emd故障診斷方法有哪些不足之處

A. 召喚英語達人來翻譯~~~~機械專業的~專業的很阿~~2

時域平均可最受歡迎[1]傳統工藝的局部性故障檢測. 它強大的壓制噪音等非同步組件的局限性,但它通常需要一 為配合平均參考信號. 最近一項重大發展變速箱診斷應用時頻分析. 它能夠揭示時變譜信號頻率超過程度,因此可充分克服 在很大程度上弊端的傳統技法. 到目前為止,大多數研究時頻分析方法,小波是變速箱故障診斷. 一直表現得比較有效地揭示了振動暫態特徵與變速箱故障局部性 (見[2]詳情). 然而,傳統的時頻分析技術各有其局限性[3]. 完善技術、黃等. [4]提出一種新方法. 用這種方法分解一個信號,所謂經驗模式分解(EMD)變為有限總和稱為組件 內在模函數(基金). 然後採用希爾伯特變換的疊加領取時頻叫希爾伯特譜. 這種方法是一個突破,相對於傳統的時頻分析技術 它不是以預先指定的基礎功能或過濾,而是直接分解信號提取當地 能源與內在時間尺度的信號本身. 所以它的適應性,因此可以描繪時頻特徵信號. 這種方法被稱為正Hilbert-Huang變換(HHT的)在文學. 這已被實踐證明卓有成效的各種應用,例如,[5-7]. 最近, 近兩本研究的作者及其合作者[8]提出了B樣經驗模式分解方法 (布-分解). 這一做法,[8]討論,更適合處理數學問題的HHT的. 本研究分為兩個方面. 一是改善局部變速箱故障診斷用HHT的包括原、 B樣分解. 二是研究績效的布-分解處理實際問題, 這反過來將有助於進一步對HHT的數學學習. 在第2和原B樣分解方法簡要回顧. 然後在第3、研究性質的B樣分解為濾波器、 這是雙方感興趣的理論研究和應用. 在第4、 我們用兩個分解方法和希爾伯特譜偵破一裂齒比較 他們的演出,連續小波變換. 結論是在第5

B. 齒輪箱故障檢測

1. 經典譜分析方法，又可分為時域分析法和頻域分析法。
時域分析法通常指用時域波形計算出參數指標，它是最簡單的分析方法，通常適用於明顯的周期信號、瞬態沖擊信號、簡諧振動信號。該法實用性較強，但對復雜結構和故障耦合信號處理能力較差，屬於故障處理的初級階段。
頻域分析法是基於1807年傅立葉提出的傅立葉變換（Fourier transform，FT）的最基本的信號處理方法。FT的缺點是缺乏信號局部信息，只適合線性平穩信號的分析。主要有包絡分析（enveloping analysis）、全息譜分析（holospectrumanalysis）、細化譜分析（zoom spectrum analysis）、倒譜分析（cepstrum analysis）、高階譜分析（higher orderspectrum analysis）等。
當齒輪箱出現故障時，其振動信號中包含的故障信息通常以調制的形式出現，提取故障信息就是將故障信號從高頻調制信號中解調出來。包絡解調又叫解調譜分析，常用方法有希爾伯特變換解調、循環平穩解調、能量運算元解調、絕對值分析解調、平方解調、檢波濾波解調等。
1989年，L.S.Qu等提出了全息譜分析。它是基於FT，將求得的不同通道信號的振幅、頻率、相位信息進行集成的方法，觀察更直觀。
細化譜分析是增加頻譜中某些部分頻率解析度的分析方法。
倒譜是信號的FT譜經對數運算後再進行傅立葉反變換的分析方法，它對信號傳遞路徑的影響不敏感。
高階譜是分析非平穩信號的一種方法，是處理非線性、非高斯信號的一種有力的頻域處理工具，它能夠定量描述信號中的非線性相位耦合特徵，理論上有降噪作用，是近年來研究熱點之一。
頻域解調分析的局限性：（1）多故障診斷中的比較接近的高頻成分相互交叉；（2）解調過程中，會將不包含故障信息的兩個頻率之差作為調制頻率解調出來；（3）檢波濾波解調易造成混頻效應。這些現象都易造成誤診。
2. 時頻分析法
FT的目的是將時域信號轉換到頻域進行分析，其中時域和頻域是相互獨立的，主要適用於平穩信號。FT不能反應信號頻率的時間特性。所以時頻分析是齒輪箱故障分析的有效方法。主要時頻分析方法有Wigner-Ville分布、短時傅立葉變換、小波分析、局部特徵尺度分解、局域均值分解、經驗模態分解、Hilbert-Huang變換、最小熵反褶積等。
1932年E.P.Winger提出時頻聯合分析概念，並應用於量子力學。1948年J.Ville提出Wigner-Ville分布（Wigner-Ville Distribution，WVD）,WVD具有較好的時頻聚集性和很好的時頻解析度，但WVD存在交叉項，給信號的識別帶來困難。如何消除交叉項是WVD研究的重點。
1947年R.K.Potter、G.Kopp和H.C.Green等提出短時傅立葉變換（shot time Fourier transform，STFT）。STFT本質上是一個加窗的FT，使用滑動窗截取信號，然後對截取的信號再進行FT,這樣可以得到任意時刻的頻譜。通過加窗可以將時變的非平穩信號在一小段時間內看作近似不變的，所以適用於緩變的非平穩限號。STFT是最小熵反褶積線性時頻變換。
1977年Ralph Wiggins提出最小熵反褶積法（minimum entropydeconvolution，MED）,對卷積求解具有劃時代意義，2007年N.Sawalhi首先將該方法應用與故障診斷。它是以最大峭度作為迭代終止條件尋找一個最優的逆濾波器，進而提高信號的信噪比。
1984年法國地球物理學家Morlet在研究地球物理信號時首次提出小波變換（wavelet transformation，WT）。WT本質上是在信號上加一個變尺度滑動窗截取信號進行頻譜分析，這克服了STFT的窗寬度不變到來的缺陷。WT的主要缺點是小波基函數的選擇至今沒有一個合適的判斷標准和選擇依據，這可能會歪曲原信號本來的物理特徵。
1998年N.Huang、Z.Shen、S.R.Long提出經驗模態分解法（empirical mode decomposition，EMD）,適用於非線性和非平穩信號的分析,之後進一步提出Hilbert-Huang變換。它從局部時間尺度出發，得到不同尺度的本徵模態函數，且能獲得比WT更高的時頻解析度。EMD主要問題是模態混淆、端點效應、欠包絡和過包絡等問題。解決這些問題是目前的研究方向之一。

