多尺度頻譜熵œ.. - 吳順德教授
多尺度頻譜熵œ.. - 吳順德教授
多尺度頻譜熵œ.. - 吳順德教授
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
中國機械工程學會第二十八屆全國學術研討會論文集 國立中興大學 台中市<br />
中華民國一百年十二月十日、十一日 論文編號: X00-001<br />
多尺度頻譜熵在軸承異常監控與診斷之應用<br />
王俊傑 1<br />
、吳求文 2<br />
、吳順德 2<br />
、李易宗 2<br />
、吳豐泰 3<br />
1<br />
工業技術研究院 機械與系統研究所 智慧系統工程技術組<br />
2<br />
國立台灣師範大學 機電科技學系<br />
摘要<br />
近幾年來,利用複雜度的觀念來分析機械系統<br />
的異常行為已慢慢獲得學者的重視。在本論文中,我<br />
們提 出多尺度 頻譜熵 的觀念 , 並以Case Western<br />
Reserve University所提供的軸承震動訊號為例,探討<br />
機械系統在不同運轉狀態下多尺度頻譜熵的變化情<br />
形,以作為將來發展軸承異常即時監控系統的依據。<br />
關鍵字: 多尺度頻譜熵、機械震動、即時監控系統、<br />
錯誤自動診斷系統<br />
1. 前言<br />
機械健康狀態監控系統的研究與開發一直是學<br />
界相當重視的問題。機械健康狀態系統的主要架構是:<br />
量測系統運作時所產生的震動訊號,並從這些震動訊<br />
號中抽取特徵,再以這些特徵來判斷系統是否屬於正<br />
常運作。傳統的特徵抽取方法主要是以震動訊號的頻<br />
譜或統計特性為主。過去幾年來,以亂度或複雜度的<br />
演算法漸漸被引進此一研究領域並有不錯的成果,這<br />
些方法包括Approximate Entropy[1] 、 Lempel Ziv<br />
Complexity[2][3]、Recurrence Plot Entropy[4]、Spectral<br />
Entropy[5][6] 、 Wavelet Entropy[7] 、 Bispectrum<br />
Entropy[8] 、 Pattern Spectrum Entropy[9] 、 Hilbert<br />
Huang Entropy[10]、Multiscale Entropy[11][12]等。<br />
機械系統在不同的『健康』情形下運轉,其震動<br />
訊號的頻譜會有所不同,因此以頻譜為基礎的複雜度<br />
演算法頻譜熵(Spectral Entropy)[5][6]大致可以表現<br />
機械系統的健康情形。然而,在實務的應用上,不同<br />
異常狀態的震動訊號可能具有相似的頻譜熵,因此,<br />
利用單一的頻譜熵當特徵來辨識各種異常狀態有其<br />
困難性。為了改善這項缺點,本論文參考Multiscale<br />
Entropy[11][12] 的概念提出了多尺度頻譜熵<br />
(Multiscale Spectral Entropy, MSSE)演算法,透過計算<br />
訊號在不同尺度時的頻譜熵,讓不同特性的訊號可以<br />
更容易被區分出來。在本論文中,我們將MSSE應用<br />
於軸承故障訊號的特徵抽取上,實驗結果證明MSSE<br />
確實可以用來分辨出正常與異常狀態的震動訊號。<br />
Email: sdwu@ntnu.edu.tw<br />
3<br />
逸奇科技股份有限公司<br />
本論文的架構如下:第2節簡介MSSE演算法以<br />
及其計算複雜度;第3節則是以模擬訊號來了解MSSE<br />
的特性,同時探討MSSE在軸承異常監控應用上的可<br />
行性;第四節則是給出本論文的結論。<br />
2.1 熵(Entropy)<br />
2. 多尺度頻譜熵<br />
對一個隨機變數 而言,其熵 的定義如下:<br />
∑ (1)<br />
其中 為隨機變數 的機率密度函數,log是以<br />
2或是自然對數e為底的對數。<br />
由公式(1)可知,假設時序訊號長度為N,若訊號<br />
為常數數列,則對某一個i, ,因此 ;<br />
若訊號為均勻分佈(uniform distribution)的雜訊,則對<br />
所有的i, ⁄ ,因此 ,一個時序<br />
訊號的熵值介於 0 與 之間。<br />
2.2 頻譜熵<br />
考慮一個長度為2N的時序信號 [ ],<br />
將 x 做離散傅立葉轉換(Discrete Fourier Transform,<br />
DFT)後可求得x的頻譜。令 代表訊號 x 在頻率<br />
時的強度,其中<br />
, , 為訊號 x<br />
的取樣頻率。則時序訊號 x 的頻譜熵 的定義如<br />
下:<br />
∑ ̂ ̂<br />
(2)<br />
其中 ̂ 稱為頻譜密度(Power Spectrum Density,<br />
PSD),定義如公式(3)所示:<br />
̂<br />
∑<br />
