第五章 實驗結果與討論
5.2 異常偵測
5.2.2 單一轉速的資料訓練分類模型之異常偵測
機械狀態異常偵測訓練樣本往往是事先建立好的資料庫，跟之後要辨識 的樣本是有所不同的，甚至在轉速上也可能不會一樣，所以接下來要模擬不 同轉速下的辨識率。我們取每一組實驗模組中間轉速的齒輪特徵作為訓練樣 本，另外四個轉速當作測試樣本進行辨識，依狀態分別混合資料，再拆成正 常與異常兩組資料如下。
正常：正常狀態(Normal)
異常：動不平衡(Imbalance)、斷齒(Break)和磨損(Wear)
接著將這兩組資料分成訓練樣本以及測試樣本，以第一個模組舉例，
訓練樣本：494 RPM 的齒輪特徵的中間轉速當作訓練樣本
測試樣本：剩下 470、482、506、518RPM 四個轉速的特徵當作測 試樣本
利用此組訓練樣本和測試樣本進行辨識。實驗流程以第一個實驗模組說 明如圖 5-4。
圖 5-4 以單一轉速資料訓練分類模型之異常偵測流程圖
我們將利用 SVM 以及 NN 辨識的實驗結果整理於表 5-4 和 5-5，並且繪
圖 5-5 以單一轉速資料訓練 SVM 之異常偵測的辨識率 表 5-5 以單一轉速資料訓練 NN 之異常偵測的辨識率
NN Feature type
實驗模組 CMSE CMPE MBSE MSVDE ALL
1 99.61% 94.23% 99.96% 98.92% 99.92%
2 99.23% 85.87% 96.09% 95.01% 97.06%
3 97.63% 96.19% 97.15% 96.57% 97.45%
4 99.71% 97.16% 99.20% 99.84% 99.68%
5 99.36% 94.00% 99.65% 99.50% 99.90%
6 73.63% 76.01% 99.03% 85.02% 87.18%
7 81.99% 82.43% 79.22% 85.86% 87.34%
8 99.34% 74.59% 94.39% 85.75% 90.55%
9 99.98% 84.89% 86.01% 86.32% 97.48%
10 99.86% 96.40% 98.04% 99.82% 99.89%
11 99.90% 98.16% 98.62% 98.08% 99.75%
12 100.00% 72.20% 95.50% 75.83% 84.30%
13 100.00% 92.13% 99.03% 99.98% 99.55%
14 99.99% 92.35% 99.88% 93.34% 100.00%
15 99.99% 95.74% 100.00% 99.44% 99.97%
16 99.99% 86.29% 99.96% 99.40% 99.99%
平均 96.89% 88.67% 96.36% 93.67% 96.25%
圖 5-6 以單一轉速資料訓練 NN 之異常偵測的辨識率
5.3 錯誤診斷
往往齒輪箱的製造商希望能知道齒輪箱出現異常的地方，針對發生異常 的齒輪進行需要進行維修，通常要經驗老道的工程師依以往的經驗判斷異常 的地方，是需要花費相當多的時間與人力，如果可以依據錯誤診斷得知齒輪 損壞的類別，進而對齒輪箱維修和改進，減少工具機停機待修的時間。所以 本論文進行的第二個實驗，是將齒輪的四種健康狀況個別分開辨識，希望能 辨識出不同轉速的齒輪之間的差別，建立一套齒輪箱的錯誤診斷系統。
5.3.1 以多轉速資料訓練分類模型之錯誤診斷
在本節，也是依照 5.1 的實驗模組來進行辨識，與前一節相同，先實驗 以多轉速資料訓練之錯誤診斷，利用同一組實驗模組的齒輪資料進行辨識，
本實驗依然使用的 CMSE、CMPE、MBSE、MSVDE 和 All Features 當作特 徵進行辨識，每一組的實驗模組中五個不同轉速的齒輪資料混和，依四種狀 態資料如下分別進行辨識。
正常狀態(Normal)
動不平衡(Imbalance)
斷齒(Break)
磨損(Wear)
同樣將這四個狀態資料分成訓練樣本以及測試樣本
訓練樣本：以亂數取出 50% 當作訓練樣本
測試樣本：另外 50% 當作測試樣本