C. 什麼原因會造成定子端部繞組短路

防止定子繞組相間短路的措施。嚴格執行操作票和操作監護制度，嚴防誤操作事故。如帶負荷拉發電機出口隔離開關、非同期並列、帶接地線合閘等誤操作。嚴防小動物造成發電機出口短路。電纜溝的孔、洞、門窗（尤其是發電機出口母線和一次設備的網門）應堵死和關閉，防止小動物進入。加強對發電機巡視檢查，發現發電機有異常聲響、有絕緣燒焦味、軸承嚴重漏油甩油、空氣冷卻器漏水等異常情況，應立即查明原因，並及時處理。對空氣冷卻器應定期檢查，水壓表、進水出水閥門應正常，冷卻器水管及端蓋應無漏水，空氣冷卻器操作時應防止水管超壓漏水，檢修時應按規定做水壓試驗。經常檢查發電機接頭絕緣有無過熱變色、焦枯、流膠流錫以及端部絕緣磨損等異常情況，發現問題，及時處理。

D. EMD是什麼縮寫

經驗模態分解(Empirical Mode Decomposition, 簡稱EMD))方法是由美國NASA的黃鍔博士提出的一種信號分析方法.它依據數據自身的時間尺度特徵來進行信號分解, 無須預先設定任何基函數。這一點與建立在先驗性的諧波基函數和小波基函數上的傅里葉分解與小波分解方法具有本質性的差別。正是由於這樣的特點, EMD 方法在理論上可以應用於任何類型的信號的分解, 因而在處理非平穩及非線性數據上, 具有非常明顯的優勢。所以, EMD方法一經提出就在不同的工程領域得到了迅速有效的應用, 例如用在海洋、大氣、天體觀測資料與地震記錄分析、機械故障診斷、密頻動力系統的阻尼識別以及大型土木工程結構的模態參數識別方面。 經驗模態分解(EmpiilMdDmpiti簡稱EMD)法是美籍華人NdE，Hunag等人於1998年提出的，適合於分析非線性、非平穩信號序列，具有很高的信噪比。該方法的關鍵是經驗模式分解，它能使復雜信號分解為有限個本徵模函數(IntrinsciMdoe Funcotin，簡稱IMF)，所分解出來的各IMF分量包含了原信號的不同時間尺度的局部特徵信號。經驗模態分解法能使非平穩數據進行平穩化處理，然後進行希爾伯特變換獲得時頻譜圖，得到有物理意義的頻率。與短時傅立葉變換、小波分解等方法相比，這種方法是直觀的、直接的、後驗的和自適應的，因為基函數是由數據本身所分解得到。由於分解是基於信號序列時間尺度的局部特性，因此具有自適應性。
對數據信號進行MED分解就是為了獲得本徵模函數，因此，在介紹MED分析方法的具體過程之前，有必要先介紹EMD分解過程中所涉及的基本概念的定義:本徵模函數，這是掌握EMD方法的基礎。
本徵模函數
