臺灣博碩士論文加值系統

齒輪故障的種類相當多，本研究主要建立一套基本的診斷模式雛型，首先利用快速傅立葉、功率譜、經驗模態分解法和小波分析進行訊號處理，接著提取故障特徵參數並正規化，最後結合倒傳遞類神經網路和機率神經網路。本研究分為模擬和實例驗證兩部分，第一部分故障類型由虛擬訊號產生，測試此診斷系統之可行性，首先判斷訊號為正常或異常，如果屬於異常訊號則判斷訊號為單一故障或複合故障並且判斷各類故障類型，在單一故障類型中裂縫和磨損故障更細分診斷故障程度為何。第二部分為實例驗證，以實例配合此診斷系統進行故障診斷，測試此診斷系統之準確性。診斷後發現結果有不一致的情況則進行投票機制，針對不同訊號處理判斷的故障類型進行多數決，以判斷故障種類與程度。

Due to the variable types of gear faults, the main purpose of this study is to establish a model prototype of diagnostic. Firstly, apply FFT (Fast Fourier Transform), power spectrum, EMD (Empirical Mode Decomposition), and wavelet analysis for signal processing. Then extract the fault characteristic parameters and regularize. BPN (Back-propagation Network) and PNN (Probabilistic Neural Network) are then combined to develope the diagnosis system. This study consists of simulations and examples validation. The first part of the fault types are generated by the virtual signal for the feasibility test of this diagnostic system. The signals are judged to be normal or abnormal at first step. If the signal is abnormal, the signal is divided to be single fault or double faults, and to determine the type of fault. A single fault type of crack, wear and tear fault are proceeded the level of fault diagnosis. The second part is the case of the verification. The verification can be used to prove the diagnosis, accuracy of this diagnostic system. If the diagnosis found that the results are inconsistent, the different signal processing are voted to determine the fault type and the level.

中文摘要 ...............................................i
英文摘要.................................................ii
誌謝.....................................................iii
目錄.....................................................iv
表目錄...................................................vi
圖目錄...................................................ix
符號說明 ................................................xi
第一章 緒論............................................1
1.1 研究動機與目的................................. 1
1.2 文獻回顧....................................... 1
1.3 研究方法....................................... 3
1.4 論文架構....................................... 3
第二章 訊號處理....................................... 5
2.1 頻譜分析....................................... 5
2.1.1 快速傅立葉..................................... 5
2.1.2 功率譜......................................... 6
2.2 經驗模態分解法................................. 9
2.3 小波分析....................................... 14
2.3.1 連續小波轉換................................... 14
2.3.2 多辨率分析和小波包分析......................... 15
第三章 類神經網路............................ ..........18
3.1 類神經網路......................................18
3.2 倒傳遞網路......................................19
3.2.1 倒傳遞類神經網路架構........................... 20
3.2.2 倒傳遞類神經網路演算法......................... 21
3.2.3 倒傳遞類神經網路重要參數....................... 22
3.3 機率神經網路................................... 23
3.3.1 貝氏分類器............................ ..........23
3.3.2 機率神經網路架構............................... 24
3.3.3 機率神經網路演算法............................. 25
第四章 模擬齒輪故障訊號之類神經網路................... 27
4.1 齒輪振動頻率................................... 28
4.2 齒輪故障類型與特徵參數......................... 30
4.3 模擬故障訊號................................... 32
4.3.1 模擬齒輪故障訊號知相關參數設定................. 32
4.3.2 模擬齒輪故障訊號類型........................... 34
4.4 齒輪故障診斷................................... 37
4.4.1 第一診斷點............................ ..........39
4.4.2 第二診斷點.................................... 40
4.4.3 第三診斷點............................ ..........41
4.4.4 第四診斷點............................ ..........43
4.4.5 第五診斷點............................ ..........44
4.5 螺旋傘齒輪裝配誤差診斷..........................46
4.5.1 利用FFT配合ANN進行診斷..........................48
4.5.2 利用Power Spectrum配合ANN進行診斷...............49
4.5.3 利用EMD配合ANN進行診斷..........................50
4.5.4 利用Wavelet配合ANN進行診斷..................... 51
4.6. 結果與討論............................ ..........53
第五章 實例驗證........................................54
5.1 實驗架構........................................54
5.2 故障診斷及驗證範例1............................ 55
5.2.1 利用FFT配合ANN進行診斷..........................56
5.2.2 利用Power Spectrum配合ANN進行診斷...............57
5.2.3 利用EMD配合ANN進行診斷..........................62
5.2.4 利用Wavelet配合ANN進行診斷......................64
5.2.5 結果與討論......................................66
5.3 故障診斷及驗證範例2............................ 67
5.3.1 利用FFT配合ANN進行診斷..........................69
5.3.2 利用Power Spectrum配合ANN進行診斷.............. 70
5.3.3 利用EMD配合ANN進行診斷......................... 72
5.3.4 利用Wavelet配合ANN進行診斷..................... 74
5.3.5 結果與討論..................................... 75
第六章 結論與未來展望..................................76
6.1 結論............................................76
6.2 未來展望........................................77
參考文獻 ................................................78
Extended Abstract ........................................81
簡歷 ................................................87

