CN108615088B - 机台零件剩余寿命的预测系统与预测方法 - Google Patents

机台零件剩余寿命的预测系统与预测方法 Download PDF

Info

Publication number
CN108615088B
CN108615088B CN201710049566.7A CN201710049566A CN108615088B CN 108615088 B CN108615088 B CN 108615088B CN 201710049566 A CN201710049566 A CN 201710049566A CN 108615088 B CN108615088 B CN 108615088B
Authority
CN
China
Prior art keywords
predicted
confidence
health index
historical
prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710049566.7A
Other languages
English (en)
Other versions
CN108615088A (zh
Inventor
黄博煜
阙壮华
任佳珉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial Technology Research Institute ITRI
Original Assignee
Industrial Technology Research Institute ITRI
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Industrial Technology Research Institute ITRI filed Critical Industrial Technology Research Institute ITRI
Publication of CN108615088A publication Critical patent/CN108615088A/zh
Application granted granted Critical
Publication of CN108615088B publication Critical patent/CN108615088B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4065—Monitoring tool breakage, life or condition
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Automation & Control Theory (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Human Computer Interaction (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

一种机台零件剩余寿命的预测系统与方法。预测系统包括数据模块、特征模块、本体预测模块、历史预测模块及信心度模块。数据模块取得机台零件的测试感测数据。特征模块得到历史健康指标与本体健康指标。本体预测模块根据该本体健康指标，得到第一预测剩余寿命与第一预测信心度。历史预测模块根据该历史健康指标，得到第二预测剩余寿命与第二预测信心度。信心度模块则是根据第一预测剩余寿命、第二预测剩余寿命、第一预测信心度与第二预测信心度，得出机台零件的最终预测剩余寿命。

