动力设备异常检测装置及其检测方法

1.一种动力设备异常检测装置，该装置包括：
一处理模块，用以接收从该动力设备感测的多个运转信号并依序自各该运转信号撷取多个特征值；
一最优化处理模块，连接该处理模块，该最优化处理模块接收所述特征值，并分类所述特征值以建立多个因素群组，其中，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；以及
一分类诊断模块，连接该最优化处理模块，用以接收所述变异特征值下的该因素群组，并依据一预设规则与所述因素群组发送一状态信号；其中该分类诊断模块依据一预设规则与所述因素群组发送一状态信号具体地包括：根据所述因素群组，利用一类神经网络判断该动力设备运转的一第一运行状态；根据所述特征值，利用一经验法则判断该动力装置运转的一第二运行状态；比较该第一运行状态与该第二运行状态是否相同；当该第一运行状态与该第二运行状态不相同时，根据所述因素群组修正该类神经网络，直到该第一运行状态与该第二运行状态相同；当该第一运行状态与该第二运行状态相同时，根据该预设规则判断该第一运行状态是否异常；若判断该第一运行状态为异常，则发送一异常信号；以及若判断该第一运行状态为正常，则发送一正常信号。
2.如权利要求1所述的动力设备异常检测装置，还包括一警示装置，用以接收该状态信号，并当该状态信号为异常时，通知该动力设备运行发生异常。
3.如权利要求2所述的动力设备异常检测装置，还包括一传输模块，该传输模块连接该分类诊断模块，用以接收该状态信号并通过有线或无线的传输方式将该状态信号发送至该警示装置。
4.如权利要求1所述的动力设备异常检测装置，还包括一存储模块，该存储模块储存该动力设备的所述运转信号。
5.一种动力设备异常检测方法，应用于一动力设备，该动力设备异常检测方法包括：
利用一信号处理方法自该动力设备取得多个运转信号；
自所述运转信号取得对应于各该运转信号的多个特征值；
将所述特征值进行分组，以建立多个因素群组，各该因素群组具有一变异特征值；
根据所述因素群组，利用一类神经网络判断该动力设备运转的一第一运行状态；
根据所述特征值，利用一经验法则判断该动力装置运转的一第二运行状态；
比较该第一运行状态与该第二运行状态是否相同；
当该第一运行状态与该第二运行状态不相同时，根据所述因素群组修正该类神经网络，直到该第一运行状态与该第二运行状态相同；
当该第一运行状态与该第二运行状态相同时，根据一预设规则判断该第一运行状态是否异常；
若判断该第一运行状态为异常，则发送一异常信号；以及
若判断该第一运行状态为正常，则发送一正常信号。
6.如权利要求5所述的动力设备异常检测方法，其中，该运转信号为一振动信号。
7.如权利要求5所述的动力设备异常检测方法，其中，该运转信号为一温度信号。
8.如权利要求5所述的动力设备异常检测方法，其中，该运转信号为一磁通信号。
9.如权利要求5所述的动力设备异常检测方法，其中，该运转信号为一电流信号。
10.如权利要求5所述的动力设备异常检测方法，其中，该运转信号为一电压信号。
11.如权利要求5所述的动力设备异常检测方法，其中，该运转信号为一转速信号。
12.如权利要求5所述的动力设备异常检测方法，其中，该利用该信号处理方法自该动力设备取得所述运转信号的步骤，包括：
感测该动力设备，以取得所述运转信号；
利用一时域转换处理，将该运转信号的一时域数据转换为一频域数据；以及自该频域数据撷取所述特征值。
13.如权利要求12所述的动力设备异常检测方法，其中，该时域转换处理为一离散傅立叶转换处理、一快速傅立叶转换处理、一离散余弦转换处理、一离散哈特利转换处理、一小波转换处理或一功率频率处理。
14.如权利要求5所述的动力设备异常检测方法，其中，该利用该信号处理方法自该动力设备取得所述运转信号的步骤，包括：
感测该动力设备，以取得所述运转信号；以及
将去除噪声后的所述运转信号通过一多尺度熵运算，以取得对应所述运转信号的所述特征值。
15.如权利要求14所述的动力设备异常检测方法，其中，于该感测该动力设备，以取得所述运转信号的步骤及该将去除噪声后的该运转信号通过该多尺度熵运算，以取得对应该运转信号的所述特征值的步骤之间，还包括：
利用小波转换对所述运转信号进行噪声处理。
16.如权利要求5所述的动力设备异常检测方法，其中，该将所述特征值进行分组，以建立所述因素群组的步骤包括：
利用因素分析方法对所述特征值分群，以建立所述因素群组；
依序计算各该因素群组中所述特征值，以取得该变异特征值；以及
保留所述变异特征值大于1的变异特征值。
