TW202014914A

TW202014914A - 設備健康狀態監控方法及其系統

Info

Publication number: TW202014914A
Application number: TW107135993A
Authority: TW
Inventors: 夏啟峻; 張菀容; 葉峻賓
Original assignee: 財團法人工業技術研究院
Priority date: 2018-10-12
Filing date: 2018-10-12
Publication date: 2020-04-16
Also published as: US20200116553A1; US11193816B2; TWI669617B

Abstract

一種設備健康狀態監控方法與應用此方法的系統，適用於監控具有預設監控零件之設備，所述的監控方法包括：從至少一感測器在第一時段取得預設監控零件的複數個第一數值以抽取複數個第一參數，依據這些第一參數建立設備健康指數模型，在第一時段之後，從至少一感測器在第二時段取得複數個第二數值以抽取複數個第二參數，依據各第二參數及設備健康指數模型各自產生設備健康指數，依據這些第一參數及這些第二參數建立健康狀態管制圖，以及判別各個設備健康指數是否落於健康狀態管制圖的警示區並據以輸出判別結果。

Description

設備健康狀態監控方法及其系統

本發明涉及一種設備健康狀態監控方法及其系統，特別是一種具有預設監控零件之設備健康狀態監控方法及其系統。

在具有可監控零件的設備中，可監控零件可為任何需監控運作狀態的零件。在此乃以旋轉零件為例進行說明，旋轉零件連接設備中其他元件。例如加工機具有一具旋轉零件的主軸，主軸連接一刀具。當設備的健康程度下降時，掛載於主軸上的其他元件在旋轉過程的穩定程度亦隨之下降，進而影響加工產品之品質，甚至導致設備的損傷。換言之，旋轉零件的健康對影響設備的產出較具影響力。若是為了檢查而拆卸旋轉零件，往往必須在重新安裝上去後進行繁瑣的校正程序。因此，拆卸旋轉零件檢查其健康狀態並非是一個能夠經常採用的方式。

除了拆卸後檢查的方式之外，可在一零件附近安裝感測器，以即時取得零件的當前狀態。進一步地，可藉由統計方法或是頻率分析技術，從感測器產生的感測數值中抽取相關參數。或者直接使用感測數值，並參考過去歷史資料，以人工方式訂定適合的門檻值。當感測數值超過門檻值時，發出警示通知設備使用者。然而，感測器之感測數值如振動頻譜可能會因為各種情況偏離原先的數值範圍。所述的各種情況例如零件維修、設備保養或元件拆裝等硬體變動；轉速加快、設備操作模式調整等軟體變動；更換加工材料使得負載加重等外在因素變動。因此，當感測數值受到上述情況影響時，門檻值也必需重新設定。換言之，僅靠預先定義的幾種固定門檻值，並不能保證適用於各式各樣的應用情境。

另一方面，過去應用感測器的方式通常是在設備上或設備附近裝設各種有線或無線感測器後，分別進行監控；當任一感測器之感測數值達到警示條件時，立即發出警示。然而，從專家角度而言，設備的異常與否需要觀察多種感測器之數值並進行綜合判斷才能得出結論。例如加工機之振動變大，亦需要觀察主軸溫度是否同時劇烈提高，才可確定振動的肇因並非負載加大所造成，進而斷定是設備異常。換言之，僅依靠各種感測器的數值與其警報門檻值分別監控，容易提高誤警報的機率。

有鑑於此，本發明提出一種設備健康狀態監控方法及其系統。藉由安裝在設備上的健康監控裝置蒐集各種感測器的感測數值，再透過設備健康指數模型與設備健康指數的轉換機制，對感測數值反映出的設備健康狀態持續監控。本發明可在設備異常前，預先警示設備使用者（例如設備工程師）進行處置。

