學位論文
Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73894
Browse
2 results
Search Results
Item 基於多尺度熵與支持向量數據描述之軸承故障診斷系統(2021) 李旻祐; Lee, Min-Yu對於各類迴轉機械來說，旋轉機械、齒輪箱、旋轉刀具等等各類元件容易因為長時間的震動與磨損，產生軸承運轉上的問題。並且，實際在工廠機台運作時，時常是沒有人手進行資料採集以及分類的。因此需要設計一套能夠前處理以及分類無標籤資料的系統。本研究提出了一個以多尺度熵進行特徵抽取，以複數尺度向量數據描述進行軸承振動訊號分析的系統。本研究使用IMS軸承資料庫進行測試，實驗結果能夠準確在軸承出現異常時迅速判斷，提醒使用者軸承出現損壞。並且以此方法，可以實現非監督學習，自行前處理並進行分析。Item 以多尺度分析為特徵之多轉速齒輪箱錯誤診斷之研究(2014) 鄭景逢工具機在工業的生產上是不可或缺的，而齒輪箱是工具機常用的零組件，若是齒輪箱故障可能會導致生產線不可預知的損失，因此過去幾年來已經有許多業界與學界的研究人員投入齒輪箱錯誤診斷的研究。一般而言，要建立錯誤診斷系統的數據資料庫有三個基本步驟：擷取振動數據，特徵抽取和錯誤狀態分類。在本論文中，討論四種多尺度分析算法，包括組合式多尺度熵（CMSE），組合式多尺度排列熵（CMPE），多頻帶頻譜熵（MBSE），和多尺度奇異值分解熵（MSVDE），用來抽取不同轉速以及不同錯誤的齒輪箱振動訊號的特徵。而支持向量機（SVM）和類神經網絡（NN）是作為分類器來區分齒輪箱的錯誤類型。本論文的實驗平台是由工業技術研究院（ITRI）提供。 實驗四種不同的條件，包括正常，不平衡，齒輪磨損和齒輪斷裂，收集不同的齒輪轉速從446 rpm開始，並以12 rpm為區間，一直到2121 rpm的齒輪振動訊號。 為了評估演算法在多轉速齒輪箱錯誤診斷的可行性，對振動數據進行分組辨識，每一組共取五個不同的齒輪轉速，本論文設計兩個實驗：（1）五個不同的轉速數據同時用來訓練分類器; （2）只用一個特定轉速的數據來訓練分類器。實驗結果表明，如果訓練數據來自各個不同的速度，所提出的錯誤診斷演算法預測精度非常的高（高達99.8％）。然而，如果訓練數據僅來自一個轉速，錯誤診斷演算法的預測準確率會大大降低。本論文希望這項研究可以提供一些貢獻在開發一個多轉速齒輪箱的錯誤診斷系統。