臺灣博碩士論文加值系統

本文以Hilbert-Huang轉換方法應用於非穩態振動信號之故障診斷，先以經驗模態分解將振動信號轉換到固有模態函數分量，再使用Hilbert轉換得到瞬時振幅及瞬時頻率以時頻函數，呈現出不同類型信號的能量分佈，最後針對各固有模態函數分量之瞬時振幅取能量特徵，輸入至倒傳遞類神經網路中，實現人工智慧識別故障狀態，本文並以實測驗證所提方法的可行性。

The paper applies Hilbert-Huang Transform (HHT) in the vibration signals by the empirical mode decomposition (EMD), and the data can be decomposed into several intrinsic mode functions (IMFs). With the Hilbert transform (HT), the presentation of the instantaneous frequencies and amplitude that is an time-frequency-energy distribution. The energy features is excited from each intrinsic mode function and entered the back-propagation neural network to proof the intelligence fault diagnosis.

目錄
中文摘要 I
英文摘要 II
致謝 III
目錄 IV
圖目錄 VI
表目錄 IX
一、導論 1
1.1 研究動機 1
1.2 文獻回顧 1
1.3 研究方法 2
1.4 本文大綱 2
二、Hilbert-Huang轉換 4
2.1經驗模態分解 4
2.2 Hilbert轉換 12
三、倒傳遞類神經網路診斷方法 14
3.1 倒傳遞類神經網路架構及演算法 14
3.2 訓練及診斷 18
3.2.1 訓練 18
3.2.2 診斷 19
四、故障診斷實例 20
4.1測量儀器 20
4.1.1 轉速計架設 20
4.1.2 加速規架設 21
4.2 實驗信號採集 22
4.3 時頻分析 29
4.3.1 Hilbert、小波、短時傅利葉及HHT轉換時頻分析之比較 29
4.3.2 小波轉換時頻分析 30
4.3.3 短時傅利葉轉換時頻分析 31
4.3.4 Hilbert-Huang轉換時頻分析 33
4.4 應用倒傳遞類神經網路於狀態識別 47
4.4.1 工業風扇之狀態識別 47
4.4.2 箱型空氣調節機之狀態識別 53
五、結論 57
參考文獻 58
附錄一 59
附錄二 63
附錄三 66
個人簡介 67

圖目錄
圖2.1 Hilbert-Huang轉換流程 4
圖2.2(a) 原始時域信號測量值、 極值及其均值包絡線 7
圖2.2(b) h11(t)及均值包絡線m12(t) 7
圖2.2(c) h12(t)及m13(t) 7
圖2.2(d) h1(N1-1)(t)及m1N1(t) (N1=11) 7
圖2.2(e) 第1個IMF： c1(t)=h1N1 (N1=11) 8
圖2.2(f) h20(t)及m21(t) 8
圖2.2(g) h21(t)及 m22(t) 8
圖2.2(h) h22(t)及m23(t) 8
圖2.2(i) h23(t)及m24(t) 8
圖2.2(j) h2(N2-1)(t)及m2N2(t) (N2=12) 8
圖2.2(k) 第2個IMF： c2(t)=h2N2 (N2=12) 9
圖2.2( ) 第3個IMF： c3(t)=h3N3 (N3=11) 9
圖2.2(m) 第n=4個IMF： cn(t)=hnNn (N4=8) 9
圖2.2(n) h(n+1)0(t)， (n=4) 9
圖2.3 經驗模態分解計算流程 11
圖3.1 倒傳遞類神經網路架構 14
圖3.2 雙彎曲(Sigmoid)函數 15
圖3.3 倒傳遞類神經網路訓練流程 18
圖3.4 倒傳遞類神經網路輸出流程 19
圖4.1 轉速計(PH-01)之架設 20
圖4.2 加速度規(14684)之架設 21
圖4.3 頻譜分析儀(B&K 2827) 22
圖4.4 箱型空氣調節機採樣振動信號 23
圖4.5 工業風扇採樣振動信號 24
圖4.6 工業風扇採樣振動信號 25
圖4.7 箱型空氣調節機之轉速曲線 26
圖4.8 工業風扇之轉速曲線 27
圖4.9 工業風扇之轉速曲線 28
圖4.10 小波轉換、短時傅利葉轉換及HHT時頻分析之比較 29
圖4.11 工業風扇各信號之小波轉換時頻分析 30
圖4.12 箱型空氣調節機各信號之小波轉換時頻分析 31
圖4.13 箱型空氣調節機各信號之短時傅利葉轉換時頻分析 31
圖4.14 工業風扇各信號之短時傅利葉轉換時頻分析 32
圖4.15箱型空氣調節機各信號之Hilbert-Huang轉換時頻分析 33
圖4.16 工業風扇各信號之Hilbert-Huang轉換時頻分析 34
圖4.17 工業風扇各信號之固有模態函數時頻分析C1 35
圖4.18 工業風扇各信號之固有模態函數時頻分析C2 36
圖4.19 工業風扇各信號之固有模態函數時頻分析C3 37
圖4.20 工業風扇各信號之固有模態函數時頻分析C4 38
圖4.21 工業風扇各信號之固有模態函數時頻分析C5 39
圖4.22 工業風扇各信號之固有模態函數時頻分析C6 40
圖4.23 工業風扇各信號之固有模態函數時頻分析C7 41
圖4.24 工業風扇各信號之固有模態函數時頻分析C8 42
圖4.25 箱型空氣調節機各信號之固有模態函數時頻分析C1 43
圖4.26 箱型空氣調節機各信號之固有模態函數時頻分析C2 43
圖4.27 箱型空氣調節機各信號之固有模態函數時頻分析C3 44
圖4.28 箱型空氣調節機各信號之固有模態函數時頻分析C4 44
圖4.29 箱型空氣調節機各信號之固有模態函數時頻分析C5 45
圖4.30 箱型空氣調節機各信號之固有模態函數時頻分析C6 45
圖4.31 箱型空氣調節機各信號之固有模態函數時頻分析C7 46
圖4.32 箱型空氣調節機各信號之固有模態函數時頻分析C8 46
圖4.33 各固有模態函數能量特徵向量之類神經網路訓練示意圖 48
圖4.34 Hilbert-Huang轉換與類神經網路結合之故障診斷流程 48