17.如权利要求5所述的动力设备异常检测方法，其中，该类神经网络为一倒传递类神经网络、一霍普菲尔网络、一径向基底类神经网络、一模糊类神经网络或一函数链路类神经网络。
18.如权利要求5所述的动力设备异常检测方法，其中，该预设规则为一分类列表，该分类列表包括一正常项目及一异常项目，该异常项目包括不平衡情况、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。
19.如权利要求5所述的动力设备异常检测方法，其中，该经验法则为一特征频谱、一门槛设定值、一轨迹图、一包络线或一谐波分析。

动力设备异常检测装置及其检测方法\n技术领域\n[0001] 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。\n背景技术\n[0002] 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。\n[0003] 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。\n[0004] 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。\n发明内容\n[0005] 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。\n[0006] 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。\n[0007] 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。\n[0008] 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。\n[0009] 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。\n[0010] 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。\n[0011] 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。\n[0012] 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)。\n[0013] 用以判断动力设备的运行状态是否异常的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。\n[0014] 于此，当通过类神经网络取得动力设备的运行状态后，可根据上述的预设规则判断此动力设备可能是哪一部份发生异常情况。类神经网络则可采用一倒传递类神经网络(Back Propagation Network，BPN)、一霍普菲尔网络(Hopfield Neural Network，HNN)、一径向基底类神经网络(Radial Basis Function Network，RBFN)、一模糊类神经网络(Fuzzy Neural Network，FNN)或一函数链路类神经网络(Functional Link Neural Network，FLNN)。经验法则为一特征频谱、一临界门槛、一轨迹图、一包络线、一谐波分析或其组合。\n[0015] 因此，通过本发明的动力设备异常检测方法，可通过感测一动力设备的运转信号，并通过因素分析方法简化自运转信号所取得的特征值的数量和大小，可适用于资源消耗较小的微处理器中，直接进行运算处理来判断动力设备的运行状态，无须将所感测到的运转信号传送至后端系统，后端系统仅需要接收判断结果，可达到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的功效。\n[0016] 有关本发明的特征、实施与功效，兹配合图式作实施例详细说明如下。\n附图说明\n[0017] 图1是本发明的动力设备异常检测装置的示意图。\n[0018] 图2A是本发明的动力设备异常检测装置一实施例的示意图。\n[0019] 图2B是本发明的动力设备异常检测装置另一实施例的示意图。\n[0020] 图2C是本发明的动力设备异常检测装置又一实施例的示意图。\n[0021] 图3是本发明的动力设备异常检测方法的步骤流程图。\n[0022] 图4A是图3中步骤S310的一实施例流程图。\n[0023] 图4B是图3中步骤S310的另一实施例流程图。\n[0024] 图4C是图3中步骤S320的步骤流程图。