MAGAZINE
刊物內容

回列表

「譜威科技顧問」廠務設備監測效率化與精準化

摘要"

廠務設備是高科技廠房運作的重要基礎,有效且精確地監測它們是降低成本和維持產品良率的關鍵。近年來,預知性維護的推廣旨在延長設備壽命、減少非計劃性停機、降低維護成本,同時提升生產效率和安全性。通過準確預測設備故障,企業能夠僅在必要時進行維護,避免不必要的維護工作和相關成本,並最大化設備運營效率。然而,一切的起點是設定合適且精確的警戒值。只有當設備狀態超過警戒值時,才會啟動檢測、診斷、備料、維修等一系列動作。因此,如何精準判斷警戒狀態是掌握預知性維護的核心。

以往警戒值設定方式

1. ISO 10816:
源自ISO 2372,1995年,國際ISO組織將ISO 2372 和ISO 3945合併並修訂,形成了ISO 10816-1、10816-2、10816-3三個章節,覆蓋了從15kW到超過50MW 的轉動機械。此標準根據不同的瓦數和基座性質(撓性或剛性基座)將設備分成四組,定義了正常、警戒及危險的振動值。其優點包括容易與其他測量值比較、直觀易懂且提高了驗收測試的便利性。然而,由於它仍是一個標準,可能不適用於所有設備,用戶應追蹤設備過往的振動值變化以優化預測性維護。此外,僅依據速度總量(OA)值作為判斷的唯一依據。

 

 

2. 專家經驗:
富有經驗的振動分析師和維修技師會根據該設備的歷史資料和理論背景制定更客製化的警戒值。為了克服以上兩種設定方法的限制,機器學習在多個領域得到了廣泛應用,包括振動警戒危險狀態的預測。在本文中,我們將介紹如何利用非監督式學習方法和 AI 模型來預測轉動機械的振動警戒危險狀態。

 

名詞及方法介紹

非監督式學習(Unsupervised Learning):
是一種在數據中尋找隱含模式或結構的學習方法。在非監督式學習中,我們沒有事先的目標變量或標籤,只有未標籤的數據。該方法旨在通過對數據進行聚類、降維或關聯規則發現等技術,從數據中發現隱藏的內在結構。在本案例中,使用階層式分群法將特徵值進行自動分群就是一種非監督式學習方法。非監督式學習方法能夠幫助我們理解數據的組成和分布,揭示特徵之間的關係,從而為後續的建模和分析提供基礎。

 

 

階層式分群法(Hierarchical Clustering):
階層式分群法(Hierarchical Clustering)是一種常用的非監督式學習方法,用於將數據點分群形成層次結構。它通過計算數據點之間的相似性或距離來進行分群,從而形成一個層次化的分群樹狀結構。階層式分群法的優點之一是它不需要事先指定群數,因為它可以根據數據點之間的相似性自動形成不同層次的分群結構。這使得階層式分群法在探索數據結構和群集數量不確定的情況下很有用。此外,階層式分群法還可以通過樹狀圖表達分群結果,提供了對數據分布和相似性的視覺化呈現。

 

AI 模型:
如 LSM、Transformer、CNN、隨機森林等,各有其在處理特定數據類型和問題上的優勢。
方法與流程

 

 

1. 數據收集與特徵工程:
首先收集轉動機械的振動數據,進行特徵工程提取關鍵振動特徵值,如 RMS、Crest Factor、Kurtosis 等。

2. 特徵值分群:
為了更好地理解特徵值之間的相似性和差異性,我們使用階層式分析法將特徵值進行分群。我們選擇了t-SNE(t-Distributed Stochastic Neighbor Embedding)算法來降低特徵維度並可視化特徵值在降維空間中的分布。以下是本次訓練資料t-SNE圖表的一個例子:
如圖1表中不同顏色的點代表不同的特徵值分群。這個分群結果將有助於我們更好地理解特徵值之間的關係。在本案例中,我們並未對訓練的資料及進行標記,也就是純粹交由機器學習來進行分類。

 

圖1   訓練資料集的t-SNE圖表

 

 

3. AI模型的訓練和振動趨勢圖:
在進行特徵值分群之後,我們將根據客戶設備類型選擇合適的AI模型來建立預測模型。我們使用訓練數據對模型進行訓練,並監控訓練模型的振動趨勢。以下是一個示例的訓練模型的振動趨勢圖:

 

 

4. 預測結果和振動趨勢圖:
在完成模型的訓練後,我們使用該模型對其他機台進行振動警戒危險狀態的預測。以下是一個預測目標的振動趨勢圖:

 

目標的振動趨勢圖

 

這個圖表顯示了預測目標的振動趨勢,可以用來對照模型預測的準度。

5. 時間域波形:
為了更直觀地了解超過危險值和正常值的振動狀態,我們顯示了超過危險值的時間域波形和正常值的時間域波形。請看以下圖表:

 

危險值的時間域波形

 

正常值的時間域波形

 

 

這些圖表顯示了危險狀態和正常狀態之間的差異,有助於我們識別振動警戒危險狀態。

6. 模型評估指標:
最後,我們使用Precision、Recall、Accuracy和F1-Score等評估指標對我們的模型進行性能評估,並幫助我們了解模型在實際應用中的表現。以下是這些指標的結果:

 

 