[1]Welch, P. D. “The Use of Fast Fourier Transform for the Estimation of Power Spectra :A Method Based on Time Averaging Over Short, Modified Periodograms.” IEEE Trans. Audio Electroacoust. Vol. AU-15 , pp. 70-73, 1970.
[2]Wu, T. Y., Chung, Y. L. and Hong, H. C., “Looseness Fault Identification of Rotating Machinery through Analyzing Power Spectral Density Distribution of Vibration Signals,” The 32nd National Conference on Theoretical and Applied Mechanics,2008.
[3]Huang, N. E., Shen, Z., Long, S. R., Wu, M. C., Shih, H. H., Zheng, Q., Yen, N. C., Tung, C.C., and Liu, H. H., “The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-stationary Time Series Analysis”, Proc. Soc. Lond. A, Vol. 454, pp. 903-995, 1998.
[4]Liu, B., Riemenschneider, S., Xu, Y., “Gearbox Fault Diagnosis using Empirical Mode Decomposition and Hilbert spectrum”, Mechanical Systems and Signal Processing, Vol. 20, pp. 718-734, 2006.
[5]Morlet, J., Arens, G., Fourgeau, I., and Giard, D., “Wave Propagation and Sampling Theory”, Geophysics, Vol. 47, pp. 203-236, 1982.
[6]Zheng, H., Li, Z., and Chen, X., “Gear Fault Diagonsis Based On Continuous Wavelet Transform”, Mechanical Systems and Signal Processing, Vol. 16, pp. 447-457, 2002.
[7]Belsak, A. and Flasker, J., “Wavelet Analysis for Gear Crack Identification”, Engineering Failure Analysis, Vol. 16, pp. 1983-1990, 2009.
[8]戴宏明，「齒輪故障信號檢測」，碩士論文，國立虎尾科技大學機械與機械工程研究所，2011。
[9]陳進、畢果，「基于譜相關的齒輪振動監測技術研究」，振動與衝擊月刊，第二十八卷第七期，17~21頁，2009。
[10]Spect, D. F., “A General Regression Neural Network,” IEEE Transaction on Neural Network, pp. 568-576, 1991.
[11]姬東朝、宋筆鋒、易華輝，2009，“基于機率神經網路的設備故障診斷 及仿真分析”，火力與指揮控制月刊，34卷，1期，2009。
[12]劉云等編著，數位信號處理，新文京開發出版股份有限公司，台北，2005。
[13]姜萬錄、張淑清、王益群，基于混沌和小波的故障信息診斷，國防工業出版社，北京，2005。
[14]張斐章、張麗秋，類神經網路，東華書局，台北，2005。
[15]葉怡成，應用類神經網路，儒林圖書有限公司，台北，2004。
[16]陳長征等編著，設備振動分析與故障診斷技術，科學出版社，北京，2007。
[17]陳冠妤，「螺旋傘齒輪裝配公差之研究」，碩士論文，國立虎尾科技大學機械與機械工程研究所，2012。
[18]吳信融，「齒輪對狀態監測與分析」，碩士論文，國立虎尾科技大學機械與機械工程研究所，2010。
[19]丁康，李巍華，朱小勇，齒輪及齒輪箱故障診斷實用技術，機械工業出版社，北京，2005。
[20]羅華強，類神經網路－MATLAB的應用，高立圖書有限公司，台北，2005。
[21]羅華強，訊號處理－MATLAB的應用，全華圖書股份有限公司，台北，2008。
[22]張智傑，「齒輪故障診斷之模糊類神經網路」，碩士論文，中原大學機械工程學系，2005。
[23]黃國豪，「應用希爾伯特黃轉換(HHT)之邊際譜分析於旋轉機械的元件鬆脫故障診斷」，碩士論文，國立中央大學光機電工程研究所，2009。
[24]許創欽，「發展以離散小波轉換與適應性類神經模糊推論之齒輪故障之診斷系統」，碩士論文，國立彰化師範大學車輛科技研究所，2008。
[25]蔡進發、王俊傑、紀騰楊，「離岸風力發電場智慧型線上營運系統iWind的開發與驗證」，2010年台灣風能學術研討會，495~500頁，澎湖，2010。
[26]楊智宇，「希爾伯特-黃變換(Hilbert-Huang Transform)結合主成份分析與類神經網路在齒輪故障程度之診斷」，碩士論文，國立中央大學機械工程學系，2011。
[27]高珍、馬金山、熊曉燕，「齒輪故障診斷的小波分析方法」，機械管理發展月刊，第八十三卷第二期，1~2頁，2005。
[28]于德介、程軍聖、楊宇，機械故障診斷的Hilbert-Huang變換方法，科學出版社，北京，2006。
[29]何田等，「局部均值分解在齒輪故障診斷中的應用研究」，振動與衝擊月刊，第三十卷第六期，196~201頁，2011。
[30]王福杰、潘宏俠，「MATLAB中幾種功率譜估計函數的比較分析與選擇」，計算機科學與技術月刊，第二十七卷第六期，28~31頁，2009。
[31]李曉虎、賈民平、許飛云，「頻譜分析法在齒輪箱故障診斷中的應用」，振動、測試與診斷月刊，第二十三卷第三期，168~170頁，2003。
[32]于德介、程軍聖，「EMD方法在齒輪故障診斷中的應用」，湖南大學學報，第二十九卷第六期，48~51頁，2002。