Page 69 - 2018自動化工業總覽

五丶、使用 PDPS( 智慧預測與診斷系統 ) 函式庫 由於軸承在旋轉過程中，訊號的不穩定現象將可能
會造成演算法的誤判；並且該訊號檔也含有雜訊，我
PMC 依據廠商業者需求，建立智慧預測與診斷系統
們藉此轉成 FFT 後，如圖四所示。
(Prediction Diagnosis Performance System, PDPS)，
從頻率圖可以獲知，因為雜訊的干擾，將關鍵因子的
並結合專家的經驗知識，可以避免設備故障發生及進
頻率給覆蓋，這對後續的演算法分析將是一個重大的
一步提升設備產能。該系統是以人工智慧技術之機器
問題。
學習為主，以歷史記錄為基礎，再以智慧處理 ( 如類神
最 後， 我 們 將 透 過 卡 爾 曼 濾 波 (R = 0.00001,
經網路丶自我組織映射丶羅吉斯迴歸等 ) 為核心，進而診
Q=0.0013) 的方式，將原始訊號進行過濾，藉此將時域
斷機械或零組件的故障問題；在運轉狀態時，我們也
訊號進行平滑化，如圖五所示。
能獲知設備的壽命，是否處於正常丶異常或錯誤等。
可以發現經過卡爾曼濾波後，原始訊號將會擬合並
此次實驗採用 PMC 自行開發的演算法進行撰寫，並
平滑化；另外，也可以很清楚的看出，平滑化後訊號的
依循資料探堪 (Data Mining) 的每一個步驟流程撰寫相
震盪幅度也減小了，後續的演算法分析，鑑別能力也
應的程式碼，並將分析結果整理成報告，提供給有興
能夠得到提昇；並再轉換成 FFT 後，也能夠很獲知大
趣的研究者參考使用。
部份的雜訊被予以濾除，並保留關鍵頻率，如圖六所

示。
六丶、訊號檔前處理
圖三 雜訊干擾 ( 時域圖 )
由於訊號是採用 25.6kHz 的擷取頻寬進行擷取，
亦 即每秒 25600 點，所 以 我 們 將 切割出 20 秒，共
512000 點大小。擷取位置以 [ 後段 ] 為基準。
再從切割後的訊號檔的內容查看，發現大部份的訊
號，都不太穩定，並且可能含有雜訊的情形；我們以
20180306_03.csv 的時域訊號檔 ( 第一顆加速規及 Z
軸方向 ) 進行查看，如圖三紅色框。
圖四 雜訊干擾 ( 頻率圖 )
圖二 資料探勘 (Data Mining) 作業流程

圖五 卡爾曼濾波 ( 時域圖 )

圖六 卡爾曼濾波 ( 頻率圖 )

65