Description

机台零件剩余寿命的预测系统与预测方法
技术领域
本发明涉及一种机台零件剩余寿命的预测系统与预测方法。
背景技术
生产制造预估是2020年海量数据的前五大垂直应用市场，约占10％。重要资产设备故障是影响公司营运风险最关键的因素，而成功利用数据分析来管理和维护资产设备的公司可有效提升效率。
设备预诊断及健康管理技术可借由分析机台数据来监控和评估设备/零件的健康状态，并根据健康状态来决定出最佳的维护或更换时机，以减少非预期性停机的情况，并降低维修的频率。因此，如何正确地预测机台零件的剩余寿命，以提升预测结果的准确度，是业界所致力的课题之一。
发明内容
本发明有关于一种机台零件剩余寿命的预测系统与预测方法。本发明结合当下本体老化的趋势及历史故障数据的预测模型，并用动态调配的方式来决定机台零件最终预测的剩余寿命，可以有效地提高预测的准确度。本发明可以决定出最佳的机台零件的维护或更换时机，以减少机台非预期性停机的情况，并降低维修频率。
根据本发明的第一方面，提出一种机台零件剩余寿命的预测系统，包括一数据模块、一特征模块、一本体预测模块、一历史预测模块及一信心度模块。数据模块，用以取得一机台零件的一测试感测数据。特征模块根据机台零件的一历史故障数据得到一历史健康指标，并根据测试感测数据得到一本体健康指标。本体预测模块用以根据本体健康指标，得到一本体健康指标函数，并根据本体健康指标函数，得到一第一预测剩余寿命并得到一第一预测信心度。历史预测模块用以根据历史健康指标，得到一历史健康指标模型，历史健康指标模型包括至少一历史健康指标函数，并根据历史健康指标模型与本体健康指标函数，得到一第二预测剩余寿命，并根据历史健康指标模型与本体健康指标函数的关系，得到一第二预测信心度。而信心度模块则是根据第一预测剩余寿命、第二预测剩余寿命、第一预测信心度与第二预测信心度，得出机台零件的一最终预测剩余寿命。数据模块、特征模块、本体预测模块、历史预测模块、及信心度模块至少其中之一借由至少一电路来达成，或借由一处理器执行一程序来达成。
根据本发明的第二方面，提出一种机台零件剩余寿命的预测方法，包括以下步骤。取得一机台零件的一测试感测数据。根据机台零件的一历史故障数据得到一历史健康指标，并根据测试感测数据得到一本体健康指标。根据本体健康指标，得到一本体健康指标函数，并根据本体健康指标函数，得到一第一预测剩余寿命并得到一第一预测信心度。根据历史健康指标，得到一历史健康指标模型，历史健康指标模型包括至少一历史健康指标函数，并根据历史健康指标模型与本体健康指标函数，得到一第二预测剩余寿命，并根据历史健康指标模型与本体健康指标函数的关系，得到一第二预测信心度。根据第一预测剩余寿命、第二预测剩余寿命、第一预测信心度与第二预测信心度，得出机台零件的一最终预测剩余寿命。
为了对本发明上述及其他方面有更佳了解，下文特列举较佳实施例，并配合所附附图，作如下详细说明。
附图说明
图1绘示一种机台零件剩余寿命的预测系统的方块图。
图2绘示从数据库撷取出的一个工艺周期的MOCVD机台的粒子过滤器的传感器的感测数据的示意图。
图3绘示为一个生命周期中，每个工艺周期的MOCVD机台的粒子过滤器的传感器的感测数据的特征序列图。
图4绘示取得本体健康指标函数的一例。
图5绘示取得历史健康指标模型的一例。
图6绘示依照本发明实施例的机台零件剩余寿命的预测方法的流程图。
【附图标记说明】
L1、L2、L3：曲线
100：预测系统
102：数据模块
104：特征模块
106：本体预测模块
108：历史预测模块
110：信心度模块
112：零件的历史故障数据
116：机台元件
602～610：流程步骤
具体实施方式
请参照图1，其绘示一种机台零件剩余寿命的预测系统的方块图。预测系统100包括一数据模块102、一特征模块104、一本体预测模块106、一历史预测模块108及一信心度模块110。
