应用类神经网路估测感应电动机温升之研究.doc

啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊本研究旨在应用类神经网路估测感应电动机之温升,透过关联度分析,评估影响感应电动.以做为网路的训练学习.由於本研究的转换函数是采用双弯曲函数(Sigmoid Function),.啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊应用类神经网路估测感应电动机温升之研究啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊應用類神經網路估測感應電動機溫升之研究1應用類神經網路估測感應電動機溫升之研究A study of the Induction Motor Temperature Rise Estimation Using Artificial Neural Networks30曾國雄*Kuo-Hsiung Tseng*蕭宗邦Tsung-Pang Hsiao高文秀Wen-Shiow Kao國立臺北科技大學電機工程系陸茵Ying Lu聖約翰技術學院電子工程系摘要本研究旨在應用類神經網路估測感應電動機之溫升，透過關聯度分析，評估影響感應電動機溫升較大之因子作為輸入變數，來估測感應電動機之溫升。在實務上，溫升試驗要全面測試是有其困難的，通常需歷時13小時。本研究藉由一組已知的無載電流、無載功率、無載功率因數、室內溫度、溫升溫度等資料，經由類神經網路中的倒傳遞網路學習與訓練，再由另外一組無載特性所獲取的無載電流、無載功率、無載功率因數、室內溫度作為輸入變數用來估測溫升，藉以縮短溫升測試時間，作為實際溫升量測時之輔助參考，供研發及製造過程中全面及早發現溫升異常現象，期能提高產品品質，節省製造成本。關鍵詞：類神經網路、感應電動機、溫升、關聯度分析、倒傳遞網路。投稿受理時間：93年3月15日 審查通過時間：93年7月16日Abstract30臺北科技大學學報第三十七之二期This study investigates the temperature rise estimation of induction motor by back-propagation neural network (BPN) approach. The correlation analysis method is utilized to decide the input variables from the more influential factors on the temperature rise of induction motor. In practice, it is difficult to complete the temperature rise test because the test will spend 1-3 hours normally. A set of no-load data, such as no-load current, no-load power, no-load power factor, indoor temperature and temperature rise, are used instead to train the BPN. After training the BPN with the preceding data set, another set of no-load data, including no-load current, no-load power, no-load power factor and indoor temperature, are fed into the system to get the estimation of temperature rise. In this way, the measuring time of temperature rise can be reduced which may provide early discovery of the abnormal temperature phenomenon