第一章 緒論
齒輪箱廣泛地被應用於許多機械系統當中，當無法預估之異常故障發生 時，會造成重大的產業虧損；為了維護機械系統的安全，以降低事故發生的 風險，開發齒輪箱之異常診斷系統可以助於解決此問題。當機械系統內部的 元件發生異常，影響機械系統運作，會造成振動狀態出現變化，因此，以此 振動訊號異常作為特徵，分析機械系統之狀態異常的方式，是目前常見的異 常診斷方法。本章提出本論文此研究主題的緣起，再提出前人所使用的研究 方法，以及本論文使用的研究方法，最後簡述本論文的論文架構。
1.1 前言
對於一些旋轉機械，譬如工具機、發電機、加工機等，這類需要長時間 不斷運作的機械系統，它們的系統健康狀況不易從外表看出，為了延長這類 設備的使用壽命，對這些機械設備施行即時狀態監測和異常診斷是有其必要 的；使這些設備能以安全且正常的狀態運行，不僅可以減少機具損壞時的虧 損，也能避免發生意外，確保人身安全。因此，產業界與學術界已經非常關 注這個議題，並且已經有許多的學者使用各種訊號處理的方法來處理這個問 題。由於作業環境以及各種元件使用壽命不一的限制，使得越複雜的設備在 出現故障時，這故障往往是非線性且不易辨認的；因此，將一套機械設備中 不同的部位各自分開做分析，以較簡單的機械結構來考慮異常狀態所造成的 變化，此舉較容易控制狀態變因，也比較能直接觀察出不同變因對於機械結 構的影響。在旋轉機械的結構中，齒輪的嚙合狀態對於旋轉機械會造成直接 的狀態改變，因此，本論文希望藉由模擬齒輪箱的狀態，來對於齒輪箱在發 生異常時所呈現出之振動訊號做分析，期望可提供作為異常診斷的辨識特徵，
並且將此分析方法沿用至其他的機械結構上，以期最終能夠對於整個機械系 統達成異常診斷的目的。
2
1.2 研究動機與目的
本論文使用了四種訊號處理方法，針對模擬出的齒輪箱之異常狀態振動 訊號做分析，期望能夠找出齒輪箱常見的錯誤狀態辨識特徵，並以此特徵建 立決策樹，提供未來即時狀態監測以及錯誤診斷系統中，作為即時診斷系統 的依據。
傳統的訊號處理方法大多是以訊號的時域特性或是頻域特性為主[1, 2]，
將訊號經過傅立葉轉換(Fourier transform, FT)後，對訊號的頻譜做分析。
文獻[3]指出，不同的錯誤情形會需要使用不同的時頻轉換方法分析。有 許多學者使用了時頻分析方法如 Short Time Fourier Transform(STFT)或是 Wigner-Ville distribution 方法分析[4, 5]。Gabor 提出[6]，STFT 可看成是一個 加上固定時間頻率窗的轉換，具有時間的可變性，可定義出頻率在時間上之 變化。Fadi 等人使用 STFT 分析[7]，與 FT 相比，在分析非穩態訊號時有較 佳之效果。小波轉換(Wavelet transform)也常被用以分析齒輪箱異常[8, 9, 10, 11]，FT 表現出訊號整體之特性，在訊號中包含有衝擊訊號成分時，無法清 楚展現衝擊訊號所對應之頻譜；而小波轉換則可同時在決定好參數後，於時 域及頻域上呈現優秀的分析能力。Boulahbal 等人使用小波轉換之振幅和相 位小波圖偵測齒輪系統之損害[12]。Wang 等人使用小波轉換方法[13]對齒輪 箱之故障進行診斷。Lin 等人使用小波轉換擷取振動訊號之特徵[14]，使用 擷取之特徵用以判斷機械之異常。Forrester 使用 Wigner-Ville distribution 方 法分析直升機傳導錯誤[15]；以及應用時頻分析方法分析機械振動訊號[16, 17, 18,]。Staszewski 等人同時使用了小波轉換和 Wigner-Ville distribution 方 法偵測齒輪斷裂[19]，並使用了類神經網絡進行異常診斷。
近年開始亂度的演算法也被引用至機械系統的研究領域中，如 Spectral Entropy[20, 21]、Wavelet Entropy[22]、Multiscale Entropy[23, 24]、Multi-Band Spectrum Entropy[25]、Approximate Entropy[26]、Lempel Ziv Complexity[27,
3
28]、Bispectrum Entropy[29]、Pattern Spectrum Entropy[30]、Hilbert Huang Entropy[31]、Multiscale Root Mean Square Value[32]等。
本論文中選用了，時頻分析的短時傅立葉(Short time Fourier transform, STFT)，小波轉換(Wavelet transform)中的 Morlet 小波轉換(Morlet wavelet transform)，以及計算訊號複雜度的多尺度熵(Multiscale entropy, MSE)和多頻 帶頻譜熵(Multiband spectrum entropy, MBSE)、影像熵(Image entropy)和解調 變頻譜(Demudulation spectrum)分析，以這些方法作為抽取特徵的方法，並 且依據這些特徵建構辨識決策樹，並以此決策樹作為分類診斷實驗的架構。
1.3 論文架構
本論文共分為五個章節，第一章說明本篇論文的研究動機以及希望達成 的實驗目的，第二章說明本論文所使用之訊號分析以及時頻分析方法和複雜 度運算方法；第三章介紹實驗器材及實驗方法；第四章使用訊號處理方法抽 取特徵且加以說明，並建立決策樹以及運行決策樹診斷實驗結果；第五章提 出結論以及希望之後能繼續提升效率的想法及實驗方法。
4