数据模块102用以取得一机台零件116的一测试感测数据。特征模块104根据机台零件的一历史故障数据得到一历史健康指标，并根据测试感测数据得到一本体健康指标。本体预测模块106用以根据本体健康指标，得到一本体健康指标函数，并根据本体健康指标函数，得到一第一预测剩余寿命并得到一第一预测信心度。
历史预测模块108用以根据历史健康指标，得到一历史健康指标模型。历史健康指标模型包括至少一历史健康指标函数。历史预测模块108并根据历史健康指标模型与本体健康指标函数，得到一第二预测剩余寿命，并根据历史健康指标模型与本体健康指标函数的关系，得到一第二预测信心度。
信心度模块110根据第一预测剩余寿命、第二预测剩余寿命、第一预测信心度与第二预测信心度，得出机台零件的一最终预测剩余寿命。数据模块102、特征模块104、本体预测模块106、历史预测模块108、及信心度模块110至少其中之一借由至少一电路来达成，或借由一处理器执行一程序来达成。下文将针对上述的预测系统100作进一步的说明。
数据模块102例如是利用读取档案、通过数据撷取卡端口、或通过存取一数据库的方式，来取得机台零件的测试感测数据。现以金属有机物化学气相沉积(Metal OrganicChemical Vapor Deposition，MOCVD)机台的粒子过滤器(particle filter)的传感器所得到的感测数据为例，进一步说明如下。请参照图2，其绘示从数据库撷取出的一个工艺周期(run)的MOCVD机台的粒子过滤器的传感器的感测数据dp_filter的示意图。曲线L1为粒子过滤器执行完一次工艺周期所搜集到的感测数据dp_filter。当此工艺周期的感测数据之中的最大值超过一门坎值(例如是30)时，即代表粒子过滤器需要被更换。一个工艺周期例如可定义为机台完成一次产品的工艺的期间。以工艺产品为发光二极管(Light-EmittingDiode，LED)为例，一个工艺周期例如是完成一次发光二极管(LED)制造所需的工艺时间。
接下来，再以MOCVD机台的粒子过滤器的传感器的感测数据dp_filter为例，来举例说明特征模块104根据测试感测数据得到本体健康指标的作法。请参照图3，其绘示为一个生命周期(life cycle)中，每个工艺周期的MOCVD机台的粒子过滤器的传感器的感测数据dp_filter的特征序列图。一个生命周期例如可定义为机台元件从开始使用至损坏之间的期间。一个生命周期中具有多个工艺周期。曲线L1为对应至图2的粒子过滤器执行完一次工艺周期所搜集到的感测数据dp_filter。曲线L2为从粒子过滤器被更新之后到故障而需被更换之间的一个生命周期(life cycle)所搜集到的感测数据。曲线L3为每个工艺周期中所搜集到的感测数据的最大值(标示为感测数据最大值dp_filter_max)。例如，可定义每个工艺周期中所搜集到的感测数据的最大值dp_filter_max为此工艺周期的健康指标值。然本实施例并不限于此。本实施例也可定义每个工艺周期中所搜集到的感测数据的最大值dp_filter_max以外的其他值作为此工艺周期的健康指标值，例如是以每个工艺周期中所搜集到的特定区间的感测数据(例如是LED长晶层)的统计值(例如是最大值、平均值、最大值与最小值的差值...等)作为此工艺周期的健康指标值，另一实施例是以每个工艺周期中所搜集到的感测数据的最大值与该前一次工艺周期所产生的感测数据的最大值，以两个最大值的差值作为此工艺周期的健康指标值，或是以其他可以反应出机台元件的健康状态的值作为此工艺周期的健康指标值。
MOCVD机台的粒子过滤器的故障预测(failure prediction)就是预测在未来的哪个工艺周期中，所预测的粒子过滤器对应的健康指标值是否将超过上述的门坎值。若是，则代表粒子过滤器可能会故障而需要更换。或者，可以预测在接下来的哪个工艺周期中，粒子过滤器对应的健康指标值将超过上述门坎值，而粒子过滤器可能将在此工艺周期中故障而需要更换。