依據本發明技術的一種設備健康狀態監控方法一實施例，適用於監控具有預設監控零件之設備，所述的監控方法包括：從至少一感測器在第一時段取得預設監控零件的複數個第一數值；從這些第一數值中抽取複數個第一參數；依據這些第一參數建立設備健康指數模型；在第一時段之後，從至少一感測器在第二時段取得複數個第二數值；從這些第二數值中抽取複數個第二參數；依據各第二參數及設備健康指數模型各自產生設備健康指數；依據這些設備健康指數建立健康狀態管制圖；以及判別各個設備健康指數是否落於健康狀態管制圖的警示區並據以輸出判別結果。

依據本發明技術的一種設備健康狀態監控系統一實施例，適用於監控具有預設監控零件及至少一感測器之設備，所述的監測系統包括：參數抽取裝置、模型建立裝置、指數轉換裝置、健康狀態判別裝置以及儲存裝置。參數抽取裝置電性連接至少一感測器，在第一時段取得預設監控零件的複數個第一數值並從這些第一數值中抽取複數個第一參數，在第二時段取得複數個第二數值並從這些第二數值中抽取複數個第二參數。模型建立裝置電性連接參數抽取裝置，並依據這些第一參數建立設備健康指數模型。指數轉換裝置電性連接參數抽取裝置及模型建立裝置，並依據各第二參數及設備健康指數模型各自轉換產生設備健康指數。健康狀態判別裝置電性連接模型建立裝置及指數轉換裝置，並建立健康狀態管制圖，判別各個設備健康指數是否落於健康狀態管制圖的警示區並據以輸出判別結果。儲存裝置電性連接模型建立裝置、指數轉換裝置及健康狀態判別裝置，並用以儲存設備健康指數模型、健康狀態管制圖及各個設備健康指數。

以上之關於本揭露內容之說明及以下之實施方式之說明係用以示範與解釋本發明之精神與原理，並且提供本發明之專利申請範圍更進一步之解釋。

以下在實施方式中詳細敘述本發明之詳細特徵以及優點，其內容足以使任何熟習相關技藝者了解本發明之技術內容並據以實施，且根據本說明書所揭露之內容、申請專利範圍及圖式，任何熟習相關技藝者可輕易地理解本發明相關之目的及優點。以下之實施例係進一步詳細說明本發明之觀點，但非以任何觀點限制本發明之範疇。

於一實施例中，本發明一實施例的設備健康狀態監控系統的運作可分為兩個階段：訓練階段及測試階段。在測試階段前，先完成訓練階段。訓練階段相當於學習階段。在判斷為健康狀態下，具有預設監控零件的設備正常運作，同時可透過以鎖附方式或黏貼方式固定於預設監控零件周圍或可距離一感測範圍的感測器蒐集一定數量的歷史感測資料以建立設備健康指數模型。測試階段係設備正式上線後的即時監控階段，可依據在訓練階段得到的設備健康指數模型，在測試階段對每一筆正式上線所蒐集到的感測資料，即時偵測設備的健康狀態。

請參考圖1，其係繪示本發明一實施例的設備健康狀態監控系統1的方塊圖。如圖1所示，設備健康狀態監控系統1包括參數抽取裝置11、模型建立裝置12、指數轉換裝置13、健康狀態判別裝置14以及儲存裝置15。這些裝置可以用多種方式實現，實作例包括，譬如以邏輯陣列實現之硬體電路，例如可編程邏輯陣列（programmable logic array, PLA）、場效可編程邏輯閘陣列（field programmable gate array, FPGA）或掩模可編程積體電路（mask programmable IC），譬如特定應用IC（application-specific IC, ASIC）。這些裝置任一的實作例可以包括基於軟體的可執行資源來實現，該可執行資源由譬如微處理器電路（未顯示）的相應內部處理器電路執行，並且使用一或多個積體電路來實現。其中執行儲存於一記憶體電路中(譬如：於儲存裝置15中)的可執行碼，使得實現處理器電路的IC將應用程序狀態變數存儲於處理器記憶體中，使產生可執行的應用程序資源來運作本文中所陳述的裝置操作。

