Page 68 - 2018自動化工業總覽

軸承衰退分析

預知衰退程度，防止不良品發生

財團法人精密機械研究發展中心 陳聖哲
摘要 訊號分成前段( 暖機中 ) 丶中段( 初期穩定 ) 及後段( 穩
定 )，如圖一所示。由於前段及中段尚屬於暖機至初期
軸承衰退分析，可以提供給終端使用者獲知狀況，
穩定階段，軸承內部是否穩定可能還有一些不確定因
並能夠提早安排維修，防止不良品的產生。本研究將
素，所以演算法建模，將使用後段來進行分析。前段及
使用羅吉斯迴歸演算法 (Logistic Regression) 建立模
中段，我們將會透過模型來預測運動軌跡。
型，再透過自我組織映射圖演算法 (Self-organizing

map) 驗證該模型的有效性；未來使用者只需要將目前
軸承的運作狀況輸入到模型內，即可獲知衰退程度。 四丶、機器學習作業流程
本次實驗規劃將會採用機器學習演算法 ( 如羅吉
一丶、實驗配置 斯迴歸及自我組織映射圖 )，並依循資料探勘 (Data
Mining) 的作業流程逐一分析，如圖二所示。
本次實驗計有馬達丶主軸 ( 軸承 ) 及加速規配置，並
步驟介紹如下：
採用 Run-to-fail 的高負荷運作以及潤滑油失效等方式
1. 訊號擷取：透過感測器或其他硬體連接資訊，將
操作，藉此觀察軸承的衰退程度。實驗參數如下：
訊號進行收集及儲存。
1. 馬達轉速：6000 RPM
2. 訊號分析：檢視原始訊號是否受到干擾及該訊號
2. 兩顆三軸向加速規
是否依物理現像在合理的正常範圍運作。
3. 加速規取樣頻率：25.6kHz
3. 特徵萃取：針對原始訊號進行轉換 ( 時域丶頻域丶包
4. 每個檔案擷取時間約 2 分鐘
洛線丶功率譜密度 )，並進行擴維。

4. 特徵選取：挑選重要性特徵，即降維過程。
二丶、檔案篩選
5. 數值正規化：由於演算法的核函數 ( 如 Sigmoid
我們以 Run-to-fail 的主軸高負荷運作以及潤滑油失
function) 影響，必須將特徵值進行數值正規化 (0~1 之
效的方式，將每一次的實驗進行擷取，共計有 45 個訊
間 )。
號檔案，再經過初步篩選後，將有問題的檔案共 12 個
6. 執行演算法：依據目標挑選合適的演算法，此為
移除，剩下 33 個檔案進行後續的分析使用。
訓練階段。

7. 取得模型：結合物理意義及評估訓練結果。
三丶、時域訊號切割 8. 預測：將模型正式發佈到線上使用。
在每一次的實驗及高負荷運轉狀態下，我們將時域

圖一 時域訊號切割

64