最後使用 SVM 和 NN 進行辨識，得到多個轉速齒輪箱資料訓練的錯誤 診斷的辨識率，若能配合前一節的異常偵測辨識，那將會是一個齒輪箱異常 辨識的完整系統，肯定對未來的研究有很大的幫助，實驗流程以第一個實驗 模組說明如圖 5-7。
圖 5-7 以多轉速資料訓練分類模型之錯誤診斷流程圖
實驗結果的辨識率整理於表 5-6 和 5-7，也將 SVM 和 NN 在每一模組的
圖 5-8 以多轉速資料訓練 SVM 之錯誤診斷的辨識率 表 5-7 以多轉速資料訓練 NN 之錯誤診斷的辨識率
NN Feature type
實驗模組 CMSE CMPE MBSE MSVDE ALL
1 99.92% 100.00% 99.99% 99.99% 100.00%
2 99.93% 100.00% 99.88% 99.95% 100.00%
3 99.70% 99.78% 99.61% 99.34% 100.00%
4 99.94% 99.99% 99.99% 99.95% 100.00%
5 100.00% 100.00% 99.98% 99.89% 100.00%
6 99.82% 99.92% 99.93% 99.99% 100.00%
7 99.74% 99.76% 99.99% 99.97% 100.00%
8 99.51% 99.98% 99.92% 99.85% 100.00%
9 99.97% 100.00% 99.99% 99.78% 100.00%
10 100.00% 99.97% 100.00% 99.59% 100.00%
11 99.96% 99.80% 99.87% 99.76% 100.00%
12 99.94% 99.77% 99.83% 99.80% 100.00%
13 100.00% 99.93% 99.96% 99.76% 100.00%
14 99.92% 100.00% 99.99% 99.94% 100.00%
15 99.98% 100.00% 99.97% 99.95% 100.00%
16 99.94% 100.00% 99.98% 99.47% 100.00%
平均 99.89% 99.93% 99.93% 99.81% 100.00%
圖 5-9 以多轉速資料訓練 NN 之錯誤診斷的辨識率
5.3.2 以單一轉速資料訓練分類模型之錯誤診斷
為了更加接近實際上會遇到的錯誤診斷情況，模擬事先建好的訓練樣本 資料庫，跟之後要辨識的樣本在轉速上有所不同，所以接下來要討論單一轉 速下訓練分類器進行辨識的辨識率。我們依然取每組實驗模組的中間轉速齒 輪特徵當作訓練樣本，另外四個轉速當作測試樣本進行辨識。並分別依四種 狀態資料分別進行訓練與辨識如下。
正常狀態(Normal)
動不平衡(Imbalance)
斷齒(Break)
磨損(Wear)
再將資料分成訓練樣本以及測試樣本
訓練樣本：494 RPM 的齒輪特徵的中間轉速當作訓練樣本
測試樣本：剩下 470、482、506、518RPM 四個轉速的特徵當作測 試樣本
利用此組訓練樣本和測試樣本進行辨識。實驗流程以第一個實驗模組說 明如圖 5-10
圖 5-10 以單一轉速資料訓練分類模型之錯誤診斷流程圖
實驗結果的平均辨識率我們整理程表 5-8 和 5-9，也將 SVM 和 NN 在每 一模組的個別辨識率繪製成圖 5-11 以及圖 5-12。在錯誤診斷的實驗中只利 用一個轉速的齒輪特徵當作訓練樣本，加上還要辨識四種特徵，從表中看到 平均辨識率大幅下降，辨識的結果並不理想，雖然有些實驗模組辨識率可以 達到 9 成以上，可是大部分的模組在辨識上卻不盡理想，使得整體的辨識項 果沒有達到本論文的預期。
表 5-8 以單一轉速資料訓練 SVM 之錯誤診斷的辨識率
SVM Feature type
實驗模組 CMSE CMPE MBSE MSVDE ALL
1 97.75% 99.35% 96.80% 99.40% 98.15%
2 97.20% 81.65% 83.90% 84.80% 98.10%
3 83.60% 73.40% 63.85% 73.35% 80.00%
4 88.40% 88.50% 87.80% 86.30% 89.60%
5 86.00% 54.65% 66.45% 69.85% 88.45%
6 79.65% 63.10% 77.20% 74.20% 82.80%
7 72.15% 66.70% 79.80% 72.20% 77.35%
8 82.45% 73.30% 80.60% 79.30% 85.70%
9 78.80% 73.30% 87.05% 70.80% 85.05%
10 82.75% 79.85% 84.35% 81.70% 81.35%
11 77.40% 73.15% 81.50% 78.25% 72.10%
12 80.05% 55.45% 80.30% 52.15% 80.60%
13 88.15% 78.40% 68.10% 80.60% 88.65%
14 93.80% 95.35% 98.45% 93.05% 96.10%
15 90.85% 85.80% 99.25% 83.75% 92.90%
16 94.00% 86.80% 80.35% 72.35% 90.80%
平均 85.81% 76.80% 82.23% 78.25% 86.73%
圖 5-11 以單一轉速資料訓練 SVM 之錯誤診斷的辨識率
表 5-9 以單一轉速資料訓練 NN 之錯誤診斷的辨識率
NN Feature type
實驗模組 CMSE CMPE MBSE MSVDE ALL
1 98.67% 96.33% 98.80% 98.65% 99.79%
2 98.34% 85.66% 96.61% 84.91% 93.85%
3 79.48% 70.84% 69.44% 76.79% 70.69%
4 96.82% 93.80% 90.22% 95.14% 98.56%
5 92.86% 57.61% 85.38% 78.07% 82.03%
6 72.91% 61.56% 86.90% 72.43% 81.53%
7 74.34% 69.38% 81.78% 73.64% 83.84%
8 87.88% 66.59% 92.51% 82.80% 83.74%
9 81.87% 74.26% 88.97% 80.16% 90.58%
10 80.03% 77.62% 84.04% 84.82% 84.86%
11 78.71% 74.49% 94.40% 83.03% 85.34%
12 84.02% 51.91% 93.02% 75.76% 84.10%
13 95.84% 83.58% 89.50% 85.18% 87.34%
14 99.25% 96.09% 98.68% 95.62% 99.97%
15 96.31% 88.58% 99.80% 86.57% 93.14%
16 94.24% 92.45% 84.20% 76.58% 92.63%
平均 88.22% 77.55% 89.64% 83.13% 88.25%
圖 5-12 以單一轉速資料訓練 NN 之錯誤診斷的辨識率
第六章 結論與未來展望
6.1 結果與討論
本論文的目的是想要建立一套齒輪箱的異常偵測以及錯誤診斷系統，第 一章介紹異常偵測以及錯誤診斷系統對工具機的重要性、研究的動機與目的，
第二章是介紹整個系統的實驗設備，齒輪的各種狀態以及訊號的擷取方式，
第三章詳細的說明各種特徵抽取的演算法，第四章則是介紹 NN 和 SVM 辨 識的原理，在第五章中，分為異常偵測以及錯誤診斷兩種實驗，每個實驗進 行多個轉速訓練以及單一轉速訓練的辨識。
實驗結果與討論如下 1. 異常偵測
i. 在使用多個轉速訓練模型進行的辨識，不論是使用 SVM 或是 NN 進行辨識時，僅有 MBSE 的兩個實驗模組在 SVM 辨識時，辨識率 稍低於 98%，其餘每個特徵的辨識率都非常好，可以表示多個轉 速訓練模型之異常偵測實驗結果非常理想。
ii. 僅使用一個轉速訓練模型進行辨識時，需要多個特徵搭配 SVM 進行辨識會得到較好的辨識結果，證明一種特徵的辨識可能會發生 辨識不清的現象，但是同時使用多個特徵，就可以避免辨識上的錯 誤。
2. 錯誤診斷
i. 在多個轉速訓練模型進行的辨識，NN 在每個特徵的辨識都相當好，
但 SVM 需同時使用多個特徵才可以將辨識率提升，表示 NN 較 適合用來辨識多個轉速訓練模型之錯誤偵測。
ii. 僅一個轉速訓練模型所進行的辨識，辨識率很不理想，不具實用效 果。這表示或許只使用單一轉速進行模型的訓練，訓練的樣本太少 導致齒輪箱的辨識不易。
6.2 未來展望
本論文提出兩種齒輪辨識的系統，藉由第五章的實驗證實異常偵測與 錯誤診斷系統在使用多個轉速進行訓練時的辨識能力很好，不過關於單一 轉速進行訓練的辨識能力卻有所不足，關於這點未來希望能加以改良。首 先實驗模組的挑選的範圍不多，而且在選擇辨識模型的方法只有中間轉速 的齒輪狀態，未來希望對於辨識模型能進行不同的選擇，以及將實驗挑選 的範圍加大或做改變，或許能改善錯誤診斷系統的辨識率，希望可以找到 以最少轉速特徵進行訓練，就可以辨識其餘轉速的齒輪狀態。接下來在實 驗中也發現每個演算法在不同的模組中，辨識有的良好有的辨識不清，未 來希望可以在辨識時針對不同的實驗模組，進行演算法的改進或是演算法 特徵的挑選，只挑選對於辨識良好的特徵來進行辨識，希望可以找到提升 辨識率的方法，可以對台灣工具機的異常偵測與錯誤診斷系統有所貢獻。
參考文獻
[1] 江素雲，「2013 年全球工具機市場面觀」，IT IS 產業評析，2013 / 07。
[2] 傅繼盈，蔣秀珍，「機械學基礎」，哈爾濱工業大學出版社，2003 / 8。
[3] Z. Xu, J. Xuan, T. Shi, B. Wu, Y. Hu“A Novel Fault Diagnosis Method of Bearing Based on Improved Fuzzy ARTMAP and Modified Distance Discriminant Technique”Expert Systems with Applications, vol. 36, pp.11801-11807, 2009.
[4] S.Wadhwani, A. K. Wadhwani, S. P. Gupta and V. Kumar, “ Detection of Bearing Failure in Rotating Machine Using Adaptive Neuro-Fuzzy Inference System,” in Power Electronics, Drives and Energy Systems, 2006.
PEDES ’06. International Conference on, New Delhi, 2006.
[5] R. Yan and R.X. Gao, ”Approximate Entropy as a Diagnosis Tool for Machine Health Monitoring,” Mechanical Systems and Signal Processing, vol. 21, pp. 824-839, 2007.
[6] J. Huang, H. Pen and S. Bi, “Bispectrum Entropy Feature Extraction and Its Application for Fault Diagnosis of Gearbox,“ in Fussy Systems (FUZZ), 2010 IEEE International Conference on, Barcelona, 2010.
[7] D. Yu, Y. Yang and J. Cheng, “Application of Time Frequency Entropy Method Based on Hilbert Huang Transform to Gear Fault Diagnosis,”
Measurement, vol. 40, pp. 823-830, 2007.
[8] R. Yan and R.X. Gao, ”Complexity as a Measure for Machine Health Evalution,” IEEE Transaction on, vol. 53, no. 4, pp. 1327-1334, 2004.