(3)<br />
長度2N的時序訊號,其DFT值也有2N個,但是由<br />
於 是一個對稱函數,因此在計算頻譜熵時我們<br />
只須用到一半,也就是N個值即可。
中國機械工程學會第二十八屆全國學術研討會論文集 國立中興大學 台中市<br />
中華民國一百年十二月十日、十一日 論文編號: X00-001<br />
從公式(2)中我們可以得知,若x為單一頻率的弦<br />
波,其頻譜熵為0;若x為白雜訊,則頻譜密度在各頻<br />
率均為<br />
。<br />
,利用公式(2),可以得出白雜訊的頻譜熵為<br />
一訊號x的頻譜熵值介於0與 之間,訊號的<br />
頻譜熵值會隨資料長度而改變,為了改善這個現象,<br />
可以利用公式(4)將頻譜熵的值正規化得到 ,正<br />
規化後的頻譜熵值將介於0與1之間。<br />
2.3 多尺度頻譜熵<br />
頻譜熵是透過一個特殊的非線性函數將訊號的<br />
頻譜密度函數映射成一個實數,因此不同的頻譜分佈<br />
可能會得到相近似的熵值,例如:在取樣頻率為<br />
1000Hz,取樣長度N為10000的條件下,white noise<br />
的頻譜熵為0.9837,而 f noise的頻譜熵為 0.9707,<br />
雖然這兩種雜訊的頻譜分佈差異甚大(如圖一),可是<br />
計算出來的頻譜熵卻很相近。為了改進這個缺點,在<br />
本 論 文 中 , 我們提出了 多 尺 度 頻 譜 熵 (Multiscale<br />
Spectral Entropy, MSSE)的觀念。MSSE的基本概念是<br />
將高頻的成分逐次地從訊號中濾除,再計算其頻譜熵,<br />
尺度越大,訊號所含的成分越少,因此,MSSE可以<br />
視為一種估計訊號頻譜分布情況的演算法。MSSE的<br />
演算法如下:<br />
1. 對訊號x進行DFT,並令尺度因子 。<br />
2. 計算尺度 的頻譜密度<br />
̂<br />
[<br />
∑<br />
3. 以下列公式計算尺度 的頻譜熵<br />
4. 頻譜熵正規化<br />
∑ ̂ ( ̂ ) [<br />
5. 尺度因子 加1,重複步驟2-5.<br />
(<br />
)<br />
]<br />
(4)<br />
圖二為white noise 與 f noise 的多尺度頻譜熵,<br />
f noise 的頻譜熵會隨尺度的變大而變小,但是white<br />
noise 的頻譜熵幾乎不隨尺度因子 的改變而有所變<br />
化。由以上的例子可知,MSSE可以提供比頻譜熵更<br />
多訊號的資訊。<br />
2.4 演算法的計算複雜度<br />
]<br />
為了評估MSSE在即時監控應用上的可行性,我<br />
們對它進行演算法複雜度的分析。MSSE與頻譜熵的<br />
演算法計算步驟及相對應的計算複雜度如下所示:<br />
1. 計算訊號x的DFT 。這個步驟以快速傅<br />
立葉轉換(FFT)來完成,計算的複雜度為<br />
。<br />
2. 以公式(3)計算頻譜密度 ̂ ,其計算複雜<br />
度為 。<br />
3. 以公式(2)計算頻譜熵,其計算複雜度為<br />
。<br />
從以上的分析可知,頻譜熵的計算複雜度為<br />
,MSSE亦然。<br />
與另一種近來被用來作為機械錯誤診斷特徵的<br />
多尺度熵(MultiScale Entropy)演算法[11][12]相較,<br />
MSSE的計算複雜度 比MSE的計算複雜度<br />
小,運算的時間比較少,在即時監控的應用上,<br />
MSSE將比MSE更具可行性。<br />
3. 實驗結果<br />
在本節中,我們先以模擬訊號來探討MSSE的特<br />
性,再以CWRU的軸承震動訊號[13]為例,來探討<br />
MSSE在軸承故障監控應用上的可行性。<br />
3.1 模擬訊號<br />
本實驗的模擬訊號如下:<br />
其中 、 、 分別是 350、1100及 2500Hz,<br />
為white noise,k為白雜訊的增益,訊號的取樣頻率<br />
為12000Hz,資料長度為20000。<br />
圖三為 的MSSE,當k = 1時,雜訊佔 的<br />
比重較 k = 0.1時大,因此訊號特性比較像是white<br />
noise,MSSE在各尺度的值都會明顯偏高。除此之外,<br />
我們發現尺度3的MSSE比尺度2大,原因是尺度2採用<br />
0~3000Hz的頻譜密度來計算頻譜熵,而尺度3僅用<br />
0~2000Hz的頻譜密度來計算頻譜熵,在計算 尺度<br />
3的頻譜熵時, 這個成分會被移除,故尺度<br />
3會比尺度2更接近white noise,頻譜熵因而增加,同<br />
樣地,尺度6的頻譜熵比尺度5大,這是因為尺度6移<br />
除了 的關係,當尺度大於18時, 的<br />
成分也被移除了, 只剩下white noise 的成分,因<br />
此頻譜熵會非常接近1。<br />
3.2 軸承故障資料<br />
