Intellectual Diagnosis for the Performances of Ball Screw System by Using the Unsupervised Deep Learning Method

摘要

工作機台在運作時其工作效率會隨時間而慢慢衰退，所以針對機台工作效率的診斷方法非常重要，現今的診斷方法大多只能區分出正常與損壞的運作狀態。本研究運用智慧化之非監督式深度學習方法進行機台工作狀態診斷，主要目的有二：發現滾珠螺桿隨著時間變化之性能衰退，在滾珠螺桿出現性能衰退至門檻值之前給予及時補油修正與補償。由於機器性能衰退難以用人工方式清楚判別，本研究使用了長短期記憶網路編碼器(LSTM-ED)，將滾珠螺桿的振動訊號代入非監督式深度學習網路中，藉由神經網路的資料辨別能力，得到滾珠螺桿在四次長時間重負載運轉下健康指數(Health index)隨運行距離的變化。 本研究分析滾珠螺桿的訊號，是加速規量測上螺帽部位的振動訊號。潤滑條件為試驗開始前注脂12c c ，且連續運行到150公里前都沒有再注脂。為了要得到滾珠螺桿的健康指數，我們依下列步驟處理：首先是振動訊號前處理(Preprocess)，包含等速段訊號擷取與正規化(Normalization)、零平均處理(Zero-mean process)等。接下來代入深度學習模型做健康診斷，藉由模型的重構誤差得到滾珠螺桿性能衰退曲線，也就是健康指數的變化。除了討論健康指數的下降趨勢外，還有三個方法進行結果分析，找出主導健康指數變化的因素：首先，在試 驗前後都有量測滾珠螺桿的預壓扭矩，利用預壓扭矩與健康指數變化作圖，訂定健康指數起始與結束的標準。第二，利用快速傅立葉轉換，觀察球通頻率及各元件的缺陷頻率判定哪些接觸配對為影響整體系統健康指數的主導因子。最後利用經驗模態分解法將原始訊號由高頻拆分至低頻，將主導磨耗及振動行為之高頻訊號單獨代入模型運算，分析高頻訊號隨運行距離之健康指數變化，用來對照整體健康指數的變化，瞭解高頻振動訊號對整體健康指數的影響。 健康指數能顯示滾珠螺桿在尚未發生機件損壞前的性能衰退現象，尤其能對滾珠螺桿的磨潤狀況有不錯的分析評估能力。而高頻磨耗對整體健康指數的影響也會隨運行距離有不同的變化。本研究也將健康指數量化分析滾珠螺桿的磨潤狀態，發現隨著運行距離的增加，滾珠螺桿的效能衰退速度有變快的趨勢。由於使用的是非監督式的深度學習模型，在處理複雜的振動訊號時，模型能自行學習找出判斷性能的標準，因此能應用於各種振動訊號的分析。使用本研究成果，在機台性能(健康指數)下降至門檻值之前便給予及時的補償與補充潤油，達到智慧化診斷及省時省力的目的。

獎項日期	2020
原文	English
監督員	Jen-Fin Lin (Supervisor)