[发明专利]动力设备异常检测装置及其检测方法

说明书

技术领域

本发明涉及一种针对动力设备运行的监测与诊断，特别涉及一种动力设备异常检测装置及其检测方法。

背景技术

一般来说，动力设备在故障发生前，常常会出现性能的衰退与耗能的增加，但这些现象并不会立即影响到设备的运转，因此时常不会被使用者所发现，此结果除了会增加故障发生机率与缩短设备寿命外，动力设备效能降低与耗能的增加，对于产业竞争力与环境保护都有着负面的影响。

动力设备(例如马达)的诊断模式大多是利用一感测器来感测动力设备运行的状态，再通过有线或无线传输方式将所感测到的数据传送到后端系统做进一步的分析。但此种模式需要通过大量的数据传输频宽，主要原因在于为了确保分析诊断的有效性及稳定性，尽可能地将所有感测器所接收到运行状态数据完整的发送至后端系统中。

因此，如何能够通过一种方法或手段，除了保有一样精确的分析诊断能力，先将感测的运行状态数据进行处理，以减少需要传送至后端系统的数据量，进而达到有效降低数据传输频宽大小、提升数据传输稳定性、缩短诊断更新时间与降低设置成本等功效，长久以来一直是相关厂商努力的目标。

发明内容

鉴于以上的问题，本发明提供一种动力设备异常检测装置及其检测方法。通过将感测的运行状态数据预先进行处理，以达到有效降低数据传输频宽大小、提升数据传输稳定性、缩短诊断更新时间与降低设置成本。

根据本发明所揭露的动力设备异常检测装置，包括一感测模块、一处理模块、一最优化处理模块及一分类诊断模块。感测模块用以感测一动力设备以取得多个运转信号。处理模块连接于该感测模块，以接收所述运转信号，并依序自各该运转信号取得多个特征值。

最优化处理模块连接该处理模块，以接收所述特征值，并分类所述特征值来建立多个因素群组。其中，最优化处理模块可利用因素分析方法，将特征值依关联性分类出多个因素群组。各该因素群组具有一代表该因素群组的变异特征值，所述变异特征值的数量少于所述特征值的数量。

分类诊断模块连接该最优化处理模块用以接收所述因素群组，并依据一预设规则与所述因素群组发送一状态信号。此预设规则可为一分类列表，分类列表包括一正常项目及一异常项目。正常项目为动力设备运转时的正常情况，异常项目则为表示运转时异常的情况，例如，异常项目可包括但不限于不平衡情况、不对心情况、润滑情况、共振情况、轴承损坏情况、轴弯曲情况、松动情况、相位不平衡情况、电位不平衡情况、谐波倍频情况及短路情况。

因此，通过上述的动力设备异常检测装置，检测装置可设置于一动力设备上，通过最优化处理模块利用因素分析方法将动力设备上所感测的运转信号简化，直接通过分类诊断模块来进行动力设备运行情况的判断，无须将所感测的运转信号发送至后端系统来进行直接且即时的处理，以达到缩短诊断更新时间与降低设置成本。再者，即便未来仍需要后端系统来进行处理(例如：通过一远端服务器汇整多个动力设备的运行状态)，经因素分析方法所归纳出的变异特征值的数量低于自各该运转信号所取得的特征值的数量，故可达到降低数据传输频宽大小和提升数据传输稳定性的功效。

根据本发明所揭露的动力设备异常检测方法，通过侦测动力设备运转的资讯来进行异常参数的检测与诊断。动力设备异常检测方法，首先利用一信号处理方法自该动力设备取得多个运转信号，并自运转信号中撷取多个特征值。接着，再将特征值依关联性进行分类以建立多个因素群组，而各该因素群组具有一变异特征值。最后再将所取得变异特征值大于1的因素群组，利用类神经网络和经验法则得到此动力设备的运行状态，并依一预设规则判断动力设备的运行状态是否异常。

其中，当类神经网络和经验法则所判断的运行状态不一致时，根据所述因素群组修正类神经网络的模型，直到两者判断出来的运行状态结果一致。

运转信号可为动力设备的振动信号、温度信号、磁通信号、电流信号或电压信号。处理模块系将所感测的运转信号通过一时域转换处理或一多尺度熵(Multiscale Entropy，MSE)运算以取得特征值，特征值可为振动信号的倍频峰值或特征频率值。时域转换处理可采用一离散傅立叶转换处理(Discrete Fourier Transform，DFT)、一快速傅立叶转换处理(Fast Fourier Transform，FFT)、一离散余弦转换处理(Discrete Cosine Transformation，DCT)、一离散哈特利转换处理(Discrete Hartley Transform，DHT)、一小波转换处理(Wavelet Transform，WT)或一功率频率处理(Power Spectrum)。