特征模块104根据机台零件的历史故障数据得到历史健康指标的作法也类似于上述的特征模块104根据测试感测数据得到本体健康指标的作法。不同之处在于，特征模块104将以零件的历史故障数据112替代上述的测试感测数据，来得到历史健康指标。零件的历史故障数据112例如是机台元件的多个生命周期(例如是多个训练周期(trainingcycle))中的历史感测数据，每个生命周期中的历史感测数据例如为图3的曲线L2所示的特征序列。特征模块104可依据多个生命周期中的历史感测数据，来得到对应的多个类似于图3的曲线L3所示的历史健康指标。
上文中虽以MOCVD机台的粒子过滤器为例做说明，然本发明也可适用于其他类型的机台，也可适用于其他类型的机台的元件。除了使用传感器的感测数据来得到健康指标值以外，也可以使用机台元件的其他特征参数，例如是可以反应出机台元件的寿命或健康状态的特征参数，来得到健康指标值。而健康指标值除了以每个工艺周期中所搜集到的感测数据的最大值作为健康指标值之外，也可以采用其他的方式得到健康指标值。只要能够适当地反应出机台元件的健康状态之由感测数据得到健康指标的方式即可。
接着，将针对本体预测模块106根据测试感测数据得到本体健康指标函数的作法，举例说明如下。本体预测模块106是根据以测试感测数据计算出的健康指标的变化来预测出第一预测剩余寿命以及计算第一预测信心度。在本体预测模块106中，例如利用回归模型，根据测试感测数据得到本体健康指标函数。回归模型中所对应的一回归误差可作为第一预测信心值。
请参照图4，其绘示取得本体健康指标函数的一例。所使用的本体健康指标的数据范围为测试周期(test cycle)中的当下(对应至时间点t1的工艺周期r5)及当下之前(对应至时间点t1的工艺周期r5之前)的工艺周期的本体健康指标，例如是工艺周期r1、r2、r3、r4、及r5的本体健康指标404、406、408、410及402。通过曲线Yc来拟合(fit)本体健康指标值，Yc＝f(Xc)。其中Xc为工艺周期索引值(run index)(工艺周期索引值例如包括工艺周期r1～r5与re)，而Yc则为拟合的本体健康指标。f为本体健康指标函数。
其中，本体健康指标函数f用以预测未来一预测的健康指标会超过一门坎值的一预测时间点，预测时间点为机台零件的一故障时间点，故障时间点与一目前时间点之差为第一预测剩余寿命。
举例来说，假设门坎值TH为30，当下工艺周期r5(对应至时间点t1)之前的本体健康指标为(6.8，9.0，11.0，13.1，14.6)。如此，可求出本体健康指标函数f为Yc＝f(Xc)＝4.99+1.97Xc。而第一预测剩余寿命则为Yc达到门坎值TH时的工艺周期re(对应至时间点t2)与当下的工艺周期r5(对应至时间点t1)的时间差T1(＝t2-t1)。而第一预测信心值例如可以用f与本体健康指标为(6.8，9.0，11.0，13.1，14.6)的拟合优度(goodness of fit)作为第一预测信心值，例如是以f与本体健康指标为(6.8，9.0，11.0，13.1，14.6)所对应的回归误差作为第一预测信心值。
兹将针对历史预测模块根据历史健康指标，得到历史健康指标模型，并得到第二预测剩余寿命与第二预测信心度的作法之一例说明如下。请参照图5，其绘示取得历史健康指标模型的一例。历史故障数据包括至少一个训练周期的感测数据，各训练周期的感测数据各对应至一个历史健康指标函数，例如是f1至f5。多个历史健康指标函数，例如是f1至f5，构成上述的历史健康指标模型。历史健康指标函数例如类似于图4所示的利用回归模型，根据各训练周期的感测数据得到各自对应的历史健康指标函数。在历史健康指标模型中，定义有对应至本体健康指标函数f的一可能趋势区间，例如是边界s1与s2所包围的区间，边界s1例如是本体健康指标函数f斜率增加一特定值所对应的边界s1，而边界s2则例如是本体健康指标函数f斜率减少另一特定值所对应的边界s2。