本實驗的資料取自CWRU Bearing Data Center,<br />
軸承異常發生的位置分別是位於驅動端(drive end,<br />
DE)與風扇端(fan end, FE);軸承的異常狀態包含內圈<br />
缺陷(inner race fault, IR)、滾珠缺陷(rolling element<br />
fault, Ball)、外圈缺陷(outer race fault, OR),外圈缺陷<br />
又依缺陷所在的位置(3點鐘方向、6點鐘方向、12點<br />
鐘方向)分為三個次類別;每一種異常狀態,均考慮
中國機械工程學會第二十八屆全國學術研討會論文集 國立中興大學 台中市<br />
中華民國一百年十二月十日、十一日 論文編號: X00-001<br />
缺陷7 mil、14mil、21mil以及28mil等四種不同大小的<br />
孔洞。馬達的轉速有1730、1750、1772以及1797 rpm<br />
等。<br />
驅動端與風扇端均放置加速規量取系統運轉時<br />
的震動訊號。系統在正常(Normal)的狀態運轉時,取<br />
樣頻率是48000Hz;而在軸承發生異常時,訊號的取<br />
樣頻率降為12000Hz。由於取樣頻率會影響MSSE的<br />
計算,因此,當我們在計算Normal 訊號的MSSE時,<br />
先以低通濾波器濾除6000Hz以上的成分,然後進行減<br />
少取樣(down sampling) 將訊號的取樣頻率降為<br />
12000Hz。<br />
在本實驗中,我們僅考慮故障是發生在DE的情<br />
形,震動訊號是由位於DE的加速規量測到的。圖四<br />
為轉速為1730rpm的震動訊號的頻譜分佈圖, (a)-(f)<br />
分別代表是 normal, rolling element fault, inner racing,<br />
outer racing 3點鐘方向、outer racing 6點鐘方向、outer<br />
racing 12點鐘方向等不同的異常狀態。<br />
圖五是在轉速1730rpm下,各種異常震動訊號的<br />
MSSE值。從圖五中,我們發現normal 狀態的震動訊<br />
號的MSSE具有以下兩個特徵:<br />
1. 在尺度1時,normal 狀態的頻譜熵會比異常<br />
狀態的頻譜熵大,這是因為normal的震動量<br />
相對比較小,雜訊成了震動訊號的主要成分,<br />
因此頻譜熵會比較接近1。當機械出現異常,<br />
某些固定的頻率會被強化,訊號會比較有『秩<br />
序』,頻譜熵因此變小。<br />
2. 由於 normal 的頻譜中有一個能量相對較大<br />
360.07Hz的成分(圖六),在計算尺度16的頻譜<br />
熵(0~375Hz)時會考慮此成分,但計算尺度17<br />
的頻譜熵(0~352.9Hz)時則否,尺度17會比尺<br />
度16更接近白雜訊,因此尺度17的頻譜熵會<br />
比尺度16的頻譜熵大。<br />
圖七-圖九分別為在轉速1750、1772及1797rpm<br />
下,各種不同異常狀態的震動訊號的MSSE圖,其<br />
normal 狀態的震動訊號的MSSE也都具有相同的特<br />
徵。另外,各種不同異常狀態震動訊號的MSSE也都<br />
有不同形態,因此,以MSSE為特徵,搭配機器學習<br />
(Machine Learning)理論,來建構『異常狀態自動診斷<br />
系統』的可行性相當高。<br />
在資料量測的過程當中,訊號會受到雜訊的汙染,<br />
雜訊的來源可能是加速規本身或是背景雜訊。因此,<br />
在計算MSSE之前可以對震動訊號進行雜訊濾除的步<br />
驟,但是,經過雜訊濾除的訊號與未經雜訊濾除步驟<br />
的訊號,其MSSE值會呈現完全不同的行為模式,因<br />
此,在使用MSSE分析震動訊號時必須特別注意雜訊<br />
的問題。<br />
4. 結論<br />
在本論文中,我們提出了MSSE的觀念並將它應<br />
用到軸承故障監控與診斷上,實驗結果顯示,MSSE<br />
可以有效區分出正常與異常震動訊號的差異,因此,<br />
以MSSE為基礎的異常狀態診斷系統是可行的。除此<br />
之外,MSSE的計算複雜度低( ),因此也非<br />
常適合用來實現『及時機械狀態監控系統』。<br />
5. 參考文獻<br />
1. R. Yan and R. X. Gao, “Approximate Entropy As a<br />
Diagnosis Tool for Machine Health Monitoring,”<br />
Mechanical Systems and Signal Processing, Vol. 21,<br />
pp. 824-839, 2007.<br />
2. R. Yan and R. X. Gao, “Complexity as a Measure<br />
for Machine Health Evaluation,” IEEE Transaction<br />
