Prognostic and Health Management of Ball Screw System by Neural Network

摘要

本論文針對進給系統中的雙螺帽式滾珠螺桿(Double-nut Ball Screw DBS)提出故障診斷(Fault Diagnosis)方法，在搭配財團法人工業技術研究院南創園區所研發之預壓感測器(Preload Sensor)下，結合門控循環單元II型(Gate Recurrent Unit-II GRU-II)，來判斷雙螺帽式滾珠螺桿是否發生故障。 本論文之研究目標在於: 藉由觀察預壓感測器之訊號之變化來(i) 判斷雙螺帽式滾珠螺桿是否發生故障; (ii) 建立故障預測系統。 為了達到上述目標，本論文首先對雙螺帽式滾珠螺桿建立故障資料庫，由於感測器所得之時序資料(Time Series)具有序列性及長度不一致，因此本論文採重新取樣(Resampling)來對訊號進行前處理，搭配GRU-II對訊號進行識別以判斷故障狀況為何。 相較於其他現行診斷方法，GRU-II特點在於: (i) 有效提升鑑別準確率、(ii) 運算過程中所需之參數較少、(iii) 針對噪音更具容錯性。 為了驗證本論文提出之故障診斷系統之效用，本論文使用深度學習套件PyTorch與Python建立一循環神經網路模型(GRU-II)，針對先前實驗所得之故障資料庫進行模擬分析，除此之外，並將雜訊所造成之影響一併考入。 由模擬結果可得知: (i) 在無噪音干擾下，本論文提出之GRU-II相較於其他神經網路: 前饋神經網路(Feed-forward Neural Network)、長短期記憶模型(Long Short Term Memory Model)與門控循環單元模型(Gate Recurrent Unit Model)，於準確率方面，分別優約13 3%、4 4%、4 4%。 (ii) 若考量訊號雜訊，GRU-II仍能維持準確率84 4%，依舊優於其他上述三種模型。 此外，於故障迴流道之召回率則可保持在100%，驗證了本論文提出之故障診斷方法有卓越的效能。

獎項日期	2020
原文	English
監督員	Nan-Chyuan Tsai (Supervisor)