若可能趋势区间中存在有至少一个历史健康指标函数，则历史预测模块利用可能趋势区间中的至少一个历史健康指标函数，拟合得到的一历史拟合函数，并借由历史拟合函数得到第二预测剩余寿命。例如，假设由边界s1与s2所定义的可能趋势区间中存在有历史健康指标函数f2与f3，则可借由历史健康指标函数f2与f3拟合得到的一历史拟合函数f’，并可借由历史拟合函数f’得到第二预测剩余寿命。历史拟合函数f’用以预测未来一预测的健康指标会超过门坎值TH的一预测时间点，预测时间点为机台零件的一故障时间点，故障时间点与一目前时间点之差为第二预测剩余寿命。例如，第二预测剩余寿命为历史拟合函数f’的值达到门坎值TH时的工艺周期re’(对应至时间点t3)，与当下的工艺周期r5(对应至时间点t1)的时间差T2(＝t3-t1)。
而第二预测信心度的取得方式的一例可以是，若可能趋势区间存在有至少一个历史健康指标函数，则第二预测信心度值为一第一值(例如为1)；若否，则第二预测信心度值为一第二值(例如为0)。当第二预测信心度值为第一值时，信心度模块110以第二预测剩余寿命作为机台零件的最终预测剩余寿命。而当第二预测信心度值为第二值时，信心度模块110以第一预测剩余寿命作为机台零件的最终预测剩余寿命。
在另一实施例中，第二预测信心度可以设定成与历史健康指标模型与本体健康指标函数的相似度相关。例如借由计算历史健康指标模型与本体健康指标函数的距离来得到。以图5为例，若由历史健康指标函数f1～f5所组成的历史健康指标模型与本体健康指标函数f的相似度越高，则第二预测信心度值越高。或者，若位于由边界s1与s2所定义的可能趋势区间中的历史健康指标函数f2与f3与本体健康指标函数f的相似度越高，则第二预测信心度值越高。而在信心度模块110中，通过将第一预测信心值与第二预测信心值经过正规化计算出一组合系数，并根据组合系数将第一预测剩余寿命与第二预测剩余寿命进行加权平均，以得到最终预测剩余寿命。
在另一实施例中，在信心度模块110中，借由判断第一预测信心值或第二预测信心值是否大于一信心值门坎值，并以大于信心门坎值的第一预测信心值或第二预测信心值所对应的第一预测剩余寿命或第二预测剩余寿命作为最终预测剩余寿命。
本发明还提出一种机台零件剩余寿命的预测方法。请参照图6，其绘示依照本发明实施例的机台零件剩余寿命的预测方法的流程图。首先，执行步骤602，取得一机台零件的一测试感测数据。接着，执行步骤604，根据机台零件的一历史故障数据得到一历史健康指标，并根据测试感测数据得到一本体健康指标。之后，执行步骤606，根据本体健康指标，得到一本体健康指标函数，并根据本体健康指标函数，得到一第一预测剩余寿命并得到一第一预测信心度。
然后，进入步骤608，根据历史健康指标，得到一历史健康指标模型。历史健康指标模型包括至少一历史健康指标函数。并根据历史健康指标模型与本体健康指标函数，得到一第二预测剩余寿命，并根据历史健康指标模型与本体健康指标函数的关系，得到一第二预测信心度。之后，执行步骤610，根据第一预测剩余寿命、第二预测剩余寿命、第一预测信心度与第二预测信心度，得出机台零件的一最终预测剩余寿命。
本实施例的机台零件剩余寿命的预测系统与方法与单纯只使用当下本体数据的老化趋势或是历史故障数据的机台零件剩余寿命预测方法相较，使用本体数据老化趋势的预测方法可能会有数据量数量不足或稳定性不够，而造成预测结果不理想。而使用历史故障数据的机台零件的预测方法可能会因当下的故障模式未曾在历史故障数据中出现过，而产生较差的预测结果。本发明结合了使用当下本体数据的老化趋势及历史故障数据的机台零件剩余寿命的预测模型，并用动态调配的方式来决定最终预测剩余寿命，可以使得预测结果能明显提升。借由提高机台零件的最终预测的剩余寿命预测的准确度，可以决定出最佳的机台零件的维护或更换时机，以减少机台非预期性停机的情况，并降低维修频率。
综上所述，虽然本发明已以较佳实施例公开如上，然其并非用以限定本发明。本发明所属技术领域技术人员，在不脱离本发明的精神和范围内，当可作各种更动与润色。因此，本发明的保护范围当视权利要求书所界定的为准。