in the processes of manufacturing. Hence, a better quality of products and less manufacturing cost may be obtained.Keywords:Artificial Neural Networks, Induction Motor, Temperature Rise, Correlation Analysis, Back-propagation Network.6壹、前言由於近年來工業蓬勃發展，電動機成為自動化生產設備中不可或缺的驅動組件，其中包含各型的交、直流電動機。由於直流電動機的數學模式簡單，控制器的設計容易，故以往常為業界所採用。不過由於直流電動機具有體積較大、價格較高、散熱差、維護不易等缺點，現已逐漸為交流感應電動機所取代。交流感應電動機構造簡單、維護容易、轉速範圍廣、價格低廉，加上微處理器的功能日益增強，大幅降低交流感應電動機控制的複雜度，因此逐漸取代直流電動機而被廣泛應用於工業上，成為動力來源的主流1。工廠的機器設備大部分以交流感應電動機作為動力。目前國內生產之交流感應電動機以五馬力以下為主，尤其以一馬力以下者居多。為數不少的小馬力感應電動機廠商直接銷售給家電廠商或工作母機廠商組裝完成後再銷售於市面或外銷到世界各地。感應電動機在正常運轉下，因內部的銅損及鐵損等損失皆轉變為熱量，使電動機溫度升高，因而限制感應電動機所能連續擔任負載容量的大小。感應電動機之容許最高溫度與其所使用的絕緣材料及環境有關。就同一絕緣材料而言，若運轉於比基準周圍溫度40 為高的環境時，必須減少負載輸出，反之可以增加其負載輸出。若周圍平均溫度較低時，則可提高其容許溫度上升限度，或將其構造小型化，以節省製造材料成本。所以溫升的高低會影響負載容量及其製造成本，因此研發技術及製造品質的提升是勢在必行。在感應電動機製造過程（包括機械製造部份及電機製造部份）及組裝過程皆有嚴密的品質管制，組裝完成後須再實施各種電氣特性測試。依中國國家標準（CNS）規定，其性能測試包括無負載特性測試、滿載特性測試、起動電流測試、絕緣耐壓測試、噪音測試、轉矩特性測試及溫升測試。其中溫升試驗是施加額定頻率之額定電壓，在額定輸出下連續負載至溫度上升達到穩定後，依溫度計法或電阻法測定溫升，故費時較久，通常約需13小時。因此除了溫升測試時間較長，無法全面測試外，其他各項性能皆能全面測試。另外，在小馬力感應電動機其自動化生產線上，由於已轉變為大量且連續性之生產型態，故製程品管的技術亦應朝向自動化的目標努力。若能配合不同生產線的特性開發適合的軟、硬體，讓操作者可以即時監控製程，隨時掌握製程異常訊息，必可降低人工成本及人為疏失所造成的嚴重成本損失。應用類神經網路估測感應電動機溫升之研究3本研究主要是應用類神經網路（Artificial Neural Networks，ANN）技術估測感應電動機之溫升，以便及早全面防止溫升異常，並期望能更精準地偵測製程異常訊息，使製程異常訊息的掌握及判讀更為周延。另藉由提昇異常訊息掌控的準確性，可有利於進行製程改善的評估，以供生產線製造者決定是否立即採取製程改善行動2。本研究透過對感應電動機之溫升估測問題探討，進一步瞭解在估測感應電動機之溫升時，影響較大的輸入變數，並利用這些變數來估測感應電動機之溫升。在實務上，溫升試驗要全面測試是有困難的，因此配合感應電動機無載特性測試，希望藉由一組已知的無載電流、無載功率、無載功率因數、室內溫度、溫升等資料，經由倒傳遞網路的學習與訓練後，再由另外一組無載特性試驗所獲取的無載電流、無載功率、無載功率因數、室內溫度作為輸入變數用來估測溫升，藉以縮短溫升測試時間及提早發現異常現象。並期望本法可供研發及製造過程參考，俾能提高產品品質，縮短研發時間，節省製造成本。貳、感應電動機溫升影響分析感應電動機在正常運轉下，因內部的銅損及鐵損皆轉變為熱量，使電動機溫度升高，但藉由傳導、對流及輻射等作用將熱發散，使感應電動機溫度不會無限制的上升。但發散作用的大小，與其周圍溫度有關；當電動機運轉之初，其溫度與周圍溫度相差甚小，故發散的熱亦很小，因此溫度上升很快，經過相當時間後，電動機溫度繼續增加，熱發散作用亦逐漸增強，於是溫度上升會趨於遲緩。