精確率(Precision):
精確率評估模型對於正樣本的分類準確性,即在所有被模型預測為正樣本的樣本中,有多少是真正的正樣本。它的計算公式如下:
Precision = TP/(TP + FP)
其中,FP(False Positive)表示負樣本被誤分類為正樣本的數量。
精確率高表示模型對於正樣本的分類效果好,減少了誤報的情況,但也可能導致更多的漏報。

召回率(Recall):
召回率評估模型對於正樣本的識別能力,即在所有實際正樣本中,模型能夠正確識別出多少個。它的計算公式如下:
Recall=TP/(TP + FN)
其中,TP(True Positive)表示真正樣本(正樣本)被正確識別的數量,FN(False Negative)表示正樣本被誤分類為負樣本的數量。
召回率高表示模型能夠很好地捕捉到正樣本,減少漏報的情況,但也可能導致更多的誤報。

準確率(Accuracy):
準確率是評估模型整體分類效果的指標,即在所有樣本中,模型正確分類的比例。它的計算公式如下:
Accuracy=(TP+TN)/(TP+TN+FP+FN)
其中,TN(True Negative)表示真負樣本(負樣本)被正確識別的數量。
F1 Score=2/((1/Precision)+(1/Recall)),即精確率與召回率的調和平均數。
這些評估指標提供了對模型預測能力的量化評估。可以看的出來,此模型對於判斷機台的振動警戒及正常狀態已具備一定程度上的能力,也提供了一個綜合的解決方案來識別和預測機械設備的危險狀態。

 

 

導入案例
排氣風車
在半導體生產環境中,不同的設備機台會產生不盡相同的化學性廢氣,雖然部份設備機台本身有前廢氣處理設備,仍然不能避免處理設備失效之問題。晶片生產製程中也使用了大量的易燃溶劑與化學品,因此必須將它們做有效的分類與處理,以避免在管路中因二度化學反應產生危險,並降低廢氣排放及符合環境法規要求, 因此廢氣排放處理系統在此就扮演著很重要的角色,更是不可或缺的廠務設備, 更不能停機。
過去使用ISO 10816-3標準進行風機監測,警戒值和危險值分別為4.5和7.1,但由於設備個別差異,當風機進入危險狀態時,ISO標準無法反映出這一情況。因此,監測人員無法及時發現風機問題,導致生產受損。

 

 

由上圖可看見對照ISO 10816-3,警戒、危險值分別為4.5、7.1,但由於設備個別差異,此設備進入危險狀態時ISO並沒辦法反映出,導致監測人員無法即時發現設備問題,當發出危險警示只剩下約1天的時間可以緊急停機。

 

 

透過譜威GM4 AIML 智能警戒判斷工具,我們可以選取要訓練的資料區間。

 

透過AIML分類運算,得出建議警戒、危險值為2.78、5.95。

 

 

套用至該點趨勢,可以真實反應出危險階段,此案例中危險值仍有一個多月時間可以應對反應。


 

此外對應指標表現如下:

 

 

這些指標表明AIML模型在分類和預測風機監測數據方面具有高度的準確性和可靠性,能夠有效地提高生產設備的監測效率和生產運營的穩定性。通過引入人工智能和機器學習的技術,我們對監測系統進行了改善,將警戒值和危險值調整為2.78和5.95。這樣的調整基於對大量實際運行數據的分析和模型訓練,能更準確地反映出風機的潛在問題,提供更早的預警和更及時的干預機會。
此外AIML更可以跳脫以往速度OA警戒值的概念,透過各樣時域、頻域、特徵頻率等進階數據直接判斷當下該設備狀態。
 

 

設備狀態異常判斷後,直接啟動Phoenix GM4自動診斷功能,Phoenix GM4自動診斷可以自動判斷17類設備損壞問題。包含不平衡、聯軸器損壞、聯軸器不對中、軸承鬆動、設備底座鬆脫、軸承座鬆脫、軸承損壞、軸承初期損壞、軸承油渦流振動、馬達轉子偏心、皮帶過緊、皮帶輪不平衡、皮帶輪偏心等問題,泵浦轉子偏心、泵浦轉子間隙不均、齒輪過載或鬆脫、齒輪不對中等,透過精準警戒值判斷加上自動診斷系統,得以完整發揮了設備監測的最佳效益,大幅提升了設備監測的效益。

 

AIML流程

 

 

結論

通過本案例分享,我們展示了如何使用非監督式學習方法來預測轉動機械的振動警戒危險狀態。我們運用階層式分析法進行特徵值分群,並使用合適的AI模型進行預測。我們的結果顯示了模型在預測危險狀態上的能力,並通過t-SNE圖表、振動趨勢圖、時間域波形和評估指標提供了更直觀和客觀的分析
結果。
這個案例分享不僅展示了機器學習的應用,還強調了非監督式學習方法在振動警戒危險狀態預測中的重要性。通過將特徵值分群和建立預測模型,我們可以更準確地識別轉動機械的危險狀態,有助於預防潛在的機械故障和提高安全性。
這項研究還存在一些挑戰和改進的空間。例如,我們可以進一步優化特徵工程的方法,探索更有效的特徵提取技術,以提高模型的預測能力。此外,擴大資料集規模和考慮更多特徵也可能有助於提高模型的性能。
總結來說,本案例分享展示了使用非監督式學習方法預測轉動機械的振動警戒危險狀態的過程。透過適當的特徵分群和建立預測模型,我們可以有效地預測機械的危險狀態,提高安全性和可靠性。

 

READ MORE BACK TO LIST