Claims (16)

1.一种机台零件剩余寿命的预测系统，其特征在于，包括：
一数据模块，用以取得一机台零件的一测试感测数据；
一特征模块，根据该机台零件的一历史故障数据得到一历史健康指标，并根据该测试感测数据得到一本体健康指标；
一本体预测模块，用以根据该本体健康指标，得到一本体健康指标函数，并根据该本体健康指标函数，得到一第一预测剩余寿命并得到一第一预测信心度；
一历史预测模块，用以根据该历史健康指标，得到一历史健康指标模型，该历史健康指标模型包括至少一历史健康指标函数，并根据该历史健康指标模型与该本体健康指标函数，得到一第二预测剩余寿命，并根据该历史健康指标模型与该本体健康指标函数的关系，得到一第二预测信心度；以及
一信心度模块，根据该第一预测剩余寿命、该第二预测剩余寿命、该第一预测信心度与该第二预测信心度，得出该机台零件的一最终预测剩余寿命；
其中，该数据模块、该特征模块、该本体预测模块、该历史预测模块、及该信心度模块至少其中之一借由至少一电路来达成，或借由一处理器执行一程序来达成，
其中，该本体健康指标函数用以预测未来一预测的健康指标会超过一门坎值的一预测时间点，该预测时间点为该机台零件的一故障时间点，该故障时间点与一目前时间点之差为该第一预测剩余寿命；
该本体健康指标函数与该本体健康指标的拟合优度为该第一预测信心度；
其中，该历史故障数据包括至少一个训练周期的感测数据，各该训练周期的感测数据各对应至一个历史健康指标函数；该历史健康指标模型中，定义有对应至该本体健康指标函数一可能趋势区间，若该可能趋势区间中存在有至少一个历史健康指标函数，则该历史预测模块利用该可能趋势区间中该至少一个历史健康指标函数，拟合得到的一历史拟合函数，并借由该历史拟合函数得到该第二预测剩余寿命。
2.如权利要求1所述的预测系统，其特征在于，该历史拟合函数用以预测未来该预测的健康指标会超过该门坎值的该预测时间点，该预测时间点为该机台零件的该故障时间点，该故障时间点与一目前时间点之差为该第二预测剩余寿命。
3.如权利要求1所述的预测系统，其特征在于，若该可能趋势区间存在有该至少一个历史健康指标函数，则该第二预测信心度为一第一值，若否，则该第二预测信心度为一第二值，当该第二预测信心度为该第一值时，该信心度模块以该第二预测剩余寿命作为该机台零件的该最终预测剩余寿命。
4.如权利要求3所述的预测系统，其特征在于，当该第二预测信心度为该第二值，该信心度模块以该第一预测剩余寿命作为该机台零件的该最终预测剩余寿命。
5.如权利要求1所述的预测系统，其特征在于，该第二预测信心度与该历史健康指标模型与该本体健康指标函数的相似度相关。
6.如权利要求1所述的预测系统，其特征在于，在该信心度模块中，通过将该第一预测信心度与该第二预测信心度经过正规化计算出一组合系数，并根据该组合系数将该第一预测剩余寿命与该第二预测剩余寿命进行加权平均，以得到该最终预测剩余寿命。
7.如权利要求1所述的预测系统，其特征在于，在该本体预测模块中，利用回归模型，根据该测试感测数据得到该本体健康指标函数，而所对应的一回归误差作为该第一预测信心度。
8.如权利要求1所述的预测系统，其特征在于，在信心度模块中，借由判断该第一预测信心度或该第二预测信心度是否大于一信心度门坎值，并以大于该信心度门坎值的该第一预测信心度或该第二预测信心度所对应的该第一预测剩余寿命或该第二预测剩余寿命作为该最终预测剩余寿命。
9.一种机台零件的剩余寿命的预测方法，其特征在于，包括：
取得一机台零件的一测试感测数据；
根据该机台零件的一历史故障数据得到一历史健康指标，并根据该测试感测数据得到一本体健康指标；
根据该本体健康指标，得到一本体健康指标函数，并根据该本体健康指标函数，得到一第一预测剩余寿命并得到一第一预测信心度；
根据该历史健康指标，得到一历史健康指标模型，该历史健康指标模型包括至少一历史健康指标函数，并根据该历史健康指标模型与该本体健康指标函数，得到一第二预测剩余寿命，并根据该历史健康指标模型与该本体健康指标函数的关系，得到一第二预测信心度；以及
根据该第一预测剩余寿命、该第二预测剩余寿命、该第一预测信心度与该第二预测信心度，得出该机台零件的一最终预测剩余寿命，
其中，该本体健康指标函数用以预测未来一预测的健康指标会超过一门坎值的一预测时间点，该预测时间点为该机台零件的一故障时间点，该故障时间点与一目前时间点之差为该第一预测剩余寿命；
该本体健康指标函数与该本体健康指标的拟合优度为该第一预测信心度；
其中，该历史故障数据报包括至少一个训练周期的感测数据，各该训练周期的感测数据各对应至一个历史健康指标函数，在该历史健康指标模型中，定义有对应至该本体健康指标函数一可能趋势区间，若该可能趋势区间中存在有至少一个历史健康指标函数，则利用该可能趋势区间中该至少一个历史健康指标函数，拟合得到一历史拟合函数，并借由历史拟合函数得到该第二预测剩余寿命。
10.如权利要求9所述的预测方法，其特征在于，该历史拟合函数用以预测未来该预测的健康指标会超过该门坎值的该预测时间点，该预测时间点为该机台零件的该故障时间点，该故障时间点与一目前时间点之差为该第二预测剩余寿命。
11.如权利要求9所述的预测方法，其特征在于，若该可能趋势区间存在有该至少一个历史健康指标函数，则该第二预测信心度为一第一值，若否，则该第二预测信心度为一第二值，当该第二预测信心度为该第一值时，以该第二预测剩余寿命作为该机台零件的该最终预测剩余寿命。
12.如权利要求11所述的预测方法，其特征在于，当该第二预测信心度为该第二值，以该第一预测剩余寿命作为该机台零件的该最终预测剩余寿命。
13.如权利要求9所述的预测方法，其特征在于，该第二预测信心度与该历史健康指标模型与该本体健康指标函数的相似度相关。
14.如权利要求9所述的预测方法，其特征在于，在得到该最终预测剩余寿命的步骤中，通过将该第一预测信心度与该第二预测信心度经过正规化计算出一组合系数，并根据该组合系数将该第一预测剩余寿命与该第二预测剩余寿命进行加权平均，以得到该最终预测剩余寿命。
15.如权利要求9所述的预测方法，其特征在于，在得到该本体健康指标函数的步骤中，利用回归模型，根据该测试感测数据得到该本体健康指标函数，而所对应的一回归误差作为该第一预测信心度。
16.如权利要求9所述的预测方法，其特征在于，在得到该最终预测剩余寿命的步骤中，借由判断该第一预测信心度或该第二预测信心度是否大于一信心度门坎值，并以大于该信心度门坎值的该第一预测信心度或该第二预测信心度所对应的该第一预测剩余寿命或该第二预测剩余寿命作为该最终预测剩余寿命。
CN201710049566.7A 2016-12-13 2017-01-23 机台零件剩余寿命的预测系统与预测方法 Active CN108615088B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW105141245 2016-12-13
TW105141245A TWI603210B (zh) 2016-12-13 2016-12-13 機台零件之剩餘壽命的預測系統與預測方法