一旦發散熱量與發生熱量相等時，感應電動機的溫度即停止上升。故其溫升的最高點是依據負載的多寡而決定，而其所能連續擔任的負載大小，是由容許溫升所限制。在1991年，Srinivasan在其論文中提到電壓閃爍對電動機之起動轉矩、起動電流、轉差率、溫升及負載容量等會造成不良影響3。近幾年來，由於一些重工業採用電力控制的閘流體，產生了大量諧波，不但污染電力系統，更危害電力設備。Cumming在1986年探討系統諧波對鼠籠式感應電動機之損失與溫升問題4。電力諧波源將導致電動機溫升增加，上升加快，尤其以含二次諧波源造成溫升增加最為嚴重。感應電動機在含諧波電源下，是否須減額運轉主要取決於溫度，不同額定的馬達其溫升亦不同，馬力數越小時其溫升值越大，且受諧波的影響越嚴重，故其所須減額運轉量也就越大5。在1954年，Williams發表感應馬達於不平衡電源下的運轉分析；1959年Gafford 提出感應電動機不平衡運轉的溫升情況6。電壓不平衡將導致溫升增加，溫度上升加快，且由欠相電壓造成的電壓不平衡溫升增加的情況最為嚴重。在電力系統中，故障的發生、發電機運轉的不穩定及大電力用戶的負載變化，均會引起頻率的變動。在固定負載下，當電源頻率下降時，其輸入電流會增加，造成馬達繞組溫度升高。頻率降得越低，溫升越高：反之，當頻率升高時，溫升較低。4臺北科技大學學報第三十七之二期參、類神經網路應用於感應電動機溫升估測類神經網路是一種模仿人類神經系統結構及運作方式的資訊處理系統，亦即利用電腦來模仿生物神經網路的處理系統。它可以利用一組訓練範例（即系統輸入與輸出所組成的資料）建立系統模型（輸入與輸出間的關係）。有了這樣的系統模型便可用於推估、預測、決策及診斷。類神經網路是由許多平行運算的簡單處理單元（Processing Element）所組成，這些單元的功能和運作是模仿生物神經系統中之神經元，因此我們能藉由調整單元間之權重值來訓練類神經網路去執行某一特定功能。一般而言，類神經網路根據輸出和目標的比較來調整權重值，直到網路的輸出符合目標即完成訓練7。一、問題闡述感應電動機的溫升與其構造外觀尺寸及負載容量均有關係，本研究利用類神經網路之倒傳遞網路（Back-propagation Network, BPN），估測感應電動機溫升。透過對感應電動機之溫升估測問題探討，進一步瞭解在估測感應電動機之溫升時，造成較大影響之輸入變數，並利用這些變數來估測感應電動機之溫升。利用倒傳遞網路中輸入、輸出與隱藏層的構建，再經由網路的學習與訓練，並配合感應電動機無載特性測試，希望藉由一組已知的無載特性試驗所獲取的無載電流、無載功率、無載功率因數、室內溫度及溫升等資料，經由網路的學習與訓練後，再由另一組未經訓練的無載電流、無載功率、無載功率因數、室內溫度作為輸入變數用來估測溫升，縮短溫升測試時間，全面提早發現異常現象，研發製造較高品質的產品，節省製造成本。倒傳遞網路運用的觀念就是學習輸入變數與輸出值之間的關係，除隱藏層層數、每層神經元數，以及輸出層神經元數對訓練結果有很關鍵的影響外，輸入變數的選擇亦直接影響到學習效果。若採用的輸入變數不適當，不但網路難以收斂，學習的時間增長，更不易得到精確的估測結果。以感應電動機溫升估測而言，可考慮的輸入變數包括輸入電壓、頻率、無載電流、無載功率、無載功率因數、室內溫度等。在決定輸入變數時，通常是利用關聯度分析（Correlation Analysis），或憑藉著操作者的經驗而定。總而言之，並沒有一定建模的規則可適用8。應用類神經網路估測感應電動機溫升之研究5二、數據資料的處理及變數的選定首先，以收集到的原始資料透過倒傳遞網路傳統建模方式進行感應電動機溫升估測，網路輸入變數包括輸入電壓、頻率、無載電流、無載功率、無載功率因數、室內溫度等，輸出變數為溫升溫度。網路訓練輸出結果顯示，估測輸出值整體的平均絕對百分誤差高達23.19%，估測的結果十分不理想。因此，必須確定問題領域中的各因子是否確實有某種關連性。在輸入變數中，有必要考慮輸入電壓、頻率、無載電流、無載功率、無載功率因數、室內溫度等因子對感應電動機溫升估測之影響，並確定那些變數適合當成網路之輸入變數。故本研究以關聯度分析法分析這些因子與溫升間之關聯度以決定其影響9。關聯度分析在多變數分析中扮演極重要的角色。