在物理上，如果瞬時頻率有意義，那麼函數必須是對稱的，局部均值為零，並且具有相同的過零點和極值點數目。在此基礎上，NordneE.Hunag等人提出了本徵模函數(IntrinsciMdoeFunctino，簡稱IMF)的概念。本徵模函數任意一點的瞬時頻率都是有意義的。Hunag等人認為任何信號都是由若干本徵模函數組成，任何時候，一個信號都可以包含若干個本徵模函數，如果本徵模函數之間相互重疊，便形成復合信號。EMD分解的目的就是為了獲取本徵模函數，然後再對各本徵模函數進行希爾伯特變換，得到希爾伯特譜。 Hunag認為，一個本徵模函數必須滿足以下兩個條件: (1)l函數在整個時間范圍內，局部極值點和過零點的數目必須相等，或最多相差一個; (2)在任意時刻點，局部最大值的包絡(上包絡線)和局部最小值的包絡(下包絡線) 平均必須為零。 第一個條件是很明顯的，它與傳統的平穩高斯信號的窄帶要求類似。對於第二個條件，是一個新的概念，它把經典的全局性要求修改為局部性要求，使瞬時頻率不再受不對稱波形所形成的不必要的波動所影響。實際上，這個條件應為「數據的局部均值是零」。但是對於非平穩數據來說，計算局部均值涉及到「局部時間尺度」的概念，而這是很難定義的。因此，在第二個條件中使用了局部極大值包絡和局部極小值包絡的平均為零來代替，使信號的波形局部對稱。Huang等人研究表明，在一般情況下，使用這種代替，瞬時頻率還是符合所研究系統的物理意義。本徵模函數表徵了數據的內在的振動模式。由本徵模函數的定義可知，由過零點所定義的本徵模函數的每一個振動周期，只有一個振動模式，沒有其他復雜的騎波;一個本徵模函數沒有約束為是一個窄帶信號，並且可以是頻率和幅值的調制，還可以是非穩態的;單由頻率或單由幅值調制的信號也可成為本徵模函數。
EMD方法的分解過程
由於大多數所有要分析的數據都不是本徵模函數，在任意時間點上，數據可能包含多個波動模式，這就是簡單的希爾伯特變換不能完全表徵一般數據的頻率特性的原因。於是需要對原數據進行EMD分解來獲得本徵模函數。 EMD分解方法是基於以下假設條件:(1)數據至少有兩個極值，一個最大值和一個最小值;(2)數據的局部時域特性是由極值點間的時間尺度唯一確定;(3)如果數據沒有極值點但有拐點，則可以通過對數據微分一次或多次求得極值，然後再通過積分來獲得分解結果。這種方法的本質是通過數據的特徵時間尺度來獲得本徵波動模式，然後分解數據。這種分解過程可以形象地稱之為「篩選(shitfing)」過程。 分解過程是:找出原數據序列X()t所有的極大值點並用三次樣條插值函數擬合形成原數據的上包絡線;同樣，找出所有的極小值點，並將所有的極小值點通過三次樣條插值函數擬合形成數據的下包絡線，上包絡線和下包絡線的均值記作ml，將原數據序列X(t)減去該平均包絡ml，得到一個新的數據序列h，: X(t)-ml=hl 由原數據減去包絡平均後的新數據，若還存在負的局部極大值和正的局部極小值，說明這還不是一個本徵模函數，需要繼續進行「篩選」。

E. 麻煩說說EMD有什麼地方不好~

問題:
1. 分量c1,c2,c3...cn分別包含了從高到低不同的頻率斷,每一段頻率成分是不同的,而且隨信號x(t)變換而變化,rn則表示了信號x(t)的中心趨勢

對於這句話 有點不解 c1 c2...cn是不是嚴格按照頻率從高 到低, 而且rn說表示中心趨勢 我看有的說誤差 看來應該是分情況而定的把??

2. 對於黃的程序 暫時我沒有仔細研讀啊 ,不知道他在對於emd缺點改進方面作了那些工作,此程序在對於emd的改進如何,更確切的說 這個程序的可用度如何, 更適合分析甚麼信號!

通過看imf定義,可以看到 它對於具有調幅和調頻的信號 對稱信號 處理應該是比較不錯的,但是實際信號 比如地震信號 時域波形應該畸變 不是標準的正弦波 或者於弦 ,而我門在舉例子的時候 都傾向於 舉一標準的正於弦 或者 調幅 調頻,如果舉雜訊的例子,結果又會怎麼樣那??

3. 對於現在搞emd的都在對黃的程序,在改進 ,結果也出了不少文章 ,在故障診斷這塊 ,作的不錯的 湖南大學於老師 在機械繫統與信號處理 發過3-4篇 文章, 演算法作了改進 ,主要故障設計 齒輪 和軸承 ,這些信號 大家都清楚 出現調幅調頻的幾率比較達大,處理起來效果應該還可以,但是對於別的故障,不知道大家有沒有試驗過,如果轉速變化比較大,所採集的波形波動比較大時,效果是不是還比較好呢?? 我現在還是覺得 信號略處於穩態的 處理效果比較好些, 期待大家 討論?
答案1. c1 c2 ... cn 的確是嚴格按照頻率從高到低產生的，不過這里有一個誤區，其意思並不是說c1的頻率一定比c2的高，正確的理解是c1中的某個局部的頻率比c2中相同局部的頻率要高，這也正好反映了EMD演算法局部性強的本質所在，也跟黃的說法「相鄰的分量可能包含相同時間尺度的振盪，但是相同時間尺度的振盪絕對不會出現在兩個不同的IMF分量的同一個位置」一致。至於分解過程造成的誤差（主要是包絡方式的選取、邊界效應的處理和濾波停止條件的設計），會不斷累積到下一層分解中，並不一定是最後一個餘量（趨勢項）。

2.
a) 黃的源程序其實我們都沒有得到（這個不是免費的，因為黃已經在NASA中申請了專利），一般大多數人使用的都是Flandrin提供的源代碼，也就是LS提到的G.Rilling的方法（之所以有兩種不同說法是因為網站提供的源代碼是Flandrin的，但是emd.m提到的文章是G.Rilling作為第一作者的，也許外國人不像我們那樣通過次序來區分貢獻，呵呵）。程序基本上可靠，可以用來分析各種數據，但是效果如何，就要看是否滿足你的需要了。至於適合什麼樣的數據，現在還沒有定論，其一，EMD演算法還沒有建立一個合適的數學模型，也就缺乏嚴格的數學基礎，很多諸如收斂性、唯一性、正交性等數學問題根本無法進行，甚至連「什麼信號能進行EMD分析」目前也無法解釋。其二，演算法本身是操作性的，到目前為止也是經驗的（正如演算法的名稱一樣），在沒有找到其理論支撐之前，無從考究。其三，一種演算法，不可能對任何信號都有效，所以不要指望EMD可以處理任何信號。

b) 從IMF的定義看的確要求IMF是對稱的，但是這不意味著要求信號本身具有這樣的特性，也並不要求信號是正弦、餘弦等的合成，我想，之所以EMD能引起那麼多人關注，除了所謂的「傳銷」得當以外，更重要的是它在實際中的表現，如果只能處理規則的信號，那麼它的影響（包括好的和也許壞的）遠不可能如此成功。

c) EMD從高到低產生各IMF的特性就意味著它可以用來去噪，而並非在使用EMD之前用其他方法進行雜訊處理。舉個例子吧，我這段時間做的腦功能激活區檢測，本質上就是去除信號的雜訊，把原始的刺激恢復出來的這么一個過程。實現結果是很不錯的，無論對於加性的服從規則分布（例如高斯分布、均勻分布等）的隨機信號，還是對於乘性的服從規則分布（我只測試了poisson分布）的隨機信號。當然了，後者的結果當然比不上前者，不過足以超過用於檢測的傳統方法。個人認為EMD之所以在實際中那麼有效，是因為它能處理非平穩、非線性的時間序列。