Publications (2)

Publication Number Publication Date
CN108615088A CN108615088A (zh) 2018-10-02
CN108615088B true CN108615088B (zh) 2022-04-05

Family

ID=61011259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710049566.7A Active CN108615088B (zh) 2016-12-13 2017-01-23 机台零件剩余寿命的预测系统与预测方法

Country Status (3)

Country Link
US (1) US11106190B2 (zh)
CN (1) CN108615088B (zh)
TW (1) TWI603210B (zh)

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016196775A1 (en) * 2015-06-04 2016-12-08 Fischer Block, Inc. Remaining-life and time-to-failure predictions of power assets
TWI570587B (zh) * 2015-12-07 2017-02-11 財團法人工業技術研究院 半導體機台零件剩餘壽命預測系統與方法
TWI669606B (zh) * 2017-11-20 2019-08-21 財團法人資訊工業策進會 機台診斷方法及其系統
CN109165396B (zh) * 2018-06-27 2023-09-29 谭晓栋 一种故障演化趋势的设备剩余使用寿命预测方法
EP3611588A1 (de) * 2018-08-14 2020-02-19 Siemens Aktiengesellschaft Anordnung und verfahren zur prognose einer restnutzungsdauer einer maschine
CN109325208A (zh) * 2018-08-14 2019-02-12 北京空间飞行器总体设计部 基于经验小波变换和神经网络的零部件寿命预测方法和装置
CN109472110B (zh) * 2018-11-29 2023-06-27 南京航空航天大学 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法
CN109597700B (zh) * 2018-12-03 2021-10-29 郑州云海信息技术有限公司 一种磁盘寿命预测方法及相关装置
TWI719786B (zh) * 2019-12-30 2021-02-21 財團法人工業技術研究院 資料處理系統與方法
CN111222290B (zh) * 2020-01-13 2024-04-09 浙江工业大学 一种基于多参数特征融合的大型设备剩余使用寿命预测方法
CN111814954B (zh) * 2020-06-19 2023-09-08 武汉光迅科技股份有限公司 一种光纤质量分析方法、装置、电子设备及存储介质
CN112100767A (zh) * 2020-09-02 2020-12-18 西北工业大学 一种基于奇异值分解和gru的航空发动机寿命预测方法
CN112183970B (zh) * 2020-09-15 2024-01-23 珠海格力电器股份有限公司 评估目标设备中选定零件磨损程度的方法及装置
DE102020212297A1 (de) * 2020-09-29 2022-03-31 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur robusten Vorhersage des Alterungsverhaltens eines Energiespeichers in einer batteriebetriebenen Maschine
CN112182981A (zh) * 2020-10-26 2021-01-05 易事特集团(河南)有限公司 电解电容寿命预测方法、装置、设备及存储介质
EP4016222A1 (en) * 2020-12-18 2022-06-22 Honeywell International Inc. Monitoring the remaining useful lifetime of an asset
US11976419B2 (en) * 2021-03-31 2024-05-07 Schneider Electric Systems Usa, Inc. Health assessment of a mechanical system
US11755971B2 (en) * 2021-04-07 2023-09-12 Novity, Inc. Threshold based selective maintenance of series-parallel systems
EP4071573A3 (en) * 2021-04-07 2022-11-30 Liebherr-Components Colmar SAS A method for predicting a remaining lifetime parameter of a component
CN113468720B (zh) * 2021-06-02 2022-08-19 中国人民解放军火箭军工程大学 一种数模联动的随机退化设备寿命预测方法
CN113076701B (zh) * 2021-06-07 2021-09-07 湖南博匠信息科技有限公司 基于健康信息的终端设备寿命预测方法及系统
CN113487085A (zh) * 2021-07-06 2021-10-08 新智数字科技有限公司 基于联合学习框架的设备使用寿命的预测方法、装置、计算机设备及计算机可读存储介质
TWI773539B (zh) * 2021-09-24 2022-08-01 英業達股份有限公司 依據離群值篩選資料以預測測試時間之系統及方法
CN113869721A (zh) * 2021-09-27 2021-12-31 广东电网有限责任公司 一种变电设备健康状态分类方法及装置
CN114488996A (zh) * 2021-12-27 2022-05-13 山东浪潮工业互联网产业股份有限公司 一种设备健康监控与预警方法及系统
CN115982976B (zh) * 2022-12-19 2024-01-05 南京航空航天大学 一种油浸式电力变压器的剩余寿命预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104166787A (zh) * 2014-07-17 2014-11-26 南京航空航天大学 一种基于多阶段信息融合的航空发动机剩余寿命预测方法
CN105512483A (zh) * 2015-12-08 2016-04-20 清华大学 基于损伤传播模型和数据分析的航空发动机剩余寿命预测
CN105808957A (zh) * 2016-03-15 2016-07-27 清华大学 航空发动机剩余寿命预测方法