表目錄
表4.1工業風扇振動信號採樣條件 22
表4.2箱型空氣調節振動信號機採樣條件 22
表4.3 Hilbert-Huang轉換之固有模態函數能量特徵向量訓練樣本 49
表4.4 Hilbert-Huang轉換之固有模態函數能量特徵向量訓練目標 50
表4.5 Hilbert-Huang轉換之固有模態函數能量特徵向量驗證樣本 50
表4.6 Hilbert-Huang轉換之固有模態函數能量特徵向量驗證結果I 51
表4.7 Hilbert-Huang轉換之固有模態函數能量特徵向量驗證結果II 51
表4.8 Hilbert-Huang轉換之固有模態函數能量特徵向量驗證結果III 52
表4.9 Hilbert-Huang轉換之固有模態函數能量特徵向量驗證結果IV 52
表4.10 Hilbert-Huang轉換之固有模態函數能量特徵向量訓練樣本 54
表4.11 Hilbert-Huang轉換之固有模態函數能量特徵向量訓練目標 54
表4.12 Hilbert-Huang轉換之固有模態函數能量特徵向量驗證樣本 55
表4.13 Hilbert-Huang轉換之固有模態函數能量特徵向量驗證結果I 55
表4.14 Hilbert-Huang轉換之固有模態函數能量特徵向量驗證結果II 55
表4.15 Hilbert-Huang轉換之固有模態函數能量特徵向量驗證結果III 56
表4.16 Hilbert-Huang轉換之固有模態函數能量特徵向量驗證結果IV 56

1. Huang, N. E., “The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis, ” Proc. Roy. Soc. Lond.,vol. 454, pp. 903-995, 1998.
2. Weidong, J., Shixi, Y., Yongping, C., Gongbiao, Y. and Jinsong H., “Detecting a Cracked Rotor with HHT-based Time-Frequency Representation,” Proceedings of the IEEE International Conference on Automation and Logistics, pp. 790-793, 2008.
3. Zhidong, Z., Min, P. and Yuquan, C., “Instantaneous frequency estimate for non-stationary signal,” Fifth World Congress on Intelligent Control and Automation, vol. 4, pp. 3641-3643, 2004.
4. Ruqiang, Y. and Gao, R.X., “Hilbert–Huang Transform-Based Vibration Signal Analysis for Machine Health Monitoring,” IEEE Transactions on Instrumentation and Measurement, vol. 55, pp. 2320-2329, 2006.
5. Yuping, Z., “Hilbert-Huang Transform and Marginal Spectrum for Detection of Bearing Localized Defects,” The Sixth World Congress on Intelligent Control and Automation, vol.2, pp. 5457-5461, 2006.
6. Rumelhart, D. E., Hinton, G. E. and Williams, R. J., “Learning Representations by Back- Propagating Errors,” Nature, Vol. 323, No. 6088, pp. 533-536, 1986.
7. Li, B., Chow, M. Y., Tipsuwan, Y. and Hung, J. C., ”Neural-Network-Based Motor Rolling Bearing Fault Diagnosis”, IEEE Transactions on Industrial Electronics, Vol. 47, No.5, pp. 1060-1069, 2000.
8. Kuo, H. C., Wu, L. J. and Chen, J. H., ”Neural-Fuzzy Fault Diagnosis in A Marine Propulsion Shaft System,” Journal of Materials Processing Technology, Vol. 122, pp. 12-22, 2000.
9. Weili B., Zhigang L., Dengdeng Z. and Qi W., “Research of the Load Forecasting Model Base on HHT and Combination of ANN,” Asia-PacificPower and Energy Engineering Conference, pp. 1-4, 2009.
10. Wolberg G. and Alfy I., "Monotonic cubic spline interpolation," Computer Graphics International, pp. 188-195, 1999.
11. Sarfraz M., "Generalized geometric cubic splines," Computer Graphics International, pp. 220-229, 1996.