請繼續參考圖1。本發明實施例的設備健康狀態監控系統係適用於監控具有預設監控零件MP及至少一感測器S之設備E。預設監控零件MP可為任何需監控運作狀態的零件，而於一實施例中預設監控零件MP可係旋轉零件等，旋轉零件可係例如軸承，轉子元件、空壓機馬達、動力傳動皮帶張力等。在此乃以旋轉零件為例，但本發明不限於此。參數抽取裝置11電性連接至少一感測器S，藉此參數抽取裝置11可以在第一時段取得預設監控零件的複數個第一數值並在第二時段取得複數個第二數值。第一時段即前述的訓練階段，而第一數值係感測器S在訓練階段產生的感測數值；第二時段即前述的測試階段，而第二數值係感測器S在測試階段時產生的感測數值。為便於敘述，後文以感測數值一併代稱第一數值及第二數值。在本發明一實施例中，假設有

個感測器S，第

個感測器S蒐集

筆感測器S數值

，將各感測器S數值對齊為

個，即

。

為了讓本發明一實施例所敘述的設備健康狀態監控系統1能夠偵測更多種類的異常，可以輸入多個種類的感測數值至參數抽取裝置11。本發明並不限定感測器S種類，僅需感測器S可定期產生反映設備E狀態之數位數值即可。實務上，亦可根據領域專家經驗挑選感測器S。以工具機為例，根據領域專家經驗，並考慮感測器S價格與其可反映出來的異常種類，較佳之感測器S種類為加速規及溫度感測器。於本實施例中，至少一感測器S可係選自，例如溫度感測器、振動感測器、壓力感測器、力矩感測器或濕度感測器等等之一者或前述各感測器的任意組合，但本發明並不限於此。設備E可係例如加工機、火車車廂輪子、粉碎機、渦輪機、發電機、滾軋機等，但本發明並不限於此。

在取得感測數值之後，參數抽取裝置11接著抽取第一參數及第二參數。不同實施例中，所抽取的第一參數及第二參數可以為統計類型參數或頻率類型參數或兩者類型混用，其中頻率類型參數包含頻帶類型參數及時頻類型參數，然而本發明並不限制於上述的參數類型。統計類型參數例如係：方均根（root mean square）

、均根方（square mean root）

、峰間振幅（peak-to-peak amplitude）

、峰值因數（peak-to-peak factor）

、樣本峰度（sample kurtosis）

或樣本偏度（sample skewness）

。頻帶類型參數例如係：軸承外環軌道損壞頻率（Ball Pass Frequency of Outer ring）

、軸承內環軌道損壞頻率（Ball Pass Frequency of Inner ring）

、軸承滾動件損壞頻率（Ball Spin Frequency）

等頻率上之能量強度

、

、

，以及該些2、3倍頻率上之能量強度

、

、

、

、

、

。時頻類參數例如係：小波轉換（wavelet transform）參數。在本發明一實施例中，參數抽取裝置11對

採用3階小波轉換，抽取每個次頻帶的亂度（Wiener Entropy）的統計量，例如平均數

及變異數

等組成第一參數及第二參數的一部份。

於一實施例中，根據各種參數所定義計算方式，參數抽取裝置11從第一數值中抽取複數個第一參數，並從第二數值中抽取複數個第二參數。參數抽取裝置11將每個類型的所有感測器S在一時間點所抽取的第一參數串接成為一多維度向量，如下所示：

在第一時段（訓練階段）之間的每個時間點，由參數抽取裝置11串接而成的每個多維度向量可以組成一向量個數為

、維度為

的訓練資料集

，以便於模型建立裝置12建立設備健康指數模型。在第二時段（測試階段）之間的每個時間點，由參數抽取裝置11串接而成的每個多維度向量可以組成一向量個數為

的測試資料集

，以便於指數轉換裝置13針對每一筆即時資料

進行轉換以產生設備健康指數。

請繼續參考圖1。藉由電性連接參數抽取裝置11的模型建立裝置12，從參數抽取裝置11接收由第一參數所組成的訓練資料集並依據此訓練資料集建立設備健康指數模型。參數抽取裝置11並將訓練資料集存入存儲裝置15內一歷史資料庫中。建立設備健康指數模型的方式例如可係透過資料深度模型（Data Depth Model）、高斯混合模型（Gaussian Mixture Model，GMM）或自組織對映模型（Self-Organizing Map，SOM）。然而上述三種模型僅為舉例說明而非用以限制本發明所敘述的設備健康指數模型。在本發明另一實施例中，模型建立裝置12更依據第二參數中的至少一個多維度向量更新設備健康指數模型。換言之，設備健康指數模型可隨著測試階段所得到的新增歷史感測資料而同步更新。

請繼續參考圖1。指數轉換裝置13電性連接參數抽取裝置11及模型建立裝置12。指數轉換裝置13依據第二參數及設備健康指數模型轉換產生設備健康指數。以下依據模型建立裝置12所採用的健康指數模型分別說明指數轉換裝置13轉換產生設備健康指數的方式。

舉一實施例來說，當模型建立裝置12採用高斯混合模型時，其係採用複數個高斯密度函數（Gaussian density function）的加權平均來描述訓練資料集

的機率密度函數，如下所示：

其中，

為高斯密度函數的數量，

分別為高斯混合模型的參數，分別代表各高斯密度函數的權重、平均值與變異數。指數轉換裝置13對於第二參數的概度（likelihood）的轉換方式定義如下：

高斯混合模型的輸出為負對數概度（Negative Log Likelihood，NLL），數值範圍為

。一實施例中，可將NLL取負號後視為設備健康指數，如下所示：

因此，在第二時段，指數轉換裝置13可將測試資料集的每個第二參數代入高斯混合模型的機率密度函數。若計算得出的數值愈大，代表此設備健康指數與健康指數模型愈不相似。

舉另一實施例來說，當模型建立裝置12採用自組織對應模型時，可以將最後得到的拓樸層神經元進行非監督式分群（unsupervised clustering），例如K-means，以決定最後的分群結果。在第二時段，指數轉換裝置13計算第二參數與最近的神經元之間的歐氏距離（Euclidean distance），並將此距離取負號後視為設備健康指數，如下所示：

其中D代表歐氏距離。若第二參數距離最近的神經元仍太遠，則表示目前設備狀態不夠健康。

舉又一實施例來說，模型建立裝置12可依據訓練資料集建立一資料深度模型並以此資料深度模型作為該設備健康指數模型。當模型建立裝置12採用資料深度模型時，模型建立裝置12即能夠以隨機映射（random projection）訓練資料集以得出多個深度值，指數轉換裝置13更計算映射後之各個第二參數相對於映射後之訓練資料集的一深度值，及計算這些深度值之一平均值作為設備健康指數。具體來說，可定義隨機映射半空間函數（Random projection Halfspace Depth）如下所示：

其中，

為要計算深度值的第二參數；

為一維度隨機映射向量；

代表隨機映射的次數；

代表

映射到

的值；

代表訓練資料集

映射到

的所有值；

代表映射到

在

的深度值。

然而在原始定義下，兩個深度值為0的樣本點（所述的樣本點可為第一或第二參數），較不易區別其距離中心點的差別。因此，在本發明一實施例採用資料深度模型的實施態樣中，提出一個改良版本的半空間函數，如下所示：

在一維度空間中，資料的中心點即為資料中位數。因此，指數轉換裝置13基於上述改良版本的半空間函數與每個第二參數所計算得出的深度值可視為設備健康指數，

。

依據上述的模型建立裝置12及指數轉換裝置13可知，本發明一實施例的設備健康狀態監控系統1係可將多種感測器S所產生的多維度的感測數值轉換為單一設備健康指數，相較於習知僅依據單一感測器與單一門檻值的比對方式，可降低誤警報情況發生的機率。

