臺灣博碩士論文加值系統

設備的生產模式已從早期單機作業逐漸變為流水線生產模式，故設備之穩定性以及如何使機台不間斷已成為重要之課題，其中，刀庫屬於工具機重要核心部件之一，而刀庫傳動系統之穩定性為刀庫是否可以正常使用之關鍵，更關係到機台能否正常且不間斷之運作。傳動系統長時間運轉下會發生漸進式的故障，如無即時發現進行預期性相關部件更換，可能會導致非預期停機。為避免此情況，宜建立傳動機構預測與健康管理系統，擷取傳動機構之伺服馬達電流值，利用預測與健康管理(Prognostics and Health Management, PHM)技術，透過邏輯迴歸(Logistic Regression, LR)，支援向量機(Support Vector Machine, SVM)，K近鄰演算法(K Nearest Neighbors, KNN)之演算法，建立該傳動系統之診斷模組，評估傳動系統之健康狀態與故障診斷，對於傳動系統可提前進行保養維護措施，避免產線發生非預警性停機，進而造成龐大的損失。

The production mode of equipment has gradually shifted from early standalone operations to assembly line production, making equipment stability and uninterrupted operation crucial. The tool magazine is one of the key components of machine tools, and the stability of the tool magazine's transmission system is critical for its normal functioning, in other words, it also decides whether a machine tool can maintain continuous and stable manufacturing. Over time, the transmission system may experience progressive failures, and if timely detection and replacement of relevant components are not carried out, irreparable failures may occur. To avoid such situations, it is advisable to establish a prognostic and health status management system for the transmission mechanism. By capturing the servomotor current values of the transmission mechanism and utilizing Prognostics and Health Management (PHM) techniques, such as Logistic Regression (LR), Support Vector Machine (SVM) and K Nearest Neighbors (KNN) methods, a diagnostic module can be built to assess the health status and fault diagnosis of the transmission system. This enables proactive maintenance measures to be taken for the transmission system, avoiding unforeseen production line shutdowns and significant losses.

第一章、緒論 1
1.1 研究動機及背景 2
1.2 研究目的 3
1.3 論文架構 4
第二章、文獻探討 5
第三章、研究流程與方法 13
3.1研究設計 13
3.2 研究設備 15
3.2.1 硬體設備 15
3.2.2 數據擷取設備 17
3.2.3 扭力值擷取設備 19
3.3 研究流程 19
3.3.1 資料前處理 20
3.3.2 特徵提取 21
3.3.3 特徵篩選 23
3.3.4 LR模型訓練 25
3.3.5 SVM演算法 25
3.3.6 KNN演算法 26
第四章、實驗結果與討論 29
4.1 資料前處理 29
4.1.1擷取伺服馬達數據 29
4.1.2減速機機構狀態扭力值測試 32
4.2 特徵提取 34
4.3 特徵選擇 36
4.4 使用LR計算健康指標 38
4.4.1 使用兩類(Binary fault diagnosis)LR模型 38
4.4.2 使用多類(Multiple fault diagnosis)LR模型 40
4.5使用SVM進行故障診斷 42
4.5.1 使用兩類(Binary fault diagnosis)SVM故障分類模型 42
4.5.2 使用多類(Multiple fault diagnosis)SVM故障分類模型 44
4.6 使用KNN進行故障診斷 47
4.6.1 使用兩類(Binary fault diagnosis)KNN進行故障診斷 47
4.6.2 使用多類(Multiple fault diagnosis)KNN進行故障診斷 49
4.7 討論 51
第五章、結論與未來展望 54
5.1結論 54
5.2 未來展望 55
參考文獻 57

一、中文部分
林柏辰（2017）。基於伺服驅動器輸出資料以模糊方法估測軸承損壞程度(碩士論文)。取自台灣博碩士論文系統。取自https://hdl.handle.net/11296/9hutkq.

徐翊玲（2021）。基於支持向量機與邏輯迴歸應用於蒸汽渦輪發動機軸承健康評估與故障診斷之研究。取自台灣博碩士論文系統。取自https://hdl.handle.net/11296/287dz2.

張淵仁（2021）。智能製造與工程管理碩士在職學位學程工業務聯網與大數據與智慧製造系統特論。未出版課堂講義，逢甲大學，台中市。

許驥（2021）。用於銑刀磨損檢測之自我感知模型開發。未出版之碩士論文，逢甲大學航太與系統工程學系，台中市。

劉彥君（2018）。以預測與健康管理於銑床之應用。未出版之碩士論文，逢甲大學航太與系統工程學系，台中市。

蔡旻修（2020）。SVM法在齒輪轉子系統異常檢測研究(碩士論文)。取自台灣博碩士論文系統。取自https://hdl.handle.net/11296/zvbd65.
鄭允睿（2015）。應用時頻轉換振動訊號分析於軸承異常監視之研究(碩士論文)。取自台灣博碩士論文系統。取自https://hdl.handle.net/11296/stv8bu.


