 隨機取樣時間模擬 35
4-2-2 狀態衰減模擬 41
4-2-3 振動週期變化模擬 46
4-3 複數變因模擬 51
4-4 實際數據分析 59
第五章研究結論與未來展望 64
5-1 結論 64
5-2 未來展望 65
第六章參考文獻 66
附錄(論文投稿) 69

參考文獻

[1]. Online resources : 維護. (n.d.).Wikipedia.
[2]. Ho , C. Y., Fan, C. L., & Lin, J. W. (2007). A STUDY ON MAINTENANCE MANAGEMENT SYSTEMS AND THEIR PRODUCTION PERFORMANCE. 第八卷(第二期).
[3]. Online resources : Reliability Centred Maintenance Analysis. (n.d.). MTain. https://web.archive.org/web/20160816021108/http:/www.mtain.com/logistics/logrcm.htm
[4]. Online resources: 機器學習. (n.d.). Wikipedia.
[5]. Alzubaidi, L., Zhang, J., Humaidi, A.J. et al. Review of deep learning: concepts, CNN architectures, challenges, applications, future directions. J Big Data 8, 53 (2021).
[6]. Mari Cruz Garcia, Miguel A. Sanz-Bobi, Javier del Pico,SIMAP: Intelligent System for Predictive Maintenance: Application to the health condition monitoring of a windturbine gearbox,Computers in Industry,Volume 57, Issue 6,2006,Pages 552-568,
ISSN 0166-3615
[7]. K. A. Kaiser and N. Z. Gebraeel, "Predictive Maintenance Management Using Sensor-Based Degradation Models," in IEEE Transactions on Systems, Man, and Cybernetics - Part A: Systems and Humans, vol. 39, no. 4, pp. 840-849, July 2009, doi: 10.1109/TSMCA.2009.2016429.
[8]. Miljkovic, D. (2015). Brief Review of Vibration Based Machine Condition Monitoring.
[9]. Chang, S. C. (2016). 即時診斷馬達故障之嵌入式系統.
[10]. Sadeghi, I. (2017). Online Fault Diagnosis of Large Electrical Machines Using Vibration Signal-a Review. IEEE.
[11]. Online resources: 如何理解單自由度系統振動. (2020, November 22). MdEditor.
[12]. Online resources:自激振動. (n.d.). 中文百科.
[13]. Online resources:參數振動. (n.d.). 中文百科.
[14]. Tsai, Y. T., Chen, C. C., & Liao, Z. X. (2012). A STUDY OF PERFORMANCE DEGRADATION PREDICTIONS AND FAULT DIAGNOSES FOR MECHANICAL SYSTEMS. 技術學刊, 第二十七卷(第三期).
[15]. Online resources: 人工智慧史. (n.d.). Wikipedia.
[16]. Online resources: 人工智慧. (n.d.). Wikipedia.
[17]. Online resources: 機器學習. (n.d.). Wikipedia.
[18]. Online resources: 線性迴歸. (n.d.). Wikipedia.
[19]. Online resources: CC2650 SimpleLinkTM Multistandard Wireless MCU. (2016 7). TexasInstruments.
[20]. Online resources:LIS2DH12. (2017). ST.

指導教授

張榮森(Rong-Sen Chang)

審核日期

2022-7-21

推文