\n[0025] 图5系图3中步骤S340的一实施例的流程图。\n[0026] 主要元件符号说明\n[0027] 100 动力设备异常检测装置\n[0028] 110 感测模块\n[0029] 120 处理模块\n[0030] 130 最优化处理模块\n[0031] 140 分类诊断模块\n[0032] 150 警示装置\n[0033] 160 传输模块\n[0034] 170 存储模块\n[0035] 200 动力设备。\n具体实施方式\n[0036] 请参考图1所示，图1是本发明的动力设备异常检测装置的示意图。动力设备异常检测装置100可为一嵌入式系统晶片或一个人数字助理装置(Personal Digital Assistant，PDA)等数据处理装置，动力设备异常检测装置100设置于一动力设备200并包括一感测模块110、一处理模块120、一最优化处理模块130及一分类诊断模块140。\n[0037] 感测模块110用以感测动力设备100以取得多个运转信号，以马达为例，感测模块\n110除通过振动程度感测动力设备100的振动信号数据外，也取得温度、磁通、电流、转速、电压等马达运行时的运转信号。\n[0038] 处理模块120根据感测模块110所感测到的运转信号，利用一信号处理方法自运转信号中撷取多个特征值。以振动信号来说，处理模块120利用快速傅立叶转换处理方法将运转信号自时域转换成频域，并通过转速换算出振动信号的基频，再依序自频域的振动信号撷取出0.5倍频、1倍频至12倍频，所撷取的倍频信号即为对应振动信号的特征值。\n[0039] 最优化处理模块130连接该处理模块120，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130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。\n[0040] 分类诊断模块140连接该最优化处理模块130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，以判断动力设备的运行情况。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。\n[0041] 请参考图2A所示，图2A为本发明的动力设备异常检测装置一实施例的示意图。动力设备异常检测装置更包括一警示装置150，该警示装置150用以接收该状态信号，并当该状态信号为该异常时，用以通知使用者。警示装置150可为但不限于一振动模块、一发光模块、一显示模块、一声响模块或其组合，以通过振动警示、灯光警示、信息警示或声音警示等方式来通知使用者动力设备200的运行发生异常。\n[0042] 请参考图2B所示，图2B为本发明的动力设备异常检测装置另一实施例的示意图。\n动力设备异常检测装置还包括一传输模块160，传输模块160连接该分类诊断模块140，用以接收该状态信号，并通过有线或无线的传输方式将该状态信号发送至警示装置150。\n[0043] 请参考图2C所示，图2C为本发明的动力设备异常检测装置又一实施例的示意图。\n动力设备异常检测装置还包括一存储模块170，存储模块170用以储存该动力设备200的所述运转信号，当使用者有需要读取动力设备的运转信号来进行进一步的分析，再通过存取存储模块170来取得所需的运转信号。存储模块170可供设置存储卡以储存感测的运转信号，存储卡可为一小型快闪(Compact Flash，CF)存储卡、一微型硬盘(Micro Drive，MD)存储卡、一安全数字(Secure Digital，SD)存储卡、一微型安全数字(Micro SD)存储卡、一多媒体(Multi Media Card，MMC)存储卡、一长条(Memory Stick，MS)存储卡或一微型长条(Micro MS)存储卡。\n[0044] 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自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。\n[0045] 请参考图3所示，图3为本发明的动力设备异常检测方法的步骤流程图。