3. 目前對EMD方法的改進分為兩個方面，一個是實驗層面的，另一個是理論層面的，相對來說，後者少之又少。
a) 前者主要包括是兩個部分。實際上，這是大家在利用EMD進行信號分解時採取的一些主觀規則。其一是根據對零均值條件的主觀理解，使用了不同的方法作為IMF濾波停止條件；其二是利用三次樣條計算信號的上、下包絡時，根據信號兩端的走勢，使用了特定的端點延拓方法。當使用EMD進行非平穩和非線性信號分解時，在上述兩點上使用不同的規則將導致不同的EMD分解結果。2003年G. Rilling等人對Huang的EMD演算法進行的改進就屬於第一種，個人認為該條件比Huang原來的條件合理。而國內學者諸如2001年鄧擁軍等提出的神經網路方法、2003年黃大吉等提出的鏡像閉合法和極值點延拓法以及2004年劉慧婷等提出的多項式擬合演算法等，是屬於第二種。至於這兩年的研究成果，我還沒有整理，呵呵。

b) 後者主要是2004年諶球輝等人提出利用「滑動平均」的方法代替傳統的「包絡平均」的方法來求出信號的低頻。他們試圖藉助B樣條函數已有的良好性質來為建立EMD的數學基礎作進一步推進。另外，2006年初黃對EMD演算法得到的IMF提出了一個後處理演算法（本質上是對IMF進行規范化），其目的是為了更加准確的得到瞬時頻率和振幅（個人認為這才是真正的包絡和瞬時頻率，來京之前我試圖從局部意義上來證明這個演算法的收斂性，但只得到階段性結果，最近聽說我的一個師弟已經從全局意義上基本上證明出來了，待我回去以後再看看具體成果吧，呵呵），演算法的思想是把兩者盡量分開，把調幅的影響從調頻中脫離出來。該處理方法完全拋棄了Hilbert變換，使得瞬時頻率和瞬時振幅更加准確、更有意義

總的來說，EMD乃至HHT雖然有很多缺點，但是也並非一無所用，在理論上的證明和進一步完善需要更多的關注，而在實驗中的用處就看你的需要和如何發揮它的潛力了。

F. 方太抽油煙機EMD21A和EMD20A.M有什麼區別

首先，油煙機是一個特別暴利的產品，俗話說的順口溜：鐵皮加電機，利潤超飛機；中國式廚房一般建議裝頂吸式，也可以根據自己的實際情況自行決定

2、另外，購買油煙機的時候不建議太迷信品牌或簡單的認為價格越高越好，根據自己的實際情況選擇合適的價位就好了

3、還有就是並不是功能越多的就越好，油煙機還是建議簡單點的比較好，越復雜的機型若是出現故障維修起來費用就越高

4、總之，選購的時候功能簡單化，價格平民化，不建議購買一千塊以上的油煙機，土豪請隨意！油煙這種東西並不管你價格高低都會出現油泥，時間久了都要清理，不用買的太貴，用三五年就換新就好了

以上僅供參考，本人是小家電銷售從業十餘年，可以給朋友們提供一些小家電選購的意

G. 由於電瓶沒電，關機導致的kuka機器人所有零點丟失，要想找回零點應該用哪種方式

因為電池沒電，斷電時機器人無法儲存位置數據，所以會出現開機零點丟失。

這種情況不存在找回零點的說法，因為庫卡採用的是增量式編碼（極少數小機器人除外）。

需要做的是重新校正零點，其實就是讓機器人再次進行編碼器位置與機械零點的耦合。

千分表選項需要人工找到零點位置，然後按校正按鈕。靠的是人肉眼讀取千分表示數最小值，通過千分表找到零點標定槽最低點也就是機械零點。

EMD是庫卡推出的官方校零工具，只要移動機器人到預標定位置，EMD可以自動找到零點並記錄，精度高，無人為誤差。

推薦使用EMD，需要EMD可以讓庫卡銷售擔保，從服務部借用。也可以向你們的設備商借用。也可以向庫卡購買零點千分表基座，用自己的千分表來校零。

H. 判斷訓練後身體疲勞的基本方法有哪些

訓練後身體疲勞的判斷，通常根據自我感覺、體表特徵和客觀指標，也常採用一些比較客觀的生理和心理測試方法。

1、自我感覺。疲勞時，人會感到肌肉僵硬、局部酸痛、四肢無力、呼吸急促、胸部發悶、力不從心。在恢復過程中，上述疲勞感逐漸減輕或消失。但一部分訓練任務常常是在自我感覺疲勞時進行的，沒有這個過程就不能對機體產生足夠深度的刺激，以實現更高機能水平的適應。

2、外部特徵。這是組訓者常用的判斷受訓者疲勞程度的方法。在訓練過程中，如果受訓者面色蒼白，眼神無光，連打哈欠，反應遲鈍，精神不集中，動作失調、錯誤增多，技術規格下降等，可初步判定疲勞已達到一定程度。

