用大數據魔法 讓機器「開口」報平安

 
2018/03/02 黃潔綾 | 工業技術研究院     340

雲端(Cloud)、行動化(Mobile)、社群(Social)、巨量資料分析與物聯網(IoT)等新科技的崛起,不但改變了消費者行為,也改變了企業的營運模式。

 

為了提升市場競爭力,有越來越多的企業透過物聯網與巨量資料分析技術,來建構可用以分析機台設備運行狀況,從而預測未來資料的預測模型,再藉由持續不斷監控的方式,優化預測精準度,實踐預測性維修。

 

數控鑽床資料分析與預知保養示意圖 (圖片來源:計畫團隊提供)

 

在交通大學的協助下,全球第三大的工具機業者––東台精機,透過巨量資料分析與物聯網等技術加值數控鑽床(生產電路印刷板的關鍵機台設備),將維修模式從被動的二至三個月定期維修,轉變成主動的預測性維修,也就是數控鑽床在發生異常狀況前即會主動向相關人員示警、提早維修,避免過去因數控鑽床無預期損害而得停止生產的狀況發生,同時也可協助客戶大幅降低數控鑽床的保養與維修成本。

 

對東台精機來說,透過新科技加值產品,不但有助於其提升企業競爭力及客戶的信任度與滿意度,更重要的是,透過蒐集、分析大量機台設備的運轉數據,東台精機得以有效改善、優化數控鑽床等產品的開發與生產流程,以提供客戶更安全、可靠且智慧的數控鑽床。

 

除了提供具備預測維修功能的產品給客戶,也有不少台灣製造業者期望能透過實踐智慧化產線管理的方式,優化服務能量與市場競爭力,為了達到這個目標,建議可以從下列五方面著手:

 

第一,智慧感知層。透過在機台設備內建或外配感測器,以ZigBee、藍牙、WIFI或超寬頻等傳輸方式將本地端的機台設備資料傳輸到遠端的中央伺服器。

 

第二,資料挖掘層。透過分析、比對智慧感知的數據資料、企業資源規劃(ERP)、製造執行系統(MES)、供應鏈管理(SCM)、客戶關係管理(CRM)與維修紀錄等數據資料,進行單一機台設備的健康評估與診斷故障。

 

第三,網路層。透過分析、比較(多個)相似機台設備在不同時間點的數據資料等方式,提升對機台設備的維運掌握度。

 

第四,識別與決策層。將來自資料挖掘層與網路層的數據資料彙整到即時監測系統,預測潛在故障機率、還有多少時間會故障,以及可能的解決方案等。

 

第五,執行層。透過持續不斷的監控機台設備營運狀況的方式,即時取得機台設備的故障檢測等資訊,並回饋給機台設備操作人員與工廠管理人員,由其決定機台設備的維修時間,將生產計畫因機台設備故障所造成的損失降到最低。

 

整體而言,對於積極提升產品競爭力的台灣製造業,透過巨量資料分析與物聯網等技術,為產品加值已成必然趨勢,差別僅在於,隨著企業的產品型態與商業模式等不同,服務樣貌會有些許差異。

 
預測主軸壽命與偵測異常的混合預知保養模型架構:收集零件運轉狀態,配合機台收集的運轉履歷建立一套預知保養系統,能夠預測這些零件的損壞時間 (圖片來源:計畫團隊提供)
 
預測壽命模型實驗結果:模仿之後機台賣出時的加工環境,因此在實際加工的數據蒐集上也設定了不同的參數(如主機板、手機板),分別是不同鑽孔尺寸的板子,因此其需要的鑽孔數目、主軸轉速、進刀速等均不相同,對於主軸的負荷也會有不同的影響,蒐集不同參數的主軸加工數據將可訓練不同參數條件下的主軸壽命預測模型 (圖片來源:計畫團隊提供)
 
異常偵測模型實驗結果:使用2012 Prognostics Health Management(PHM)學習建立機台元件壽命預測模型,從過程中學習如何進行資料前處理與視覺化來選擇重要變數,並累積建立壽命預測模型的經驗 (圖片來源:計畫團隊提供)