請繼續參考圖1。健康狀態判別裝置14電性連接模型建立裝置12、指數轉換裝置13及儲存裝置15，並依據設備健康指數建立一健康狀態管制圖。所述的設備健康指數包含第一參數及第二參數各自被轉換後的設備健康指數。於一實施例中，所述的健康狀態管制圖係指數加權移動平均管制圖（Exponentially Weighted Moving Average chart，EWMA）。由於即使在相同工作狀態下，第二參數中的第二數值例如振動訊號也可能會有不同的訊號趨勢。而透過EWMA可將設備健康指數作平滑（smooth）轉換。一實施例中，EWMA之統計量定義如下：

其中

為包含訓練資料集在內，

的EWMA統計量，起始值

為訓練資料集的設備健康指數的平均值。

為平滑指數，其代表意義為學習新資料的比率，

。當

時，即為傳統的統計製程管制（Statistical Process Control，SPC）。而當

時，會有較佳的平滑效果，且不會影響設備健康指數整體的數值變化趨勢。

健康狀態判別裝置14判別測試資料集的各個設備健康指數是否落於健康狀態管制圖的一警示區並據以輸出一判別結果。於一實施例中，警示區係可由一個可動態調整的L倍標準差管制下界（Lower Control Limit，LCL）決定，如下所示：

其中，

為從訓練資料集和測試資料集轉換得出的設備健康指數的平均值，如下所示：

而

為從訓練資料集和測試資料集計算的標準差，如下所示：

請繼續參考圖1。儲存裝置15電性連接模型建立裝置12及指數轉換裝置13，儲存裝置15可儲存設備健康指數模型、設備健康指數以及歷史資料庫。歷史資料庫中可儲存訓練資料集和「當下時間點」之前的測試資料集以作為歷史感測資料。第二參數裡面可包含多個時間點的資料，但即時的情況下，這些資料是一筆一筆在前述每一個「當下時間點」進來系統。

請參考圖2A~圖2C，其中右方圖式係繪示依據本發明一實施例的健康狀態判別裝置14所產生的EWMA管制圖，左方圖式係繪示傳統SPC管制圖。在本實施例中，使用開放資料集（open data），IEEE PHM 2012 Data Challenge，作為訓練資料集和測試資料集。

請參考圖2A的左圖，圖中的線條為隨著時間變化的均方根（RMS）參數值，L1則為依據SPC計算所得出的管制上界（Upper Control Limit，UCL）值。如RMS時序圖所示，依據L1的管制標準，在時間點T1時（約在時間310單位處，每個單位為10秒鐘）將發出警報。然而，此警報實際上為誤警報。請再參考圖2A的右圖，圖中最上方的線條為EWMA統計量，下方三線條則為EWMA在不同倍標準差設定下計算得出的管制下界。如EWMA管制圖所示，依據動態調整的EWMA管制下界，在時間點T1時並不會發出誤警報，而是在最後EWMA統計量驟降至低於管制下界時，偵測出設備E狀態的異常。

請參考圖2B的左圖。依據傳統SPC的管制標準L2，在時間點T21發出錯誤的警報，然而在時間點T22，設備E真正損壞的時候卻未發出警報。請再參考圖2B的右圖，在時間點T23，依據本發明一實施例所提出的EWMA管制界限可跟隨資料情況動態調整範圍。在時間點T24時成功偵測到設備E狀態異常。

請參考圖2C的左圖，依據傳統SPC的管制標準L3，除了一開始在時間點T31發出誤警報之外，也在時間點T32（約時間320單位處，每個單位為10秒鐘）過早發出警報。請再參考圖2C的右圖，依據本發明一實施例所提出的EWMA管制界限可避免時間點T35的誤警報的情況發生，並且在最後時間點T36成功偵測到狀態異常。

由上述可知，就常見的RMS參數而言，即使在同樣條件下，RMS參數值仍然存在極大差異，甚至在測試初期就出現RMS參數值特別大的情況。相較於本發明所提出的EWMA管制圖，由於將過去設備健康指數的變異程度納入考量，因此具有動態調整管制界限的功效，可確保在設備E確實有異常狀況時發出正確的警報，降低誤警報發生的機率。

請參考圖3，其係繪示依據本發明一實施例所敘述的設備健康狀態監控方法的流程圖。所述的設備健康狀態監控方法適用於監控具有預設監控零件MP之設備E。在圖3中，步驟S21~S23為第一時段（訓練階段），步驟S31~S43為第二時段（測試階段）。

請參考步驟S21，取得第一數值。一實施例中，在第一時段，從可定期反映設備E狀態並產生對應該狀態的感測數值的至少一感測器S取得預設監控零件MP的複數個第一數值。

請參考步驟S22，抽取第一參數。一實施例中，從步驟S21獲取的複數個第一數值中擷取特定數量的第一數值作為第一參數。

請參考步驟S23，建立設備健康指數模型。具體來說，將步驟S22所抽取的第一參數串接成為複數個多維度的向量，將這些多維度向量組成訓練資料集。此外，可選擇性地採用前述提及的資料深度模型、高斯混合模型或自組織對應模型，將訓練資料集代入所採用的設備健康指數模型，以得到訓練階段的輸出。

請參考步驟S31，取得第二數值。一實施例中，在第二時段，從可定期產生反映設備E狀態的感測數值的至少一感測器S取得複數個第二數值。

請參考步驟S32，抽取第二參數。一實施例中，本步驟S32之實際操作方式，類似於步驟S22，所差別之處在於步驟S22中可以只選擇特定數量的第一數值作為第一參數，而本步驟S32一般而言係選取所有第二數值作為第二參數。

請參考步驟S33，產生設備健康指數。一實施例中，將測試階段每個時間點獲取的第二參數代入步驟S23所採用的設備健康指數模型，以便計算得出即時的設備健康指數。一實施例中，假設步驟S23採用資料深度模型作為健康指數模型，則本步驟S33按照下述方式計算設備健康指數。首先，隨機映射訓練資料集及第二參數至複數個一維度向量；其次，計算映射後的第二參數相對於映射後之訓練資料集的深度值；接著，在複數次隨機映射後，計算這些深度值之平均值，再以此平均值作為設備健康指數。另外，在本步驟S33中，亦可選擇性地依據至少一個第二參數更新設備健康指數模型。

請參考步驟S41，建立健康狀態管制圖。一實施例中，首先，依據第二時段的當前設備健康指數、預設平滑指數以及先前EWMA統計量，可計算出當前EWMA統計量。其次，依據上述方式所得到的多個EWMA統計量，可建立健康狀態管制圖。

請參考步驟S42，判斷設備健康指數是否落於管制圖之警示區。一實施例中，首先，依據設備健康指數模型及測試階段產生的健康狀態指數可計算一樣本平均值及一樣本標準差。其次，依據樣本平均值及樣本標準差及步驟S41述及的平滑指數可計算一管制下界，然後可依據此管制下界決定該警示區的範圍。

若在步驟S42中，判別出設備健康指數落於管制圖的警示區，則到步驟S43發出警報通知設備管理人員。否則，回到步驟S31，繼續從感測器S取得第二數值，然後按照步驟S31~S42的流程監控設備的健康狀態。

整體而言，本發明蒐集設備上的感測器的多種感測數值，藉由統計方法或頻率分析技術從中抽取相關參數。本發明採用適當的設備健康指數模型，並依據抽取出的參數分別轉換，以得到健康狀態下及運作狀態下的設備健康指數，透過這些健康指數可描述預設監控零件零件當前狀態相對於正常狀態的偏離程度。本發明一實施例可透過指數加權移動平均管制圖學習預設監控零件零件在正常狀態的健康指數範圍，進一步藉此動態調整管制界線的門檻值，以便於即時判斷預設監控零件零件的健康狀態。本發明可在判斷設備健康轉變為異常的時候，提前警示設備使用者進行處置。相較於過去對於設備監控多以單一靜態參數門檻值為基礎，缺乏動態管制圖的判斷機制。本發明可有效提升設備預防保養的效率，進一步提高多軸向或多種類感測器的設備健康監控系統發出異常警報的正確率，而且不限制對應設備健康狀態的感測器種類。

雖然本發明以前述之實施例揭露如上，然其並非用以限定本發明。在不脫離本發明之精神和範圍內，所為之更動與潤飾，均屬本發明之專利保護範圍。關於本發明所界定之保護範圍請參考所附之申請專利範圍。

E:設備MP:預設監控零件S:感測器1:設備健康狀態監控系統11:參數抽取裝置12:模型建立裝置13:指數轉換裝置14:健康狀態判別裝置15:儲存裝置L1~L3:SPC管制上界T1、T21~24、T31~36:時間點S21~S23、S31~S33、S41~S43:步驟

圖1係依據本發明一實施例所繪示的設備健康狀態監控系統的方塊圖。圖2A、圖2B及圖2C係傳統的統計製程管制圖與依據本發明一實施例所敘述的指數加權移動平均管制管制圖。圖3係依據本發明一實施例所繪示的設備健康狀態監控方法的流程圖。

1:設備健康狀態監控系統

11:參數抽取裝置

12:模型建立裝置

13:指數轉換裝置

14:健康狀態判別裝置

15:儲存裝置

E:設備

MP:預設監控零件

S:感測器

Claims

一種設備健康狀態監控方法，適用於監控具有一預設監控零件之一設備，該監控方法包括：從至少一感測器在一第一時段內取得該預設監控零件的複數個第一數值；從該些第一數值中抽取複數個第一參數；依據該些第一參數建立一設備健康指數模型；在該第一時段之後，從該至少一感測器在一第二時段取得複數個第二數值；從該些第二數值中抽取複數個第二參數；依據各該些第二參數及該設備健康指數模型各自產生一設備健康指數；依據該些設備健康指數建立一健康狀態管制圖；以及判別各該設備健康指數是否落於該健康狀態管制圖的一警示區並據以輸出一判別結果。
如請求項1所述之設備健康狀態監控方法，其中該預設監控零件為一旋轉零件。
如請求項1所述之設備健康狀態監控方法，其中該至少一感測器係選自包括：溫度感測器、振動感測器、壓力感測器、力矩感測器或濕度感測器的其中一者、或前述各感測器的任意組合。
如請求項1所述之設備健康狀態監控方法，其中各該些第一參數及各該些第二參數係一統計類型參數或一頻率類型參數。
如請求項4所述之設備健康狀態監控方法，其中該統計類型參數係方均根、均根方、峰間振幅、峰值因數、樣本峰度或樣本偏度。
如請求項4所述之設備健康狀態監控方法，其中該頻率類型參數係軸承外環軌道損壞頻率、軸承內環軌道損壞頻率、軸承滾動件損壞頻率或小波轉換參數。
如請求項1所述之設備健康狀態監控方法，其中該設備健康指數模型關聯於一資料深度模型、一高斯混合模型或一自組織對映模型。
如請求項1所述之設備健康狀態監控方法，其中依據該些第一參數建立該設備健康指數模型包括：串接該些第一參數成為複數個多維度向量，以該些多維度向量組成一訓練資料集；以及建立關聯於該訓練資料集之該設備健康指數模型。
如請求項8所述之設備健康狀態監控方法，其中建立關聯於該訓練資料集之該設備健康指數模型包括：依據該訓練資料集建立一資料深度模型，以該資料深度模型作為該設備健康指數模型；以及依據各該些第二參數及該設備健康指數模型各自產生該設備健康指數包括：隨機映射該訓練資料集及各該些第二參數至複數個一維度向量；計算映射後之各該些第二參數相對於映射後之該訓練資料集的一深度值；及在複數次隨機映射後，計算該些深度值之一平均值，並以該平均值作為該設備健康指數。
如請求項1所述之設備健康狀態監控方法，其中該健康狀態管制圖係指數加權移動平均管制圖。
如請求項1所述之設備健康狀態監控方法，更包括依據該些第二參數中的至少一個更新該設備健康指數模型。
如請求項1所述之設備健康狀態監控方法，其中判別各該設備健康指數是否落於該健康狀態管制圖的該警示區包括：依據該設備健康指數模型及該些健康狀態指數計算一樣本平均值及一樣本標準差；依據該樣本平均值、該樣本標準差及一平滑指數計算一管制下界，並以該管制下界決定該警示區。
一種設備健康狀態監控系統，適用於監控具有一預設監控零件及至少一感測器之一設備，該監測系統包括：一參數抽取裝置，電性連接該至少一感測器，該參數抽取裝置在一第一時段取得該預設監控零件的複數個第一數值並從該些第一數值中抽取複數個第一參數；及該參數抽取裝置在一第二時段取得複數個第二數值並從該些第二數值中抽取複數個第二參數；一模型建立裝置，電性連接該參數抽取裝置，該模型建立裝置依據該些第一參數建立一設備健康指數模型；一指數轉換裝置，電性連接該參數抽取裝置及該模型建立裝置，該指數轉換裝置依據各該些第二參數及該設備健康指數模型各自轉換產生一設備健康指數；一健康狀態判別裝置，電性連接該模型建立裝置及該指數轉換裝置，該健康狀態判別裝置依據該設備健康指數建立一健康狀態管制圖，判別各該設備健康指數是否落於該健康狀態管制圖的一警示區並據以輸出一判別結果；以及一儲存裝置，電性連接該模型建立裝置、該健康狀態判別裝置及該指數轉換裝置，該儲存裝置用以儲存該設備健康指數模型、該健康狀態管制圖及各該設備健康指數。
如請求項13所述的設備健康狀態監控系統，其中該預設監控零件為一旋轉零件。
如請求項13所述的設備健康狀態監控系統，其中該至少一感測器係選自包括：溫度感測器、振動感測器、壓力感測器、力矩感測器或濕度感測器的其中一者、或前述各感測器的任意組合。
如請求項13所述之設備健康狀態監控系統，其中各該些第一參數及各該些第二參數係一統計類型參數或一頻率類型參數。
如請求項16所述之設備健康狀態監控系統，其中該統計類型參數係方均根、均根方、峰間振幅、峰值因數、樣本峰度或樣本偏度。
如請求項16所述之設備健康狀態監控系統，其中該頻率類型參數係軸承外環軌道損壞頻率、軸承內環軌道損壞頻率、軸承滾動件損壞頻率或小波轉換參數。
如請求項13所述之設備健康狀態監控系統，其中該設備健康指數模型關聯於一資料深度模型、一高斯混合模型或一自組織對映模型。
如請求項13所述之設備健康狀態監控系統，其中依據該些第一參數建立該設備健康指數模型包括：串接該些第一參數成為複數個多維度向量，以該些多維度向量組成一訓練資料集；以及建立關聯於該訓練資料集之該設備健康指數模型。
如請求項20所述之設備健康狀態監控系統，該模型建立裝置更依據該訓練資料集建立一資料深度模型，以該資料深度模型作為該設備健康指數模型，及隨機映射該訓練資料集及各該些第二參數至複數個一維度向量；以及該指數轉換裝置更計算映射後之各該些第二參數相對於映射後之該訓練資料集的一深度值，及計算該些深度值之一平均值作為該設備健康指數。
如請求項13所述之設備健康狀態監控系統，其中該健康狀態管制圖係指數加權移動平均管制圖。
如請求項13所述之設備健康狀態監控系統，其中該模型建立裝置更依據該些第二參數中的至少一個更新該設備健康指數模型。
如請求項13所述之設備健康狀態監控系統，其中該健康狀態判別裝置更依據該設備健康指數模型及該些健康狀態指數計算一樣本平均值及一樣本標準差；以及依據該樣本平均值、該樣本標準差及一平滑指數計算一管制下界，並以該管制下界決定該警示區。