臺灣博碩士論文加值系統

為使電力系統正常運轉，汽力發電廠內系統設備初期故障的預防與偵測工作在特別重要；由其是影響範圍大的大型汽渦輪發電機組。在機組初期故障時如未能及早偵測，將導致後期因故障所衍生的不良結果。隨著汽渦輪機組構造日趨複雜，機組設備零件間的聯繫關係將更為緊密，對於內部潛在的初期故障來說，應施予線上即時監測。因此，汽渦輪發電機組振動監測與故障診斷方法不僅對電力系統安全穩定運轉與經濟效益具有重大意涵，同時亦是電機工程領域重要之研究課題。
本文旨在提出資料探勘(Data Mining)方法中最常用的K最近鄰分類(K-Nearest Neighbor, K-NN)法配合主成份分析(Principal Components Analysis, PCA)，建構汽渦輪發電機組振動故障診斷系統。經由主成份分析法將資料庫中輸入屬性進行簡化以達降維目的，所產生的新輸入屬性為原有的輸入屬性的線性組合。測試結果證實，本文所提K最近鄰分類法配合主成份分析應用於實際系統故障診斷之可行性。

From the view of preventive measures, the work on earlier detection of the incipient fault of the fundamental equipment in the steam power plants, especially the steam turbine-generator sets, has attracted quite much attention. As a vital device in the power system, the fault of the steam turbine-generator set will lead itself to a very wide range of outage of the system. Due to the increasing capacity and structure complexity of steam turbine-generator sets, the relations among components of the set become closer than before. Thus, the research on vibration fault diagnosis not only has great importance and benefit for the machine to operate safely and stably, but also is a frontier issue for electrical engineering.
This thesis presents a data mining approach based on K-nearest neighbor (K-NN) classifier and principal component analysis (PCA) to diagnose the vibration faults of turbine-generator units. The PCA is used to reduce the dimension of the input attributes through a linear combination of the original attributes. The testing results demonstrates the feasibility of the proposed approaches to diagnose the vibration faults of turbine-generator units.

總目錄
中文摘要 Ⅰ
英文摘要 Ⅱ
總目錄 Ⅲ
圖目錄 Ⅴ
表目錄 Ⅶ
第一章 緒論 1
1-1研究動機 1
1-2 研究背景 2
1-3 論文貢獻 6
1-4 論文架構 7
第二章 汽渦輪發電機組振動問題描述 8
第三章 K最近鄰與其他方法理論 12
3-1 資料探勘介紹 12
3-2 K最近鄰與其他方法理論 14
3-2-1簡易型K-NN 14
3-2-2修正型K-NN 16
3-2-3權重演算法 18
3-3 分解樹理論 22
3-4 主成份分析理論 26
第四章 測試結果與討論 30
4-1汽渦輪振動故障資料 31
4-1-1汽渦輪振動故障資料簡易驗證測試 34
4-1-2汽渦輪振動故障資料交叉驗證測試 36
4-1-3汽渦輪振動故障資料比例驗證測試 38
4-2 PCA後汽渦輪振動故障資料 39
4-2-1 PCA後汽渦輪振動故障資料測試(C=4) 40
4-1-2 PCA後汽渦輪振動故障資料測試(C=5) 43
4-2-3 PCA後汽渦輪振動故障資料測試(C=6) 46
4-3測試結果與討論 50
第五章 結論與未來研究方向 51
5-1結論 51
5-2未來研究方向 51
參考文獻 52

圖目錄
圖2-1 汽渦輪發電機組示意圖 8
圖2-2 隸屬函數示意圖 11
圖3-1 K-NN分類空間示意圖 15
圖3-2 曼哈頓空間距離示意圖 17
圖3-3 K-NN建模流程 20
圖3-4 分解樹示意圖 22
圖3-5 面試競爭者軟體模擬範例 25
圖3-6 陡坡圖範例 29
圖4-1 RSES軟體資訊 30
圖4-2 RSES振動故障資料庫60筆範例 30
圖4-3 60筆機組振動故障診斷簡易驗證統計圖 35
圖4-4 60筆機組振動故障診斷交叉驗證統計圖 37
圖4-5 60筆機組振動故障診斷比例驗證統計圖 38
圖4-6 PCA後60筆機組振動故障診斷簡易驗證統計圖(C=4) 40
圖4-7 PCA後60筆機組振動故障診斷交叉驗證統計圖(C=4) 41
圖4-8 PCA後60筆機組振動故障診斷比例驗證統計圖(C=4) 42
圖4-9 PCA後60筆機組振動故障診斷簡易驗證統計圖(C=5) 43
圖4-10 PCA後60筆機組振動故障診斷交叉驗證統計圖(C=5) 44
圖4-11 PCA後60筆機組振動故障診斷比例驗證統計圖(C=5) 45
圖4-12 PCA後60筆機組振動故障診斷簡易驗證統計圖(C=6) 46
圖4-13 PCA後60筆機組振動故障診斷交叉驗證統計圖(C=6) 47
圖4-14 PCA後60筆機組振動故障診斷比例驗證統計圖(C=6) 48
圖4-15 資料探勘流程 49

表目錄
表3-1 距離測量方法優劣比較 21
表3-2 ID3演算法 23
表3-3 面試競爭者範例 24
表4-1 60筆機組振動故障診斷資料 32
表4-2 60筆機組振動故障診斷簡易驗證準確率 34
表4-3 60筆機組振動故障診斷交叉驗證準確率 36
表4-4 60筆機組振動故障診斷比例驗證準確率 38
表4-5 PCA後60筆機組振動故障診斷簡易驗證準確率(C=4) 40
表4-6 PCA後60筆機組振動故障診斷交叉驗證準確率(C=4) 41
表4-7 PCA後60筆機組振動故障診斷比例驗證準確率(C=4) 42
表4-8 PCA後60筆機組振動故障診斷簡易驗證準確率(C=5) 43
表4-9 PCA後60筆機組振動故障診斷交叉驗證準確率(C=5) 44
表4-10 PCA後60筆機組振動故障診斷比例驗證準確率(C=5) 45
表4-11 PCA後60筆機組振動故障診斷簡易驗證準確率(C=6) 46
表4-12 PCA後60筆機組振動故障診斷交叉驗證準確率(C=6) 47
表4-13 PCA後60筆機組振動故障診斷比例驗證準確率(C=6) 48

參考文獻
[1] 楊大中等人，“串列轉子軸承系統之對心懸垂線分析”，台電工程 月刊，第678期，第1-13頁，民國94年2月。
[2] 楊大中等人，“由轉子不平衡反應進行線上鑑別軸承係數”，技術學刊，第4期，第231-243頁，民國97年12月。
[3] 楊大中等人，“以轉子共振反應進行不平衡量鑑別”，台電工程月刊，第740期，第9-23頁，民國99年4月。
[4] 楊大中等人，“多轉子軸系聯軸器對心最佳化方法研究”， 台電工程月刊，第798期，第1-13頁，民國104年2月。
[5] 盧恆究，“應用粗糙集方法於汽渦輪發電機組振動故障診斷之研究”，正修科技大學電機工程研究所碩士論文，民國98年6月。
[6] 蘇威齊，“粒子群最佳化之支持向量分類器於汽渦輪發電機組振動故障診斷”，正修科技大學電機工程研究所碩士論文，民國99年8月。
[7] 吳榮慶，“頻譜分析技術的改進及在的應用”，國立中山大學電機 工程研究所博士論文，民國90年5月。
[8] G. Betta, C. Liguori, A. Paolillo, and A. Pierrosanto,“A DSP-based FFT-analyzer for the fault diagnosis of rotating machine basedonvibration analysis,”IEEE Trans. On Instrumentation and Measurement, Vol. 51, No. 6, pp. 1316-1322, Dec. 2002.
[9] A. J. Gonzalez, R. L. Osborne, C. T. Kemper, and S. Lowenfeld,“On-Line diagnosis of turbine-generators using artificial intelligence,”IEEE Trans. on Energy Conversion, Vol. 1, No. 2, pp. 68-74, June 1986.
[10] X. Wang and S. Yang,“A Parallel distributed knowledge-based system for turbine generator fault diagnosis,”Artifidcial Intelligence in Engineering, Vol. 10, pp. 335-341, 1996.
[11] 吳泉源、劉江寧編著，“人工智慧與專家系統”，國防科技大學出版社，1995年3月。
[12] B. Kerezsi and I. Howaed,“Vibration fault detection of large turbogenerators using neural networks,”Proceedings of IEEE International Confeernce on Neural Networks, Vol. 1, pp. 121-126, Nov. 27-Dec. 1, 1995.
[13] C. Chen and C. Mo,“A method for intelligent fault diagnosis of rotating machinery,”Digital Signal Processing, Vol. 14, pp. 203-217, 2004.
[14] W. Meng, G. Bi, and H. Zhenya,“A neural network based fault fuzzy diagnosis system,”Journal of Electronics, Vol. 16, No. 2, pp. 121-126, March 1994.
[15] X. Zhang, X. Miao, and J. Zhu,“A study on Fuzzy neural network diagnosis modelling,”Journal of Aerospace Power, Vol. 15, No.2, pp. 196-200, April 2000.
[16] Zhang, T. Asakura, X. Xu, and B. Xu,“Fault diagnosis system for rotary machines based on fuzzy neural networks,”Proceedings of the 2003 IEEE/ASME International Conference on Advance Intelligent Mechatronics,’’ pp. 199-204, 2003.
[17] D. M. Xie, X. Song, H. L. Zhou, and M. W. Guo,“Fuzzy vibration fault diagnosis system of steam turbo-generator rotor,”Proceedings of the First International Conference on Machine Learning and Cybernetics, pp. 411-415, Beijing, Nov. 4-5, 2002.
[18] C. Cortes, and V. Vapnik,“Support vector networks,”Machine Learning, 20, pp. 273-297, 1995.
[19] B. Scholkopf and A. J. Smola,“Learning with Kernel,”Cambridge, MA:MIT Press, 2001.
[20] C. W. Hsu and C. J. Lin,“A comparison of methods for multiclass support vector machines,”IEEE Trans. Neural Networks, Vol. 13, No2, pp. 415-425, 2002.
[21] 崔江，王友仁，“基於支持向量機與最近鄰分類器的模擬電路故障診斷新策略”，中國儀器儀表學報，第31卷，第一期，2010。
[22] 王錦榮，“利用GSM資料收集模組與多層支撐向量機分類器建構電力變壓器故障診斷系統”，國立高雄應用科技大學電機工程所碩士論文，民國94年7月。
[23] 黃燕昌，孫火清，黃坤元，蘇威齊，“粒子群最佳化之支持向量分類器於汽渦輪發電機組振動故障診斷”，中華民國第三十一屆電力工程研討會，民國99年12月。
[24] Evolutionary Epistemology,“Rationality and the Sociology of Knowledge,”pp. 94-108.
[25] 陳瑞陽著，“決策支援系統”，博碩文化股份有限公司，第8-2~8-23頁，民國99年3月。
[26] 張云濤著，“資料探勘原理與技術”，五南圖書出版股份有限公 司，第3-27, 51-62, 77-80頁，民國96年4月。
[27] 蔡繼光，“高速公路旅行時間預測-以K-NN法及分群方法探討”，國立交通大學運輸科技與管理學系碩士論文，民國98年7月。
[28] 李豪剛，“運用資料探勘技術於臺灣鋼筋混凝土橋梁構件劣化因子 之研究”，國立中央大學營建管理研究所碩士論文，民國96年6月。
[29] 高文彥，“應用K-NN分類法及基因演算法於數位學習中學習類型 分類與學習行為特徵篩選”，國立成功大學資訊工程學系碩士論 文，民國95年7月
[30] 楊偉修，“K最近鄰演算法應用於帕金森氏病患者之鑑別分析”， 2013福祉科技與服務管理研討會，第69-70頁，民國96年6月。
[31] 李宜圜，“一個基於特徵相似度的特徵選取法”，國立中正大學電機工程研究所碩士論文，第31-32頁，民國92年6月。
[32] 胡可云、田風占、黃厚寬 編著，“數據挖掘理論與應用”，清華大學出版社，第18-23, 67, 136-137頁，民國98年1月。
[33] G. Gora, A. Wojna, :RIONA: A Classifier Combining Rule Induction and k-NN Method with Automated Selection of Optimal Neighbourhood, Proceedings of the Thirteenth European Conference on Machine Learning(ECML 2002), Helsinki, Finland, Lecture Notes in Artificial Intelligence, 2430, Springer-Verlag, pp.111-123, 2002.