动力设备异常检测方法应用于一动力设备，包括：\n[0046] 步骤S300：利用一信号处理方法自该动力设备取得多个运转信号；\n[0047] 步骤S310：自所述运转信号取得对应于各该运转信号的多个特征值；\n[0048] 步骤S320：将所述特征值进行分组，以建立多个因素群组，各该因素群组具有一变异特征值；\n[0049] 步骤S330：根据所述因素群组，利用一类神经网络判断该动力设备运转的一第一运行状态；\n[0050] 步骤S340：根据所述特征值，利用一经验法则判断该动力装置运转的一第二运行状态；\n[0051] 步骤S350：比较该第一运行状态与该第二运行状态是否相同；\n[0052] 步骤S360：当该第一运行状态与该第二运行状态不相同时，根据所述因素群组修正该类神经网络，直到该第一运行状态与该第二运行状态相同；\n[0053] 步骤S370：当该第一运行状态与该第二运行状态相同时，根据一预设规则判断该第一运行状态是否异常；\n[0054] 步骤S380：若判断该第一运行状态为异常，则发送一异常信号；以及\n[0055] 步骤S390：若判断该第一运行状态为正常，则发送一正常信号。\n[0056] 请参考图4A所示，图4A为图3中步骤S310的一实施例流程图。步骤S310所述的自所述运转信号取得对应于各该运转信号的多个特征值，运转信号包括振动信号、温度信号、磁通信号、电流信号或电压信号。步骤S310包括：\n[0057] 步骤S311：感测该动力设备，以取得所述运转信号；\n[0058] 步骤S312：利用一时域转换处理，将该运转信号的一时域数据转换为一频域数据；以及\n[0059] 步骤S313：自该频域数据撷取多个特征值。\n[0060] 其中，时域转换处理可为一离散傅立叶转换处理、一快速傅立叶转换处理、一离散余弦转换处理、一离散哈特利转换处理、一小波转换处理或一功率频率处理。\n[0061] 以马达的振动信号来说，当振动信号经过快速傅立叶转换处理，基频(谐波)可通过以下公式计算：\n[0062] 第一基频位置＝((1×转速×运转信号的数据长度)/60)×频谱撷取频率；\n[0063] 第二基频位置＝((2×转速×运转信号的数据长度)/60)×频谱撷取频率；以此类推。\n[0064] 举例：假设感测一每分钟1800转的马达，来取得一16千位元组的运转信号，取频率为12千赫兹的频域，则第一基频的位置可为40。\n[0065] 据此，当步骤S311取得一代表马达振动信号的运转信号时，通过步骤S312将运转信号自时域数据转换为频域数据，再依序自频域的运转信号撷取出0.5倍频、1倍频至\n12倍频位置的值，所撷取的倍频信号即为对应振动信号的特征值，这些特征值的数量为24个，并根据倍频的大小分别定义为0.5x、1x、1.5x、2x、2.5x、3x、3.5x、4x、4.5x、5x、5.5x、6x、\n6.5x、7x、7.5x、8x、8.5x、9x、9.5x、10x、10.5x、11x、11.5x及12x。\n[0066] 请参考图4B所示，图4B为图3中步骤S310的另一实施例流程图。相较图4A所示的步骤S310的实施例，图4B所示的步骤S310实施例通过多尺度熵(Multiscale Entropy，MSE)运算来取得运转信号的特征值，此实施例包括：\n[0067] 步骤S314：感测该动力设备，以取得所述运转信号；以及\n[0068] 步骤S315：将去除噪声后的所述运转信号通过一多尺度熵(Multiscale \nEntropy，MSE)运算，以取得对应该运转信号的所述特征值。\n[0069] 步骤S314和S315之间还可包括一步骤S316，步骤S316：利用小波转换对所述运转信号进行噪声处理。主要原因在于经过感测所取得的运转信号可能具有噪声，通过小波转换处理可以达到抑制噪声的功效。\n[0070] 请参考图3及图4C所示，图4C为图3中步骤S320的步骤流程图。待取得所述对应于运转信号的多个特征值(步骤S310)，动力设备异常检测方法再通过因素分析方法简化这些特征值，如步骤S320所述的将所述特征值进行分组，以建立多个因素群组，各该因素群组具有一变异特征值，步骤S320包括：\n[0071] 步骤S321：利用因素分析方法对所述特征值分群，以建立所述因素群组；\n[0072] 步骤S322：依序计算各该因素群组中所述特征值，以取得一变异特征值；以及[0073] 步骤S323：保留所述变异特征值大于1的变异特征值。\n[0074] 通过上述的步骤S321至步骤S323，并搭配上述步骤S310所取得的对应振动信号的特征值为变数，可得到下列表一的结果。\n[0075] 表一\n[0076] \n[0077] 以表一为例子来说明步骤S322是如何取得各因素群组的变异特征值。首先，系将\n24个倍频特征值(0.5x、1x、1.5x、2x、2.5x、3x、3.5x、4x、4.5x、5x、5.5x、6x、6.5x、7x、7.5x、\n8x、8.5x、9x、9.5x、10x、10.5x、11x、11.5x及12x)算出样本共变数矩阵S，共变数矩阵表示如下：\n[0078] \n[0079] 其中var表示变异数，cov表示共变异数。