[9] H. Hong and M. Liang, “Fault Severity Assessment for Rolling Element Bearing Using the Lempel-Ziv Complexity and Continuous Wavelet Transform,” Journal of Sound and Vibration, vol. 320, pp. 452-468, 2009.
[10] 林庭毅、吳順德、林倪鋒,「基於多尺度方均根植與前饋式倒傳遞網路隻 機械錯誤診斷系統,」於2012中華民國系統科學與工程延討論會, 基隆市, 2012.
[11] R. Hao, Z. Peng, Z. Feng and F. Chu, “Application of Support Vector Machine Based on Pattern Spectrum Entropy in Fault Diagnostics of Rolling Element Bearings,” Measurement Science and Technology, vol. 22, p.
045708, 2011.
[12] J. S. Richman and J. R. Moorman, “Physiological time-series analysis using approximate entropy and sample entropy,” Am J Physiology Heart Circulatory Physiology, Vol. 278, pp. H2039-H2049, 2000.
[13] B. Li, P. Zhang, S. Liang and G. Ren, “Feature Extraction and Selection for Fault Diagnosis of Gear Using Wavelet Entropy and Mutual Information,” in International Conference on Signal Processing, Beijin, China, 2008.
[14] L. Zong, G. Xiong, H. Liu, H. Zou and W. Guo, “Bearing Fault Diagnosis Using Multi-scale Entropy and Adaptive Neuro-Fuzzy Inference,” Expert System with Applications, vol. 37, pp. 6077-6085, 2010.
[15] J. L. Lin, J. Y. Liu, C. W. Li, L. F. Tsai and H. Y. Chung, “Motor Shaft Misalignment Detection Using Multiscale Entropy with Wavelet Denoising,”
Expert System with Applications, vol. 37, pp. 7200-7204, 2010.
[16] 吳求文、王俊傑、吳順德,「基於多尺度熵、區別指標與支持向量機之旋 轉機械異常診斷系統,」於 第二十八屆中國機械工程全國學術研討會, 台中市,2011.
[17] 李威諭、吳求文、吳順德,「基於多尺度排序熵與k-means 分類器之錯誤 診斷系統,」於 2013中華民國系統科學與工程研討會,基隆市,2012.
[18] S.D. Wu , P.H. Wu , C.W. Wu , J.J. Ding, C. C. Wang ,“Bearing Fault Diagnosis Based on Multiscale Permutation Entropy and Support Vector
Machine ,” The 3nd international Conference on Mechanic Automation and Control Engineering (MACE2012), Inner Mongolia, China, 2012
[19] Y. N. Pen, J. Chen and X. L. Li, “Spectral Entropy: A Complementary Index for Rolling Element Bearing Performance degradation Assessment,” Proc.
IMechE Part C: J. Mechanical Engineering Science, no. 223, pp. 1223-1231, 2009.
[20] J. Hu, R. Shao and Z. Zeng, “Method of Gear's Fault Diagnosis based on Spectral Entropy,” Journal of Mechanical Transmission, May 2007.
[21] 王俊傑、吳求文、吳順德、李易宗、吳豐泰,「多尺度頻譜熵在軸承異 常監控與診斷之應用,」於第二十八屆中國機械工程學術研討會, 台中 市, 2011.
[22] 吳求文,“旋轉機械線上監控與異常辨識系統,”國立臺灣師範大學機 電科技學系,碩士論文,2012 6月.
[23] S. D. Wu, C. W. Wu, S. G. Lin , C. C. Wang and K. Y. Lee “Time Series Analysis Using Composite Multiscale Entropy,” in Entropy, 15, 1069-1084;
doi:10.3390/e15031069,2013
[24] 吳求文、王仁浩、吳順德,「軸承錯誤診斷基於多尺度奇異值分解熵,」
於 第三十屆中國機械工程學會全國學術研討會, 宜蘭縣 2013.
於 第三十屆中國機械工程學會全國學術研討會, 宜蘭縣 2013.