[34] Grzegorz. Gora, Arkasiusz. Wojna, :RIONA: A New Classification System Combining Rule Induction and Instance-Based Learning, Fundamenta Informaticae, Vol. 51 (4), pp. 369-390, 2002.
[35] P. Domingos,“Unifying Instance-Based and Rule-Based Induction,”Vol. 24 (2), pp. 141-168, 1996.
[36] A. G. Wojna,“Center-Based Indexing in Vector and Metric Spaces. Fundamenta Informaticae”,Vol. 56 (3), pp. 285-310, 2003.
[37] 劉書汎，“信用卡違約風險評估模型-應用粗糙集與因素分析”，朝陽科技大學財務金融系碩士論文，民國98年6月。
[38] 邱天嵩、林廷翊、孫成瑋、葉雲嬰，“以決策樹建構綠色供應鏈動態創新決策路徑”，決策分析研討會，亞東技術學院工業管理系，新竹，民國99年10月。
[39] J. Bazan, M. Szczuka (2000): RSED and RSESlib – A Collection of Tools for Rough set Computations. Lecture Notes in Artificial Intelligence 3066, 592-601, Berlin, Heidelberg: Springer-Verlag.
[40] J. Bazan, H. S. Nguyen, S. H. Nguyen, P0 Synak, and J. Wróble-wski (2000): Rough set algorithms in classification problem. In L. Polkowski, S. Tsumoto, and T. Lin, editors, Rough Set Methods and Applications, Physica-Verlag, Heidelberg New York, pp. 49-88.
[41] Hoa S. Nguyen (1999). Data regularity analysis and applications indata mining. Ph. D. thesis, supervisor B. Chlebus, Warsaw University.
[42] J. R. Quinlan,“Induction of Decision Trees”.Mach. Learn. 1, 81-106, 1986.
[43] Mitchell, Tom M.“Machine Learning,”McGraw-Hill, pp. 55-58,
1977.
[44] K. Pearson,“On Lines and Plants of Closest Fit to Systems of Points in Space,” Philosophical Magazine”,Vol. 2 (6), pp. 559-572, 1901.
[45] P. J. A. Shaw,“Multivariate statistics for the Environmental Sciences,” Hodder-Arnold, ISBN 0-3408-0763-6, 2003.
[46] H. Hotelling,“Analysis of a complex of statistical variables into principal components,”Journal of Education Psychology, 111:50-60.
[47] 張結雄，“使用主成份分析及貝氏網路方法於離子植入製程之錯誤偵測與診斷”，國立交通大學電機與控制工程學系碩士論文，民國91年。
[48] 黃文中，“整合資料包絡分析法與主成份分析法於績效評估之應用”，國立臺北科技大學商業自動化與管理研究所碩士論文，民國94年6月。
[49] 傅粹馨，“主成份分析和共同因素分析相關議題之研究”，國立高雄大學教育系，教育與社會研究第三期，第107-132頁，民國91年2月。
[50] 邱皓政，“量化研究與統計分析:SPSS中文視窗版資料分析範例解 析”，初版，五南圖書出版股份有限公司，民國89年。
[51] 黃俊英，“多變量分析”，七版，華泰書局，民國93年
[52] 林震岩，“多變量分析-SPSS的操作與應用”，智勝文化事業有限公司，第5-19,359-376頁，民國101年3月。
[53] 榮泰生，“SPSS與研究方法”，第三版，五南圖書出版股份有限公司，第3-35,303-326頁，民國102年2月。
[54]“ RSES2.2 User’s Guide”,Warsaw University, January 19, 2005.
[55] Jan G. Bazan, Marchin Szczuka,“RSES and RSESlib – A Collection of Tools for Rough Set Computations”,Proc. Of RSCTC’, LNAI 2475, Springer-Verlag, Berlin, pp. 106-113, 2001.
[56] Jan G. Bazan, Marchin Szczuka,“A New Version of Rough Set Exploration System,”Proc. Of RSCTC’2002, LNAI 2475, Springer-Verlag, Berlin, pp. 397-404, 2002.
[57] J. Bazan, M. Szczuka, A. Wojna, M. Wojnarski : On Evolution of
Rough Set Exploration System, Lecture Notes in Artificial Intelligence3066, 592–601, 2004.