3、客觀指標。主要指骨骼肌的指標：肌肉力量、肌肉硬度和肌電圖，循環系統指標包括心率，進行大負荷訓練時期，如基礎心率較平時增加10次/分以上，則認為有疲勞現象，如連續幾天持續增長，表明疲勞累積，應調整運動負荷；如運動後心率恢復到以前狀態的時間延長則可視為疲勞。

(8)emd故障診斷方法有哪些不足之處擴展閱讀：

緩解運動疲勞的方法：

1、整理活動要重視

運動過後身體處於疲勞的狀態，此時運動過後的恢復就顯得尤為重要。很多人往往會忽視這一點，導致運動過後長時間的精神萎靡。這不僅降低了健身的效果，也嚴重影響了生活和工作的質量，而且還會加大受傷的風險。因此，運動結束後一定要進行10~15分鍾的整理運動。

2、健身後進行洗浴

不僅可以清潔皮膚，使心情愉悅，還可以促進血液循環，加速體內代謝廢物的排出，促進疲勞的消除。但不要運動一結束就沖向浴室洗澡，這很容易影響身體的血液循環，增加心臟的負擔。

3、進食和休息

食物的攝取應以蛋白質、糖、維生素和無機鹽為主。攝入量應該因人而異。

I. 請教世界上哪幾種戰機用發動機最先進

世界十大軍用戰斗機航空發動機排名，中國三款型號上榜

第一名：F135渦扇發動機 國家：美國

F135渦扇發動機

殲31目前裝備的發動機就是RD93發動機

RD-33改良型，提升渦輪前的燃燒溫度，同時也提高推力輸出。使用在MiG-29K與MiG-29M上。

RD-93（俄文為PД-93）加力式渦輪風扇發動機是在RD-33（俄文為PД-33）的基礎上，為適應飛機設計的需要，將上置的附件機匣改為置於發動機下部的改進型，發動機中各部件的結構（除適應附件機匣位置改動而帶來的中傳動裝置中從動錐齒位置有變動外）兩型完全一樣。

J. 東芝電梯怎麼查故障

故障碼 出錯檢查主題(01-FC)

故障碼

說明及處理方法

1 SMA 故障

故障碼處理方法 Data 3~~7

SMA 故障 3=0 bit : SXA $ FLG 1bit : XSMA $FLG

4=CAR positioned Floor

2 SMB 故障

故障碼處理方法 Data 3~~7

SMB 故障 3=0 bit : SXB $ FLG 1bit : XSMB $FLG

4=CAR positioned Floor

3 SMC 故障

故障碼處理方法 Data 3~~7

SMC 故障 3=0 bit : SXC $ FLG 1bit : XSMC $FLG

4=CAR positioned Floor

4 SMD 故障

故障碼處理方法 Data 3~~7

SMD 故障 3=0 bit : SXD $ FLG 1bit : XSMD $FLG

4=CAR positioned Floor

5 SME 故障

故障碼處理方法 Data 3~~7

SME 故障 3=0 bit : SXE $ FLG 1bit : XSME $FLG

4=CAR positioned Floor

6 因為SM 故障導致 SMSI 導通

故障碼處理方法 3 = EDH $ LFL or EMD $ LFL

SM 故障 因為 SME 故障 , 使馬達反轉

10 BLXA BKD 及 XBK 使到制動 不正常

故障碼處理方法 順序檢查CC XBK BK 會影響到 BLXA

10 制動器開動 BK = ON 1BK 需要 OFF

11 制動器關閉 BK = OFF 1BK 需要 On

11 BLXA BKD 及 XBK 使到制動 不正常

12 PUL XBK 訊號相反 使到制動 不正常

故障碼處理方法 順序檢查 XBK 影響到 BKD

12 制動器開動 邏輯順序信號異常

13 制動器關閉 檢查 BKD 回應信號

13 BKD 訊號反應不正常

20 7LS , 8LS 反應不正常

故障碼處理方法 上行及下行限位開關出錯

20 限位開關問題 SLD ON LS 7 LS 8 ON

21 起動 , 驅動 及 停車 脈動訊號不正常

故障碼處理方法 電梯上下運行不停中間樓層

21 脈動訊號不正常 車上層樓遮板脈動訊號不正常或牽引機

22 ADCPD 脈動訊號異常 比率錯誤或ROM 參數

22 ADCPD 脈動訊號異常

23 提前通知脈動訊號異常

24 脈動訊輸入號異常