\n[0080] 接着，再从共变数矩阵中算出24个变异特征值λ1，...，λ24，分别为方程式[0081] \n[0082] 的解。所以即可解出λ1＝7.431，λ2＝3.257，λ3＝1.258，λ4＝1.206，λ5＝\n1.124，...，λ24＝0.029，再依照计算结果，将变异特征值大于1作为选取因素群组个数的原则，以表一为例，共计挑出五个因素群组作为类神经网络的输入变数。\n[0083] 而通过因素分析来对特征值分群(步骤S321)，由于每一个倍频特征值在五个因素群组之下都有其负荷值，通过选择在其某一因素群组下最大的负荷值，来表示特征值所属的因素群组。以1X的倍频特征值为例，在因素一的负荷为-0.260，在因素二的负荷为\n0.899，在因素三的负荷为-0.038，在因素四的负荷为-0.092，在因素五的负荷为-0.015，其中又以1X在因素二下的负荷值是五个因素群组当中最大的，亦即1X隶属于因素二的因素群组中。因此，通过相同的方式，可把其余的23个特征值依照最大负荷值分别归类在五个因素群组当中，如表一所列，故因素一下包含了1.5X、4X、4.5X、5X、5.5X、6X、6.5X、7X、\n8.5X、12X；因素二包括1X、2X、2.5X、3X、3.5X、7.5X、8X、9X；因素三包含10X、10.5X；因素四包括11X、11.5X；因素五包含0.5X、9.5X。\n[0084] 如步骤S330所述，分别将利用五个因素组合带入类神经网络来取得第一运行状态。关于类神经网络的建立此为本领域技术人员知悉，于此不加以累述。类神经网络则可采用一倒传递类神经网络(Back Propagation Network，BPN)、一霍普菲尔网络(Hopfield Neural Network，HNN)、一径向基底类神经网络(Radial Basis Function Network，RBFN)、一模糊类神经网络(Fuzzy Neural Network，FNN)或一函数链路类神经网络(Functional Link Neural Network，FLNN)。经验法则为一特征频谱、一临界门槛、一轨迹图、一包络线、一谐波分析或其组合。\n[0085] 同理，步骤S340所述，将特征值利用经验法则判断动力装置的第二运行状态。经验法则乃是依据基础理论所推导的规则，以振动信号为例，经验法则为机械振动基础所推导的振动特性规则，最常见的是对频谱中各变异特征值(亦即特征频谱)搭配临界门槛的组合加以计算，也可使用轨迹图、包络线等方法进一步将变异特征值进行解耦与成分分析，常见的谐波分析也可协助取得边频数据。\n[0086] 于此，步骤S340所采用的经验法则系利用特征值与门槛设定的方法，当特征值超过门槛设定值即可判断动力设备的运行发生异常。\n[0087] 举例来说，假设1X的倍频特征值与2X的倍频特征值的峰值以5毫米每秒\n(millimeter/second，mm/s)为门槛设定值，3X的特征值的峰值则以2毫米每秒为门槛设定值，如图5所示，图5为图3中步骤S340利用经验法则判断动力装置的第二运行状态的一实施例的逻辑流程图。若1X的倍频特征值小于5则判断动力设备正常，反之，在1X的倍频特征值大于5，且2X和3X的倍频特征值同时小于5和2，则判断此动力设备的运行状态发生不平衡的情况。\n[0088] 假设通过类神经网络所取得的第一运行状态和经验法则所取得的第二运行状态相同时(步骤S340)，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。\n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。\n[0089] 步骤S380则根据此预设规则判断第一运行状态是否为异常项目中所纪录的运行情况，藉以判断动力设备是否发生异常的状态。反之，若第一运行状态为正常项目中所纪录的运行情况，则判断此动力设备的运行状态正常。\n[0090] 因此，通过本发明的动力设备异常检测方法，可通过感测一动力设备的运转信号，并通过因素分析方法简化自运转信号所取得的特征值的数量和大小，可适用于资源消耗较小的微处理器中，直接进行运算处理来判断动力设备的运行状态，无须将所感测到的运转信号传送至后端系统，后端系统仅需要接收判断结果，可达到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的功效。