on Instrumentation and Measure, Vol. 53, No. 4, pp.<br />
1327-1334, 2004.<br />
3. H. Hong and M. Liang, “Fault Severity Assessment<br />
for Rolling Element Bearing Using the Lempel-Ziv<br />
Complexity and Continuous wavelet Transform”,<br />
Journal of Sound and Vibration, Vol. 320, pp.<br />
452-468, 2009.<br />
4. R. Yan, Y. Qian, Z. Huang and R. X. Gao, “Rolling<br />
Bearing Defect Severity Evaluation Using<br />
Recurrence Plot Entropy,” Instrumentation and<br />
Measurement Technology Conference , 2011.<br />
5. Y. N. Pan, J. Chen and X. L. Li, “Spectral Entropy:<br />
A Complementary Index for Rolling Element<br />
Bearing Performance degradation Assessment,”<br />
Proc. IMechE Part C: J. Mechanical Engineering<br />
Science, Vol. 223, pp. 1223-1231, 2009.<br />
6. J. Hu, R. Shao and Z. Zeng, “Method of Gear’s Fault<br />
Diagnosis Based on Spectral Entropy,” Journal of<br />
Mechanical Transmission, 2007-05<br />
7. B. Li, P. Zhang, S. Liang and G. Ren, “Feature<br />
Extraction and Selection for Fault Diagnosis for<br />
Gear Using Wavelet Entropy and Mutual<br />
Information,” International Conference on Signal<br />
Processing, 2008.<br />
8. J. Huang, H. Pan and S. Bi, “Bispectrum Entropy<br />
Feature Extraction and Its Application for Fault<br />
Diagnosis of Gearbox,” IEEE Conference on Fuzzy<br />
System,2010.<br />
9. R. Hao, Z. Peng, Z. Feng and F. Chu, “Application<br />
of Support Vector Machine Based on Pattern<br />
Spectrum Entropy in Fault Diagnostics of Rolling<br />
Element Bearings,” Measurement Science and<br />
Technology, Vol. 22, pp. 045708, 2011.<br />
10. D. Yu, Y. Yang and J. Cheng, “Application of Time<br />
Frequency Entropy Method Based on Hilbert Huang<br />
Transform to Gear Fault Diagnosis,” Measurement,<br />
Vol. 40, pp. 823-830, 2007.<br />
11. L. Zong, G. Xiong, H. Liu, H Zou and W. Guo,<br />
“Bearing Fault Diagnosis Using Multi-scale Entropy<br />
and Adaptive Neuro-Fuzzy Inference,” Expert<br />
Systems with Applications, Vol. 37, pp. 6077-6085,<br />
2010.<br />
12. J. L. Lin, J. Y. C. Liu, C. W. Li, L. F. Tsai and H. Y.<br />
Chung, “Motor Shaft Misalignment Detection Using<br />
Multiscale Entropy with Wavelet Denoising,”<br />
Expert Systems with Applications, Vol.37, pp.