兩個變數之間，可以由關聯度係數來確定兩者之間的關聯度10。一般而言，關聯度的強弱可藉由下列的規則來判定。(1) 1 g 0.7表示兩變數之間有高度的正相關性。(2) 0.7 g 0表示兩變數之間有低度的正相關性。(3) g = 0表示兩變數之間沒有任何的線性相關性。(4) 0 g -0.7表示兩變數之間有低度的負相關性。(5) -0.7 g -1表示兩變數之間有高度的負相關性。若兩變數X和Y之間的關聯度係數為 ， (1) (2) (3) (4) (5) (6)其中 的平均值 = 的平均值= 的變異數 =的變異數=和之間的協方差=和之間的關聯度由以上關聯度分析，得到輸入變數與輸出變數之關聯度係數，其結果顯示於表1。由表1可看出，輸入電壓、頻率兩者與溫升溫度間之關聯度非常低，故只取無載電流、無載功率、無載功率因數及室內溫度等因子作為輸入變數，用來建立新的網路模型。而網路輸入、輸出變數之設定則如表2所示。6臺北科技大學學報第三十七之二期表1輸入變數與輸出變數之關聯度係數輸入變數與輸出變數關聯度係數輸入電壓與溫升溫度之間0.1481頻率與溫升溫度之間0.2846無載電流與溫升溫度之間0.5337無載功率與溫升溫度之間0.5051無載功率因數與溫升溫度之間0.2183室內溫度與溫升溫度之間0.2846表2感應電動機溫升估測之倒傳遞網路變數設定表輸 入 單 元變 數1無載電流2無載功率因數3無載功率4室內溫度輸 出 單 元溫升溫度三、感應電動機溫升估測倒傳遞網路之建立與規劃在估測之前，必須先利用歷史數據建立網路的訓練學習資料，訓練資料建立的優劣直接影響了估測精度。此外，類神經網路內的一些參數，如學習速率（）、神經元數目等對估測精度也佔了極重要的角色。因此，必須在估測之前對訓練資料的選擇與參數的設計予以詳盡的規劃。本研究規劃分述如下：(一)訓練資料選擇倒傳遞網路的性能與訓練資料的建立有極大的關係，得適度將訓練樣本分類，由不同的網路分別學習。因此，本文依感應電動機相數、極數、使用電壓及輸出容量不同分別選擇訓練資料。(二)數值正規化由歷史測試數據獲得網路的訓練資料後，必須將樣本內的數據轉換成網路的訓練輸入值與訓練目標值，以做為網路的訓練學習。由於本研究的轉換函數是採用雙彎曲函數（Sigmoid Function），這種函數當自變數趨於正負無限大時，函數值趨於常數，值域在0，1之間。所以輸入變數與輸出變數必須先經由正規化轉換成介於0到1之間，正規化方法如下10： (7)其中 ：原始數據 ：運算元的上限值 ：運算元的下限值：原始數據的最大值：原始數據的最小值 ：原始數據經轉換後之數據(三)網路參數設計類神經網路中的一些參數，例如學習速率、隱藏層神經元數目以及隱藏層數必須事先規劃。本研究所建構之倒傳遞網路其隱藏層數，各層神經元數以及學習速率等的設定顯示於表3。應用類神經網路估測感應電動機溫升之研究7表3本研究網路參數設定表輸入層神經元數隱藏層神經元數隱藏層層數4102輸出層神經元數學習速率10.001肆、估測結果與討論一、訓練資料蒐集本研究透過東元電機公司歷年來生產線品管過程中，實際溫升試驗所蒐集的資料，作為類神經網路學習訓練測試分析之資料來源。東元電機公司提供了三相0.5hp、2 hp、5 hp感應電動機各種機種資料各100筆。將所收集的樣本資料，經過整理後轉換為類神經網路之輸入值與輸出值。本研究亦採用隨機取樣法（Random Sampling）將全部的樣本資料分成訓練範例與測試範例兩部分，利用這種隨機取樣的方式，可以提高類神經網路的學習效果。二、數據資料的處理及變數的選定首先，將收集到的樣本資料，包括三相0.5 hp、2 hp、5 hp感應電動機各種機種資料各100筆，透過關聯度分析，得到每一種感應電動機輸入變數與輸出變數之關聯度係數如表4、5、6所示。由輸入變數與輸出變數之關聯度係數可看出輸入電壓、頻率兩者與溫升溫度之間的關聯度非常低，因此在感應電動機溫升估測上，輸入電壓、頻率因子並不適合當作影響變因，所以網路輸入變數僅包括無載電流、無載功率、無載功率因數、室內溫度等因子，輸出變數為溫升溫度。三、類神經網路建構本研究採用目前在類神經網路中較為普遍使用的倒傳遞類神經網路，用以建構本研究之網路學習模式。另由關聯度分析，得到輸入變數與輸出變數之關聯度係數。