1.1 前言
工具機在 2009 年以前，世界總產量中亞洲國家只佔 48%左右，而西歐 15 個國家約佔了 46%。但 2010 年以後亞洲與歐洲的生產佔有比率分別轉變 為 61%和 32%，這表示全世界工具機的生產區域已經轉移至亞洲地區，尤其 以中國大陸為主要市場，這使得台灣出口成長率逐年升高，也讓中國工具機 市場成為各國工具機廠商的競爭指標。我們從中國大陸進口工具機的產品結 構來看，都是以高階產品為主，隨著中國工業化的發達，需求已經發生轉變，
對工具機可靠性和效率的要求已經提升許多，這也表示全球經濟結構正在發 生新的變化[1]。由圖 1-1 可以看到，在主要供應國家市場中台灣工具機的產 值佔 7.1%，為全世界第六，僅差義大利與韓國 0.4%，若想要脫離現況，台 灣廠商需要因應市場的需求，提升產品的差異性，像是機械系統的錯誤診斷 或是工具機的自我監測系統，這都能大幅提升產品的競爭性。其中若我們能 掌握工具機錯誤偵測與異常診斷系統的技術，必定能大幅提升其附加價值，
增加台灣在國際市場的優勢，便可以讓工具機的產值再往上提升。
圖 1-1 2012 年全球工具機主要供應國家市場佔有率[1]
1.2 研究動機與目的
隨著現代工業、科技的蓬勃發展，工具機的需求年年提升，然而現今產 業界所需求的不只是具備高品質與高效能的工具機，更需要的是具有自我檢 測異常狀況的系統，這樣才能增加企業的經濟效益。自我檢測狀況系統是利 用機台運轉時收取的振動訊號，經由訊號處理技術，可以從中得知機台狀態 的資訊。可是，現有的訊號處理技術，需要具備一定的專業知識才能得以應 用，不熟悉的作業員很難分辨其中的不同，通常還是要等機台出現問題或是 停止運作才會知道發生異常，接下來找出問題以及備料又會花上一段時間，
這會造成公司的成本提高，甚至不能如期出貨，以致公司信譽受損。若是能 加上智慧化監控系統，不熟悉的作業員也能即時了解機台的狀況，對於廠商 的生產是有很大的幫助，因此許多的企業已經採用智慧化監控系統，以提升 工具機的附加價值。
齒輪是工具機傳遞動力的重要零件，齒輪的傳動的效率高、壽命長、傳 動比穩定、傳動功率大以及速度範圍大[2]，在機械系統中被廣泛應用，彼此 之間有密切的關係。因為齒輪與齒輪之間相互摩擦傳動，會有一定的損耗，
甚至毀損，對於整體機台的工作效能會有很大的影響，所以本研究的目標就 是建立齒輪箱的錯誤偵測與異常診斷系統。
欲建立齒輪箱的異常偵測與錯誤診斷系統，需要從齒輪箱的訊號收集開 始，先要有每種齒輪健康狀態大量的振動資料，才可以進行特徵的分析。再 擷取訊號的部分，本論文使用 PC-base 的系統，此系統的開發時間短，並且 運算速度很快，對於研究的工作有大的幫助，而現在學界常使用的 PC-base 系統是 National Instruments ( NI )公司開發的 Labview 軟體，其支援即時運算 的功能，並且能將運算的結果法上由電腦螢幕顯示，基於這些優點，本論文 選擇使用 Labview 來做訊號的擷取。關於齒輪箱振動訊號的擷取會在第二章 有詳細的說明。
本論文總共探討四種常見的齒輪狀態，希望可以透過抽取的特徵來辨識 其分別。在本論文中使用四種特徵抽取方式，針對齒輪箱模擬出不同的異常 振動訊號做特徵抽取，再使用兩種分類辨識方法做辨識，希望能準確的區分 齒輪常見的錯誤狀態，建立有系統性的機械異常偵測與錯誤診斷系統，作為 往後工具機的診斷依據。
傳統的機台振動分析，大多是利用訊號的統計特徵或頻率響應當作特徵 為主[3,4]，但是過去幾年來，亂度演算法也有許多人提出並且用在攜械振動 分析的研究領域，如 Approximate Entropy[5]、Bispectrum Entropy[6]、Hilbert Huang Entropy[7]、Lempel Ziv Complexity[8,9]、Multiscale Root Mean Square Value[10] 、 Pattern Spectrum Entropy[11] 、 Sample Entropy[12] 、 Wavelet Entropy[13]、Multiscale Entropy (MSE) [14,15,16]、Multiscale Permutation Entropy (MPE) [17,18]、Spectral Entropy (SpEn) [19,20]、Multi-Band Spectrum Entropy (MBSE) [21] 、 Composite Multiscale Entropy (CMSE) [22,23] 、 Composite Multiscale Permutation Entropy (CMPE) [22,23]、multiscale singular value decomposition entropy (MSVDE) [24]等。本論文在取得齒輪箱得振動訊 號後，使用CMSE、CMPE、MBSE與MSVDE作為特徵抽取的方式。
特徵抽取完後，就需要利用方法將其辨識，現在最常見辨識特徵的方法 有三種：支持向量機(Support Vector Machine, SVM) [11, 16, 25, 26, 27]、類神 經網路(Neural Network, NN) [4, 14, 27,28]與決策樹(Decision Tree, DT) [29]，
決策樹雖然辨識的時間很短，但是辨識率通常比不上 SVM 和 NN， 然而 SVM 以及 NN 的原理是利用最佳化理論，而且兩者辨識率不分上下，所以 本論文在辨識特徵時分兩部分，NN 和 SVM，利用兩者可靠的辨識率作整體 辨識的驗證。
第一部分，在辨識時 NN 之中有好幾種演算法可以使用，經文獻探討，
有著四種演算法包括 Levenberg-Marquardt (LM 法)、Powell-Beale conjugate、
Scaled Conjugate gradient、gradient Resilient propagation，比較四種演算法的
迭代次數後發現利用 Levenberg-Marquardt 所需的迭代次數最少[28]，所以本 論文使用 NN 中的 LM 法來進行辨識。第二部分，SVM 的演算法最初發展 是用來分類兩類的資料，所以若是要處理多類別資料分類的問題，就需要用 到多數個 SVM 的分類器來建構完整的分類模型。根據文獻的探討發現一對 一的 SVM 分類模型辨識率較高[30]，是目前最受歡迎的分類方式，所以本 論文會使用一對一的 SVM 分類模型來辨識齒輪的狀態。
為了顯示不同的實驗意義，本論文將使用兩種診斷方式進行最後的齒輪 狀態分類，第一個是異常偵測，實驗的目的希望能藉由特徵的辨識，可以明 確的辨識出齒輪箱是否正常運作，讓齒輪箱在運作時異常一出現便可以即時 得知，以近一步維修齒輪箱。第二種是錯誤診斷，當齒輪箱出現異常需要進 行維修時，可以利用錯誤診斷找出異常的原因，可以馬上對症下藥進行維修，
減少工具機停機待修的時間。
1.3 論文架構
本論文將建立齒輪箱的異常偵測以及錯誤診斷系統，分為成六個章節，
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，第二章是介紹系統架構以及實驗機台，第三章會詳細的說明各種特徵抽 取的方式，第四章會介紹 NN 和 SVM 辨識的原理，第五章則是實驗的設計 與結果，最後第六章是討論實驗結果與未來展望。
圖 1-2 論文架構