二、英文部分
A. Widodo, B. Yang (2007). “Support Vector Machine in Machine Condition Monitoring and Fault Diagnosis,” Mechanical Systems and Signal Processing, Volume 21, Issue 6, pp.2560-2574.

B. Lu, D. Durocher, P. Stemper (2009). “Predictive Maintenance Tec hniaues,” IEEE Industry Applications Magazine, 15 (6), pp.52-60.
C. Ly, K. Tom, C. S. Byington, R. Patrick and G. J. Vachtsevanos (2009), “Fault Diagnosis and Failure Prognosis for Engineering Systems: A Global Perspective,” 2009 IEEE International Conference on Automation Science and Engineering, Bangalore, India, pp.108-115.

C. Stenström, P. Norrbin, A. Parida, & U. Kumar (2016). “Preventive and Corrective Maintenance – Cost Comparison and Cost-Benefit Analysis,” Structure and Infrastructure Engineering, vol.12, pp.603- 617.

G. Lee, M. Kim, Y. Quan et al. (2018). “Machine Health Management in Smart Factory: A Review,” J Mech Sci Technol 32, pp.987–1009.

J. Lee, F. Wu, W. Zhao, M. Ghaffari, L. Liao, D. Siegel (2014). “Prognostics and Health Management Design for Rotary Machinery Systems—Reviews, Methodology and Applications,” Mechanical Systems and Signal Processing, Volume 42, Issues 1–2.

J. Lee, F. Wu, W. Zhao, M. Ghaffari, L. Liao, D. Siegel (2014). “Prognostics and Health Management Design for Rotary Machinery Systems—Reviews Methodology and Applications,” Mechanical Systems and Signal Processing, 42, pp.314–334.

L. Liao, & D. Siegel (2014). “Prognostics and Health Management Design for Rotary Machinery Systems—Reviews, Methodology and Applications,” Mechanical Systems and Signal Processing, 42(1), pp.314–334.

P. Goswami, P. Sahu, R. Rai (2022). “An Optimum Segmentation of Gear Vibration Signals for an Effective Fault Classification Using Time-Domain Feature and Multi-class Support Vector Machines,” In: S. Udgata, S. Sethi, X. Gao (eds) Intelligent Systems- Lecture Notes in Networks and Systems, vol 431. Springer, Singapore.


R. Mobley (1990). An Introduction to Predictive Maintenance. New York, NY: Van Nostrand Reinhold.

S. Duffuaa, M. Ben-Daya, K. Al-Sultan, &A. Andijani (2001). “A Generic Conceptual Simulation Model for Maintenance Systems,” Journal of Quality in Maintenance Engineering, 7 (3), pp.207-219.

S. Frank, & M. Slatkin (1992). “Fisher's Fundamental Theorem of Natural Selection,” TREE, 7(3).

X. Zou, L. Tao, L. Sun, C. Wang, J. Ma, C. Lu (2023), “A Case-Learning-Based Paradigm for Quantitative Recommendation of Fault Diagnosis Algorithms: A Case Study of Gearbox,” Reliability Engineering & System Safety, Volume 237.

Y. Liu, Y. Chang, S. Liu, S. Chen (2019). “Data-Driven Prognostics of Remaining Useful Life for Milling Machine Cutting Tools,” 2019 IEEE International Conference on Prognostics and Health Management, pp.92, San Francisco, USA.


三、網路部分
台達電子。Delta ASDA-Soft擷取模組。上網日期:2023年5月22日，檢自https://downloadcenter.deltaww.com/zhTW/DownloadCenter?v=1&CID=06&itemID=060201&downloadID=B3%20Series&sort_expr=cdate&sort_dir=DESC

高文嬙，馬旭東(2021)。刀庫式加工中心自動換刀系統故障診斷與維修。上網日期: 2023年5月22日，檢自http://www.skjcsc.com/newsdetail/2021/11/17/31509.html

陳玨(2022)。非預警停機帶來嚴重損失，機器人狀態維護服務 可降低非預期性停機。上網日期:2022年08月01日，檢自 https://www.ctimes.com.tw/DispNews/tw/%E6%A9%9F%E5% 99%A8%E4%BA%BA/%E7%8B%80%E6%85%8B%E7%B6 %AD%E8%AD%B7%E6%9C%8D%E5%8B%99/ABB/22060 71621NB.shtml

聖杰國際。鑽孔攻牙機刀庫。上網日期:2023年5月22日，檢自
https://online.fliphtml5.com/jtqov/gwfj/#p=5

劉慧蘭(2018)。預測性維護大幅降低非預期停機風險。上網日 期:2022年08月01日，檢自 https://www.digitimes.com.tw/iot/article.asp?cat=158&id=0000 539223_0U517SRU32PUKD2OG5EFZ

Pylnvest(2020)。[機器學習部曲]K-近鄰演算法 KNN。上網日 期:2022年07月04日，檢自 https://pyecontech.com/2020/04/19/knn/