由分析結果可看出，輸入變數與輸出變數之關聯度係數較高者包括無載電流、無載功率、無載功率因數、及室溫等四因子，故輸入層只需使用四個處理單元分別處理無載電流、無載功率、無載功率因數、及室溫等四個輸入變數；而輸出層僅需一個處理單元作為溫升溫度之輸出；隱藏層數通常為一層或兩層才有最佳收斂效果。本測試的程式撰寫規劃流程如圖1所示。表4三相0.5 hp輸入變數與輸出變數之關聯度係數輸入變數與輸出變數關聯度係數輸入電壓與溫升溫度之間0.14809頻率與溫升溫度之間0.28457無載電流與溫升溫度之間0.53369無載功率與溫升溫度之間0.50513無載功率因數與溫升溫度之間0.21832室內溫度與溫升溫度之間0.284578臺北科技大學學報第三十七之二期表5三相2 hp輸入變數與輸出變數之關聯度係數輸入變數與輸出變數關聯度係數輸入電壓與溫升溫度之間0.05707頻率與溫升溫度之間0.61674無載電流與溫升溫度之間0.13688無載功率與溫升溫度之間0.11940無載功率因數與溫升溫度之間0.06454室內溫度與溫升溫度之間0.32756表6三相5 hp輸入變數與輸出變數之關聯度係數輸入變數與輸出變數關聯度係數輸入電壓與溫升溫度之間0.02554頻率與溫升溫度之間0.26741無載電流與溫升溫度之間0.32632無載功率與溫升溫度之間0.22008無載功率因數與溫升溫度之間0.14864室內溫度與溫升溫度之間0.10859四、訓練模擬多筆同時估測結果(1)三相0.5 hp、2 hp、5 hp多筆估測一:（訓練範例79筆，測試範例5筆）將三相0.5 hp、2 hp、5 hp 原始資料79筆當訓練模擬資料，5筆當估測測試資料。由於原始資料中使用輸入電壓有部分為380、440及460伏特，其餘大部分為200、220及240伏特，因為資料不是單純的同一機種，且有部分資料在收集及建立過程中可能稍有異常，因此在訓練過程中需要二層隱藏層，以便過濾雜訊。如果盡可能選用200240伏特電壓之機種資料，其估測結果之平均絕對百分誤差分別為 14.62 %、18.12 %、13.74 %，如圖2所示。如果把異常資料刪除時，則其估測結果之平均絕對百分誤差分別為 12.63 %、15.89 %、7.74 %，如圖3所示。(2)三相0.5 hp、2 hp、5 hp 多筆估測二:（訓練範例65筆，測試範例30筆）在未刪除異常資料之情況下，將原始資料中之65筆當訓練模擬資料，30筆當估測測試資料（內含25筆已訓練過之資料），其估測結果之平均絕對百分誤差分別為 15.13 %、15.25 %、9.31 %，如圖2所示。如果把異常資料刪除，將59筆當訓練模擬資料，30筆當估測測試資料（內含25筆已訓練過之資料），則其估測結果之平均絕對百分誤差分別為 3.25 %、14.15%、7.06 %，如圖3所示。應用類神經網路估測感應電動機溫升之研究9感應電動機無載特性試驗數據及溫升資料收集建立輸入輸出實測數據矩陣資料檔載入訓練輸入值及目標值,載入估測輸入值數據正規化轉換使用newff指令創建三層前饋BPN網路：4個輸入1個輸出隱藏層10個神經元設定網路參數：學習速率lr=0.001、學習次數epochs=6000、性能目標goal=訓練學習判斷性能目標值是否低於設定值？訓練結果輸出及估測結果輸出繪製估測溫升溫度曲線圖否是圖1程式撰寫規劃流程圖五、訓練模擬單筆估測結果(1)三相0.5 hp、2 hp、5 hp 單筆估測一:（訓練範例79筆，測試範例5筆，每次估測1筆）將三相0.5 hp、2 hp、5 hp 原始資料79筆當訓練模擬資料，5筆當估測測試資料，每次估測1筆，以原始資料當訓練模擬估測資料，其估測結果之平均絕對百分誤差分別為 12.46 %、16.49%、4.53 %，如圖2所示。如果把異常資料刪除時，則其估測結果之平均絕對百分誤差分別為 5.25 %、8.96%、5.73 %，如圖3所示。(2)三相0.5 hp、2 hp、5 hp 單筆估測二:（訓練範例79筆，測試範例26筆，每次估測1筆）在未刪除異常資料之情況下，將原始資料中之79筆當訓練模擬資料，26筆當估測測試資料（內含25筆已訓練過之資料），其估測結果之平均絕對百分誤差分別為 12.46 %、6.97%、5.31 %，如圖2所示。