中國機械工程學會第二十八屆全國學術研討會論文集 國立中興大學 台中市<br />
中華民國一百年十二月十日、十一日 論文編號: X00-001<br />
7200-7204, 2010.<br />
13. Case Western Reserve University Bearing Data<br />
Center Website,<br />
http://www.eecs.case.edu/laboratory/bearing/welco<br />
me_overview.htm<br />
6. 圖表範例<br />
(a)<br />
(b)<br />
圖一: (a)whit noise 的頻譜分佈;<br />
(b)f noise的頻譜分佈<br />
圖二 (a)whit noise 與 f noise的MSSE<br />
圖三: 的<br />
MSSE<br />
(a)<br />
(b)<br />
(c)<br />
(d)<br />
(e)<br />
(f)<br />
圖四:(a) 正常狀態震動訊號的頻譜分佈圖<br />
(b) 滾珠缺陷震動訊號的頻譜分佈圖<br />
(c) 內圈缺陷震動訊號的頻譜分佈圖<br />
(d) 外圈缺陷(3點鐘方向)的頻譜分佈圖<br />
(e) 外圈缺陷(6點鐘方向)的頻譜分佈圖<br />
(f) 外圈缺陷(12點鐘方向)的頻譜分佈圖<br />
圖五:不同健康狀態的 MSSE (轉速為1730rpm)
中國機械工程學會第二十八屆全國學術研討會論文集 國立中興大學 台中市<br />
中華民國一百年十二月十日、十一日 論文編號: X00-001<br />
圖六:正常狀態震動訊號的頻譜分佈圖(1730轉)<br />
圖七:不同健康狀態的震動訊號的 MSSE<br />
(轉速為1750rpm)<br />
圖八:不同健康狀態的震動訊號的 MSSE<br />
(轉速為1772rpm)<br />
圖九:不同健康狀態的震動訊號的 MSSE<br />
(轉速為1797rpm)<br />
Multiscale Spectral Entropy As a<br />
Tool for Bearing Health Monitoring<br />
C. C. Wang 1<br />
, C. W. Wu 2<br />
, S. D. Wu 2<br />
, Y. Z. Li 2<br />
1<br />
and F. T. Wu 3<br />
Intelligent System Engineering Division,<br />
Mechanical and System Research Laboratories,<br />
Industrial Technology Research Institute,<br />
2<br />
Department of Mechatronic Technology,<br />
National Taiwan Normal University<br />
Email: sdwu@ntnu.edu.tw<br />
3<br />
AnCad Inc.<br />
Abstract<br />
Entropy based algorithms have been applied to design<br />
the fault diagnosis system for rotary machine in recent<br />
years. In this paper, a new entropy based algorithm<br />
called multiscale spectral entropy is proposed to extract<br />
the features of vibration signal measured from<br />
mechanical system with different healthy conditions.<br />
Bearing fault data sets provided by Case Western<br />
Reserve University (CWRU) have been used to verify<br />
this proposed algorithm. Experimental results<br />
demonstrate the feasibility of the proposed MSSE<br />
algorithm.<br />
Keywords: Fault Diagnosis System, Multiscale Spectral<br />
Entropy.