張榮森

本論文對於現今的機台AI判別提出了新的架構，該架構基於機台的振動變化量之上，並稱此機台振動變化量為衰減係數，透過計算機台之衰減係數，我們可以判斷出機台現在所處的狀態與行為，並且依照所屬的狀態與行為的不同，來計算機台健康程度。由於衰減係數的計算，是透過振動的變化量，而非振動的純量總值，因此該計算模型還可套用在不同的機台上。 本論文透過模擬與實際的數據來驗證以上之理論，從模擬取樣率、衰減率、振動週期之改變來實驗單一變數的情況，對衰減係數的影響，並套用在實際的馬達的運作上，在該馬達運作行程上分為五段，每段行程有著轉速與負載的差異，而透過收取該馬達的原始振動數據，很難以肉眼分辨其差異，但該數據透過衰減係數計算後，其五段不同行為之行程，卻是肉眼可見。因此本論文不僅提供一機台振動狀態判別的方法，透過該方法更能使振動數據具有更高的可讀性與意義，而其極限為振動週期介於2~180秒且感測器取樣週期不可超過750ms之任意機台。