TWI749932B

TWI749932B - 機台故障檢測裝置與方法

Info

Publication number: TWI749932B
Application number: TW109142500A
Authority: TW
Inventors: 李達生; 杜則諳
Original assignee: 國立臺北科技大學
Priority date: 2020-12-02
Filing date: 2020-12-02
Publication date: 2021-12-11
Also published as: TW202223563A

Abstract

本發明提出一種機台故障檢測裝置，其包括記憶體與處理器。記憶體用以儲存多個指令與由機台所檢測之多個候選檢測參數；處理器連接記憶體，並用以載入並執行多個指令以：接收多個候選檢測參數，並依據多個候選檢測參數計算多個候選檢測參數之間的多個相關係數；依據多個相關係數從多個候選檢測參數選擇多個訓練檢測參數；以及依據多個訓練檢測參數訓練至少一辨識模型，以利用至少一辨識模型判斷待測機台之多個檢測資訊的故障類型。此外，一種機台故障檢測方法亦在此揭露。

Description

機台故障檢測裝置與方法

本發明是有關於一種機台故障檢測裝置與方法。

現今工廠的生產排程趨於複雜且具高度不確定性的特性，這將造成在生產過程中必須即時地檢測機台是否故障以及機台發生何種故障，以防止機台的耗損或產品生產的效率降低。由於目前針對機台的故障檢測往往正確率不高，這不僅將造成無法即時地檢測到機台的故障且正確地檢測到機台發生何種故障，更是容易把正常的機台誤報為故障的機台。因此，這將會耗費相當多的人力資源。基於此，如何即時地檢測到機台的故障並降低機台故障的誤報之機率，是本領域急欲解決的問題。

本發明提供一種機台故障檢測裝置，包括記憶體與處理器。記憶體用以儲存多個指令與由機台所檢測之多個候選檢測參數；處理器連接記憶體，並用以載入並執行多個指令以：接收多個候選檢測參數，並依據多個候選檢測參數計算多個候選檢測參數之間的多個相關係數；依據多個相關係數從多個候選檢測參數選擇多個訓練檢測參數；以及依據多個訓練檢測參數訓練至少一辨識模型，以利用至少一辨識模型判斷待測機台之多個檢測資訊的故障類型。

本發明提供一種機台故障檢測方法。此方法包括下列步驟：接收機台所檢測之多個候選檢測參數，並對多個候選檢測參數中的多個訓練檢測參數進行曲線擬合，以產生多個訓練檢測參數對應的多個擬合函數；以及利用多個擬合函數調整多個訓練檢測參數的多個參數值，以依據多個調整後的訓練檢測參數訓練至少一辨識模型，並利用至少一辨識模型判斷待測機台之多個檢測資訊的故障類型。

基於上述，本發明提供的機台故障檢測裝置可結合基於特徵選擇的過濾方法與曲線擬合方法，以對過去由機台檢測到的參數進行篩選與調整，並將這些經篩選與調整後的參數作為訓練資料，進而利用這些訓練資料訓練出辨識模型。藉此，機台故障檢測裝置可接收由機台即時檢測到的參數，並依據這些即時檢測到的參數以利用辨識模型判斷機台目前是否故障以及當故障發生時為何種故障。如此一來，將可大大增加檢測機台故障的準確度，以防止機台故障的誤報之發生。

第1圖根據本發明的實施例繪示機台故障檢測裝置100的方塊圖。參照第1圖，機台故障檢測裝置100可包括記憶體110與處理器120。記憶體110可儲存多個指令與由機台（未繪示）所檢測之多個候選檢測參數。此外，此機台可以是任意一種製程之機台，並沒有針對機台的製程類型有特別的限制。

在一些實施例中，機台故障檢測裝置100更可包括收發電路（未繪示），且收發電路可連接記憶體110與處理器120。

在進一步的實施例中，收發電路可從機台對應的多個感測器（sensor）（未繪示）接收多個候選檢測參數，以將這些候選檢測參數儲存於記憶體110。這些感測器可週期地或非週期地檢測機台的多個候選檢測參數（即，在機台上所檢測到的製程相關的各種參數），並在這些檢測的時間點可檢測到這些候選檢測參數各自的參數值。

值得注意的是，對機台在其中一個檢測的時間點所檢測到的所有候選檢測參數的參數值可作為一個樣本，且此樣本中可以預先被標示一個標籤（label）。機台的多個樣本分別對應的多個標籤可包括多個故障類型，其中各故障類型可以是非故障、電壓異常、冷水流量異常、冷卻水流量異常、扇門異常以及油壓異常等各種機台的故障類型。

在另一些實施例中，收發電路可從資料伺服器（data server）（未繪示）接收多個候選檢測參數，以將這些候選檢測參數儲存於記憶體110，其中資料伺服器可儲存多個感測器在過去檢測到的機台的多個候選檢測參數。

舉例而言，以離心式冰水主機的機台為例，離心式冰水主機的機台對應的多個感測器可包括設置於機殼上的溫溼度感測器、設置於冰水進水口的流量感測器、設置於冰水出水口的流量感測器以及設置於電流輸入端的電壓感測器等感測器。這些感測器可周期地或非週期地檢測外界溫度、冰水進水溫度、冰水出水溫度以及實際線電流的電壓等候選檢測參數。藉此，這些感測器可將在多個檢測的時間點所檢測到的這些候選檢測參數傳送至收發電路或透過資料伺服器傳送至收發電路，收發電路便將這些候選檢測參數儲存於記憶體110中。

在一些實施例中，記憶體110例如是任何型態的隨機存取記憶體（random access memory，RAM）、唯讀記憶體（read-only memory，ROM）、快閃記憶體（flash memory）、硬碟或類似元件或上述元件的組合。

在一些實施例中，處理器120例如是中央處理單元（central processing unit，CPU），或是其他可程式化之一般用途或特殊用途的微處理器（microprocessor）、數位訊號處理器（digital signal processor，DSP）、可程式化控制器、特殊應用積體電路（application specific integrated circuits，ASIC）或其他類似裝置或這些裝置的組合。在本實施例中，處理器120可從記憶體110載入多個指令，以執行本發明實施例的機台故障檢測方法。

再者，處理器120可通訊連接記憶體110。針對上述通訊連接的方法，處理器120可以有線或無線的方式連接記憶體110，並沒有特別的限制。

對於有線方式而言，處理器120可以是利用通用序列匯流排（universal serial bus，USB）、RS232、通用非同步接收器/傳送器（universal asynchronous receiver/transmitter，UART）、內部整合電路（I2C）、序列周邊介面（serial peripheral interface，SPI）、顯示埠（display port）、雷電埠（thunderbolt）或區域網路（local area network，LAN）介面進行有線通訊連接，並沒有特別的限制。對於無線方式而言，資料處理裝置120可以是利用無線保真（wireless fidelity，Wi-Fi）模組、無線射頻識別（radio frequency identification，RFID）模組、藍芽模組、紅外線模組、近場通訊（near-field communication，NFC）模組或裝置對裝置（device-to-device，D2D）模組進行無線通訊連接，亦沒有特別的限制。

第2圖是根據本發明一些示範性實施例的機台故障檢測方法的流程圖。同時參照第1圖與第2圖，本實施例的方法適用於第1圖的機台故障檢測裝置100，以下即搭配機台故障檢測裝置100中各元件之間的作動關係來說明本發明實施例之機台故障檢測方法的詳細步驟。

首先，於步驟S201中，處理器120可接收多個候選檢測參數，並依據多個候選檢測參數計算多個候選檢測參數之間的多個相關係數。詳細而言，處理器120可從記憶體110接收預先儲存於記憶體110的多個候選檢測參數。如此一來，處理器120便可計算這些候選檢測參數之間的多個相關係數。

在一些實施例中，處理器120可以基於特徵選擇的過濾（filter based on feature selection）方法計算多個候選檢測參數之間的多個皮爾森相關係數（Pearson correlation coefficient）。

舉例而言，處理器120可以基於特徵選擇的過濾方法計算多個候選檢測參數中的第一候選檢測參數與第二候選檢測參數之間的皮爾森相關係數（即，利用在所有檢測的時間點所檢測的第一候選檢測參數的多個第一參數值與第二候選檢測參數的多個第二參數值，以計算第一候選檢測參數與第二候選檢測參數之間的皮爾森相關係數），並計算多個候選檢測參數中的第一候選檢測參數與第三候選檢測參數之間的皮爾森相關係數（即，利用在所有檢測的時間點所檢測的第一候選檢測參數的多個第一參數值與第三候選檢測參數的多個第三參數值，以計算第一候選檢測參數與第三候選檢測參數之間的皮爾森相關係數）。以此類推，處理器120可計算第一候選檢測參數與其餘各候選參數之間的皮爾森相關係數，並計算其餘候選檢測參數之間的皮爾森相關係數。

接著，於步驟S203中，處理器120可依據多個相關係數從多個候選檢測參數選擇多個訓練檢測參數。換言之，處理器120可依據多個相關係數對多個候選檢測參數進行篩選以選擇出幾個特定的候選檢測參數，並將這些特定的候選檢測參數作為訓練用的多個訓練檢測參數。

在一些實施例中，處理器120可從多個相關係數選擇多個第一相關係數，並從多個候選檢測參數選擇多個第一相關係數對應的多個訓練檢測參數，其中多個第一相關係數不大於相關係數閾值（例如，預先儲存於記憶體110中的相關係數閾值）。詳細而言，處理器120可判斷多個相關係數中的哪些相關係數是不大於相關係數閾值的，並將不大於相關係數閾值的這些相關係數作為多個第一相關係數。藉此，處理器120可判斷多個候選檢測參數中的哪些候選檢測參數對應於多個第一相關係數，並將多個第一相關係數對應的這些候選檢測參數作為多個訓練檢測參數。

最後，於步驟S205中，處理器120可依據多個訓練檢測參數訓練至少一辨識模型，以利用至少一辨識模型判斷待測機台之多個檢測資訊的故障類型。詳細而言，處理器120可依據多個訓練檢測參數以至少一機器學習（machine learning）方法訓練至少一辨識模型，並將至少一辨識模型儲存於記憶體110。藉此，當記憶體110透過收發器接收到待測機台之多個檢測資訊時，處理器120可從記憶體110讀取上述至少一辨識模型與多個檢測資訊，並利用至少一辨識模型判斷待測機台之多個檢測資訊的故障類型。

值得注意的是，本發明的機器學習方法的數量與辨識模型的數量可以皆為一個或多個，並沒有特別的限制。

在一些實施例中，上述機器學習方法可以是多元決策樹（multiclass decision forest）演算法、多元決策叢林（multiclass decision jungle）演算法、深度神經網路（deep neural network）演算法、羅吉斯迴歸（logistic regression）演算法或一對多迴歸（one vs all regression）演算法等機器學習方法。

在一些實施例中，處理器120更可對多個訓練檢測參數進行曲線擬合（curve fitting），以產生多個訓練檢測參數對應的多個擬合函數。藉此，處理器120可利用多個擬合函數調整多個訓練檢測參數的多個參數值，以依據多個調整後的訓練檢測參數訓練至少一辨識模型。

詳細而言，處理器120可依據其中一個訓練檢測參數的所有參數值計算出這個訓練檢測參數對應的擬合函數。如此一來，處理器120可判斷這些參數值中是否存在至少一特定參數值，其中至少一特定參數值與此擬合函數之間存在大於參數閾值的至少一差值。因此，處理器120可將至少一特定參數值調整為此擬合函數對應的至少一參數值。

以此類推，處理器120可以相同方法計算出其餘訓練檢測參數對應的擬合函數，並利用其餘訓練檢測參數對應的擬合函數調整其餘訓練檢測參數的參數值。藉此，處理器120可產生多個調整後的訓練檢測參數，以依據多個調整後的訓練檢測參數訓練至少一辨識模型。

進一步而言，處理器120可經由上述的基於特徵選擇的過濾方法與曲線擬合方法對上述多個樣本進行資料處理，以產生多個調整後的訓練檢測參數對應的多個訓練樣本。藉此，處理器120可依據這些訓練樣本以至少一機器學習方法訓練至少一辨識模型。

在一些實施例中，處理器120可接收由待測機台所檢測之多個檢測參數，並依據多個檢測參數計算多個檢測參數之間的多個待測相關係數。藉此，處理器120可依據多個待測相關係數從多個檢測參數選擇多個待測檢測參數，並依據多個待測檢測參數以利用至少一辨識模型判斷待測機台之多個檢測資訊的故障類型。

在進一步的實施例中，處理器120可對多個待測檢測參數進行曲線擬合，以產生多個待測檢測參數對應的多個待測擬合函數。藉此，處理器120可利用多個待測擬合函數調整多個待測檢測參數的多個待測參數值，並依據多個調整後的待測檢測參數以利用至少一辨識模型判斷待測機台之多個檢測資訊的故障類型。

換言之，在待測機台對應的多個感測器（未繪示）對待測機台進行檢測後，處理器120可經由這些感測器接收由待測機台所檢測之多個檢測參數。如此一來，處理器120同樣地可以上述的基於特徵選擇的過濾方法與曲線擬合方法對這些檢測參數進行篩選與調整以產生多個調整後的待測檢測參數，以依據多個調整後的待測檢測參數以利用至少一辨識模型判斷待測機台之多個檢測資訊的故障類型。

在一些實施例中，機台故障檢測裝置100更可包括顯示器（未繪示），顯示器可連接處理器120並用以顯示待測機台之多個檢測資訊的故障類型。

在一些實施例中，當機台的數量為複數個時，機台故障檢測裝置100可以基於特徵選擇的過濾方法與曲線擬合方法分別對各機台所檢測之多個候選檢測參數進行資料處理以依據這些處理過的候選檢測參數訓練至少一辨識模型。

值得注意的是，上述的機台故障檢測方法也可應用於其他資料分析的錯誤檢測，並不限於機台的檢測參數。

藉由上述步驟，本發明實施例的機台故障檢測裝置100可以基於特徵選擇的過濾方法對機台的多個候選檢測參數進行篩選，以產生多個訓練檢測參數，並以曲線擬合方法對多個訓練檢測參數進行調整，以依據多個調整後的訓練檢測參數訓練出辨識模型。如此一來，本發明實施例的機台故障檢測裝置100便可利用辨識模型判斷待測機台之多個檢測資訊的故障類型，以防止機台故障的誤報之發生。

第3圖是根據本發明另一些示範性實施例的機台故障檢測方法的流程圖。同時參照第1圖與第3圖，於步驟S301中，處理器120可依據多個候選檢測參數以利用基於特徵選擇的過濾方法產生多個訓練檢測參數。換言之，處理器120可以基於特徵選擇的過濾方法對由機台所檢測之多個候選檢測參數進行篩選以產生多個訓練檢測參數。

在一些實施例中，對機台在其中一個檢測的時間點所檢測到的所有候選檢測參數的參數值可作為一個樣本，且此樣本中可以預先被標示一個標籤。機台的多個樣本分別對應的多個標籤可包括多個故障類型

舉例而言，以離心式冰水主機的機台為例，當處理器120計算多個訓練檢測參數中的冰水進水溫度與冷卻水進水溫度之間的相關係數大於一個相關係數閾值時，處理器120可刪除多個訓練檢測參數中的冰水進水溫度與冷卻水進水溫度。藉此，處理器120可從多個候選檢測參數篩選出相關性較低的候選檢測參數以將這些篩選出的候選檢測參數作為多個訓練檢測參數。

接著，於步驟S303中，處理器120可利用曲線擬合方法對多個訓練檢測參數進行調整。

舉例而言，第4圖是根據本發明一些示範性實施例的在多個檢測的時間點所檢測到之實際線電流的電壓的示意圖。參照第4圖，同樣以離心式冰水主機的機台為例，擬合曲線curve為依據實際線電流的電壓所計算出的擬合函數之曲線。基於擬合曲線curve，可判斷出在45秒時實際線電流的電壓為異常（即，在45秒時，實際線電流的電壓值與擬合曲線curve上的電壓值之間的差值大於一個預設的參數閾值）。換言之，實際線電流的電壓在45秒時存在一個異常電壓abnormal。藉此，可將異常電壓abnormal的電壓值調整為在45秒時擬合曲線curve上的電壓值。

接著，同時參照回第1圖與第3圖，於步驟S305中，處理器120可依據多個調整後的訓練檢測參數訓練至少一辨識模型。

在一些實施例中，處理器120可經由上述的基於特徵選擇的過濾方法與曲線擬合方法對上述多個樣本進行資料處理，以產生多個調整後的訓練檢測參數對應的多個訓練樣本。藉此，處理器120可依據這些訓練樣本以至少一機器學習方法訓練至少一辨識模型。

最後，於步驟S307中，處理器120可利用至少一辨識模型判斷待測機台之多個檢測資訊的故障類型。

在一些實施例中，在待測機台對應的多個感測器對待測機台進行檢測後，處理器120可經由這些感測器接收由待測機台所檢測之多個檢測參數。如此一來，處理器120同樣地可以上述的基於特徵選擇的過濾方法與曲線擬合方法對這些檢測參數進行篩選與調整以產生多個調整後的待測檢測參數，以依據多個調整後的待測檢測參數以利用至少一辨識模型判斷待測機台之多個檢測資訊的故障類型。

綜上所述，本發明提供的機台故障檢測裝置可結合基於特徵選擇的過濾方法與曲線擬合方法，以對過去由機台檢測到的參數進行篩選與調整，並將這些經篩選與調整後的參數作為訓練資料，進而利用這些訓練資料訓練出辨識模型。相似地，本發明提供的機台故障檢測裝置更可結合基於特徵選擇的過濾方法與曲線擬合方法，以對待測機台所檢測到的待測參數進行篩選與調整，進而依據這些經篩選與調整後的待測參數以利用訓練出的辨識模型判斷待測機台之故障類型。如此一來，可避免對機台故障的誤判，以減少維修成本，並進一步提升故障類型的準確性。

雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。

100:機台故障檢測裝置 110:記憶體 120:處理器 S201~S205、S301~S307:機台故障檢測方法的步驟 curve:擬合曲線 abnormal:異常電壓

第1圖根據本發明的實施例繪示機台故障檢測裝置的方塊圖。第2圖是根據本發明一些示範性實施例的機台故障檢測方法的流程圖。第3圖是根據本發明另一些示範性實施例的機台故障檢測方法的流程圖。第4圖是根據本發明一些示範性實施例的在多個檢測的時間點所檢測到之實際線電流的電壓的示意圖。

S201~S205:機台故障檢測方法的步驟

Claims

一種機台故障檢測裝置，包括：一記憶體，用以儲存多個指令與由一機台所檢測之多個候選檢測參數；一處理器，連接該記憶體，並用以載入並執行該些指令以：接收該些候選檢測參數，並依據該些候選檢測參數計算該些候選檢測參數之間的多個相關係數；依據該些相關係數以及一相關係數閾值從該些候選檢測參數選擇多個訓練檢測參數；對該些訓練檢測參數進行曲線擬合，以產生該些訓練檢測參數對應的多個擬合函數；以及利用該些擬合函數調整該些訓練檢測參數的多個參數值，以依據多個調整後的訓練檢測參數訓練至少一辨識模型，並利用該至少一辨識模型判斷一待測機台之多個檢測資訊的一故障類型。
如請求項1所述之機台故障檢測裝置，其中該處理器更用以：從該些相關係數選擇多個第一相關係數，並從該些候選檢測參數選擇該些第一相關係數對應的該些訓練檢測參數，其中該些第一相關係數不大於該相關係數閾值。
如請求項1所述之機台故障檢測裝置，其中該處理器更用以：接收由該待測機台所檢測之該些檢測參數，並依據該些檢測參數計算該些檢測參數之間的多個待測相關係數；依據該些待測相關係數從該些檢測參數選擇多個待測檢測參數；以及依據該些待測檢測參數以利用該至少一辨識模型判斷該待測機台之該些檢測資訊的該故障類型。
如請求項3所述之機台故障檢測裝置，其中該處理器更用以：對該些待測檢測參數進行曲線擬合，以產生該些待測檢測參數對應的多個待測擬合函數；利用該些待測擬合函數調整該些待測檢測參數的多個待測參數值，並依據該些待測參數值以利用該至少一辨識模型判斷該待測機台之該些檢測資訊的該故障類型。
如請求項1所述之機台故障檢測裝置，更包括：一顯示器，連接該處理器，並用以顯示該待測機台之該些檢測資訊的該故障類型。
一種機台故障檢測方法，包括：接收一機台所檢測之多個候選檢測參數，並依據該些候選檢測參數計算該些候選檢測參數之間的多個相關係數；依據該些相關係數以及一相關係數閾值從該些候選檢測參數選擇多個訓練檢測參數；對該些候選檢測參數中的該些訓練檢測參數進行曲線擬合，以產生該些訓練檢測參數對應的多個擬合函數；以及利用該些擬合函數調整該些訓練檢測參數的多個參數值，以依據多個調整後的訓練檢測參數訓練該至少一辨識模型，並利用該至少一辨識模型判斷一待測機台之多個檢測資訊的一故障類型。
如請求項6所述之機台故障檢測方法，其中依據該些相關係數從該些候選檢測參數選擇該些訓練檢測參數的步驟包括：從該些相關係數選擇多個第一相關係數，並從該些候選檢測參數選擇該些第一相關係數對應的該些訓練檢測參數，其中該些第一相關係數不大於該相關係數閾值。
如請求項6所述之機台故障檢測方法，其中該處理器更用以：接收由該待測機台所檢測之該些檢測參數，並依據該些檢測參數計算該些檢測參數之間的多個待測相關係數；依據該些待測相關係數從該些檢測參數選擇多個待測檢測參數；對該些待測檢測參數進行曲線擬合，以產生該些待測檢測參數對應的多個待測擬合函數；以及利用該些待測擬合函數調整該些待測檢測參數的多個待測參數值，並依據多個調整後的待測檢測參數以利用該至少一辨識模型判斷該待測機台之該些檢測資訊的該故障類型。