如果把異常資料刪除時，66筆當訓練模擬資料，26筆當估測測試資料（內含25筆已訓練過之資料），則其估測結果之平均絕對百分誤差分別為6.12 %、6.15%、4.06%，如圖3所示。經由上述實例模擬結果分析，可得如下重要的發現：(1)資料的收集影響估測結果甚鉅。採用篩選過（刪除異常資料）資料訓練估測所得之整體平均絕對百分誤差（如圖3所示），顯然比採用原始（未刪除異常資料）資料所得誤差低（如圖2所示）。(2)單筆估測方式所得之整體平均絕對誤差低於10%（分別為5.25 %、8.96%、5.73 %及6.12 %、6.15%、4.06%）。驗證本研究所提之倒傳遞類神經網路應用於感應電動機之溫升有準確的估測能力。10臺北科技大學學報第三十七之二期圖2以原始資料訓練估測結果綜合比較圖3以篩選過資料訓練估測結果綜合比較註：A-多筆估測一：每次多筆資料同時估測B-多筆估測二：每次多筆資料同時估測（含已訓練過資料）C-單筆估測一：每次估測1筆資料D-單筆估測二：每次估測1筆資料（含已訓過資料）(3)本研究所提出之估測方式較適用於同一規格機種之感應電動機，若馬力數相同而非屬同一規格機種，將會影響估測結果之準確性。伍、結論與建議本研究利用倒傳遞類神經網路來估測感應電動機之溫升。經模擬驗證，其中單筆估測方式所得之整體平均百分絕對誤差低於10 %，證明倒傳遞類神經網路對於感應電動機之溫升有不錯的估測能力。經由本研究訓練估測結果顯示，資料的收集方式影響估測結果甚鉅，因此最好是使用較精密的量測儀錶收集資料。此外，本研究所提出之估測方式較適用於同一規格機種。而模擬結果顯示單筆估測方式又較多筆估測方式有效。由於本研究所收集之資料，馬力數相同者然非屬同一規格機種，因此影響估測結果之準確性，且資料量亦稍嫌不足，不過其誤差值仍在合理範圍內。因此，倘能針對單一規格機種小馬力感應電動機作測試，且又提供足夠樣本數量，則估測效果應會更臻理想。未來希望能尋得小馬力感應電動機生產工廠，收集較多有效樣本進行估測。此外，亦可結合電腦自動量測系統，配合適當的人機介面整合，讓操作者可以即時監控製程，隨時掌握製程異常訊息，以降低人工成本及人為疏忽所造成的嚴重成本損失，如此對於小馬力感應電動機製造品質的提昇，定能有所助益。另尚可評估本估測方法是否適合作為實際溫升量測時之輔助參考，若能藉由本法縮短溫升測試時間，並提供研發及製造過程中全面提早發現溫升異常現象，則必可大幅減低製造成本。應用類神經網路估測感應電動機溫升之研究11謝誌感謝東元電機公司提供本研究測試分析之資料來源及研究進行期間給予寶貴的實務經驗，使本文得以順利完成，特此致謝。參考文獻1魏經緯，感應電動機參數估測，碩士論文，淡江大學電機研究所，台北，2000年。2鄭玉宙，類神經網路應用於降低武器及彈藥測試成本之研究，碩士論文，國防大學中正理工學院，桃園，2001年。3K. Srinivasan, “Digital Measurement of Voltage Flicker,” IEEE Transactions on Power Delivery, Vol.6, No.4, pp. 1593-1598, Oct. 1991.4P. G. Cumming, “Estimating the Effect of System Harmonic on Losses and Temperature Rise of SquirrelCage Motors,” IEEE Transactions on Industry Applications, Vol.22, No.6, pp.1121-1126, March 1986.5李清吟、古碧源、陳世昌、吳俊達、王志傑、陳文永、鄭書文、王新喜，電力諧波對三相感應電動機之影響，中華民國第十七屆電力工程研討會論文集，第701-705頁，新竹，1996年。6B. N. Gafford, W. C. Duesterhoefl J. R. and C. C Mosher, . “Heating of Induction Motors on Unbalanced Voltages,” Power Apparatus and Systems, Vol. PAS-78, pp. 282-297, June 1959.7羅華強，類神經網路Matlab的應用，新竹：清蔚科