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10238476A1 (de) * 2001-09-28 2003-04-17 Ibm Dynamische Verwaltung von Helpdesks
US20030184307A1 (en) * 2002-02-19 2003-10-02 Kozlowski James D. Model-based predictive diagnostic tool for primary and secondary batteries
US7136994B2 (en) * 2003-05-13 2006-11-14 Intel Corporation Recovery images in an operational firmware environment
US7702485B2 (en) * 2006-12-06 2010-04-20 Oracle America, Inc. Method and apparatus for predicting remaining useful life for a computer system
US7725293B2 (en) * 2006-12-07 2010-05-25 General Electric Company System and method for equipment remaining life estimation
US8849586B1 (en) 2007-11-30 2014-09-30 Intellectual Assets Llc Path classification and estimation method and system for prognosticating asset life
TW200939055A (en) 2008-03-10 2009-09-16 Univ Da Yeh Method for forecasting the future status of facility and equipment
US20100205039A1 (en) 2009-02-11 2010-08-12 International Business Machines Corporation Demand forecasting
US8725456B1 (en) 2009-05-05 2014-05-13 The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) Decomposition technique for remaining useful life prediction
US8086327B2 (en) * 2009-05-14 2011-12-27 Mks Instruments, Inc. Methods and apparatus for automated predictive design space estimation
US20120130760A1 (en) * 2009-10-26 2012-05-24 Jerry Shan Adjusting a point prediction that is part of the long-term product life cycle based forecast
US8340923B2 (en) * 2010-04-01 2012-12-25 Oracle America, Inc. Predicting remaining useful life for a computer system using a stress-based prediction technique
US8712726B2 (en) * 2010-12-01 2014-04-29 Xerox Corporation System and method for predicting remaining useful life of device components
US9002775B1 (en) * 2011-09-02 2015-04-07 Lockheed Martin Corporation Systems and methods for estimating a remaining useful life of an item
TWI463334B (zh) 2012-07-20 2014-12-01 Univ Nat Cheng Kung 標的裝置的基底預測保養方法與其電腦程式產品
US9418183B2 (en) * 2013-06-10 2016-08-16 Abb Research Ltd. Model development environment for assisting user in developing model describing condition of industrial asset
TWI549075B (zh) 2014-11-26 2016-09-11 財團法人工業技術研究院 機台維護排程的方法與系統
CN105445004B (zh) 2015-11-15 2018-11-30 长兴昇阳科技有限公司 设备零部件的振动曲线归一化平均寿命预测办法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104166787A (zh) * 2014-07-17 2014-11-26 南京航空航天大学 一种基于多阶段信息融合的航空发动机剩余寿命预测方法
CN105512483A (zh) * 2015-12-08 2016-04-20 清华大学 基于损伤传播模型和数据分析的航空发动机剩余寿命预测
CN105808957A (zh) * 2016-03-15 2016-07-27 清华大学 航空发动机剩余寿命预测方法

Also Published As

Publication number Publication date
TW201822023A (zh) 2018-06-16
CN108615088A (zh) 2018-10-02
TWI603210B (zh) 2017-10-21
US20180165592A1 (en) 2018-06-14
US11106190B2 (en) 2021-08-31

Similar Documents

Publication Publication Date Title
CN108615088B (zh) 机台零件剩余寿命的预测系统与预测方法
JP6622497B2 (ja) 故障予測装置および故障予測方法
US9465387B2 (en) Anomaly diagnosis system and anomaly diagnosis method
US10521193B2 (en) Monitoring system and monitoring method
CN108334652B (zh) 机台的预诊断方法及预诊断装置
US10852357B2 (en) System and method for UPS battery monitoring and data analysis
KR102097953B1 (ko) 고장 리스크 지표 추정 장치 및 고장 리스크 지표 추정 방법
CN101238421A (zh) 用于监控工艺环境中的动态参数的自校正多变量分析
JP6472327B2 (ja) 異常予兆診断装置及び異常予兆診断方法
CN107710089B (zh) 工厂设备诊断装置以及工厂设备诊断方法
JP6737277B2 (ja) 製造プロセス分析装置、製造プロセス分析方法、及び、製造プロセス分析プログラム
CN110471395B (zh) 一种故障检测方法、装置、设备及存储介质
EP2613207A2 (en) Adaptive trend-change detection and function fitting system and method
KR102073537B1 (ko) 리스크 평가 장치, 리스크 평가 시스템, 리스크 평가 방법 및 리스크 평가 프로그램
US20200225644A1 (en) Monitoring target selecting device, monitoring target selecting method, and program
WO2014199177A1 (en) Early warning and prevention system
CN117114454B (zh) 一种基于Apriori算法的直流套管状态评估方法及系统
US20170261971A1 (en) Apparatus for cost-effective conversion of unsupervised fault detection (fd) system to supervised fd system
KR102168737B1 (ko) 품질 분석 장치 및 품질 분석 방법
KR20200009081A (ko) 리스크 평가 장치, 리스크 평가 시스템, 리스크 평가 방법, 리스크 평가 프로그램 및 데이터 구조
KR102093287B1 (ko) Cnc 공작기계의 공구 마모 간접 계측방법
CN114051600A (zh) 具有诊断电路的真空系统以及用于监视这种真空系统的健康的方法和计算机程序
KR101615345B1 (ko) 반도체 생산 공정에서 센서 데이터들을 이용하여 웨이퍼의 수율을 분석하는 방법
EP3706048A1 (en) Anomaly prediction in an industrial system
CN112723071B (zh) 电梯部件性能监测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant