2019年5月12日 星期日

科技創新(一百三十):AIoT產業-智慧製造之預測性維護


預測性維護(Predictive Maintenance)是使用控制器的輸入數據與感測器測量到的大量數據,用機器學習來做分析,找出模型,根據現在量測到的數據了解機器狀況,進而做預先計畫性維護,以減少浪費,並達成高效率。
 
     在工廠中,機器不預期地突然壞掉,會造成原來的產能大為降低,為了減少損失,要想辦法在最短時間內找到可用的機器或找其他工廠幫忙生產,另外,壞掉的機器,如果能修,就要花一費用與維修時間,影響生產的成本與生產的產能規劃甚巨。所以,利用收集到的數據,學習出生產設備的在長時間下的運作模式,從模式中推出需保養的時間,然後安排保養。
真的這麼簡單?
      其實,這樣的模式,還要看工具機需要量測的數據是哪種數據?需要哪種感測器?原來沒有裝感測器的機器該怎麼安裝?還有,人工智慧學習好的模型一開始沒有,會不會因收集壞掉的數據,讓機器壞掉?不過,一但機器壞掉,客戶應該就不信任這個機制了吧?
    以電動馬達為例,另外安裝震動感測器來量測震動數據,以知道震動狀況,但是在工廠中必須特別停機安裝;而且安裝後又要緊緊接上,其中之一的解決方案是鑽孔鎖上螺絲鎖住。
    電動馬達的模型,有些廠商已經開發出了相關的數學模型,根據這類模型保養已經比傳統的定期保養減少浪費,但是如果加上收集資料量來做機器學習,可以做到更好的效率,最後資料量夠龐大,就可建立深度學習模型,其效率非常高。不過一般企業因為沒有好的人工智慧人才,可能沒辦法建立相關的模型,而因此能使用到這麼高的效率。
   電動馬達是連續轉動的工具機,已經有相關運作的數學模型,但是像工業機器手臂,這種沒有固定相關模型的,就一定要用機器學習的方法,這時收集資料,找到適切模型是必要的,以新漢智能系統公司的相關解決方案為例,其震動感測器裝在手臂基柱靠近底端,然後收集相關數據來調整人工智慧模型的參數,不過新漢本身也有做機器手臂,所以他已經用這個模型針對自家的機器手臂實做學習過,所以模型參數調整相對穩健,只是要學習後移植到其他沒有感測器的機種上。
      預測性維護往往是很多廠商導入工業4.0最先選擇做的,因為解決最大痛點,其效率提升明顯,而且針對單機,成本花費相對又少,如果還沒導入的企業,可以先從這個項目開始。
   

沒有留言:

張貼留言

ESG綠色轉型實戰(十五):海洋大學林翰佳教授教農企業以天然成分的草本炭方替代抗生素強化魚蝦豬雞生長力

  YouTube 影片 Apple Podcasts Google Podcasts KKBox Podcasts Spotify Podcasts 文字稿摘要: