TW202101141A - 設備異常偵測方法及系統 - Google Patents

Abstract

一種設備異常偵測方法，包含輸入複數個即時監控訊號；根據主成份分析模型將即時監控訊號投影至特徵向量上；分別計算即時監控訊號與原點的複數個第一距離；判斷第一距離的其中之一是否大於門檻值；以及如果第一距離的其中之一大於門檻值，根據分類模型判斷第一距離的其中之一的異常狀態。

Description

設備異常偵測方法及系統

本案是有關於一種異常偵測方法及系統，且特別是有關於一種設備異常偵測方法及系統。

工廠產線關鍵設備一般而言會設置線上監控系統，以確保產線穩定及運作安全；然而，傳統監控系統是採用各監控點位上下警戒值作為設備運轉狀態評估，但事實上設備開始進入不穩定之異常狀態時，相關監控點位可能相互影響陸續觸發多點位警報，該警報難以研判片目前設備異常狀態，增加相關作業人員無法做出合理研判之依據，而錯失第一時間之內做出合理決策與措施，導致產線的良率下降或是產線被迫停止等情況。因此，如何達到最適化保養對策以及提升設備運轉可靠度是本領域待解決的問題。

為達成上述目的，本案之第一態樣是在提供一種設備異常偵測方法，此方法包含以下步驟：輸入複數個即時訊號，其中即時訊號包含複數個即時監控參數以及複數個 設備操作參數；根據主成份分析模型將即時訊號投影至特徵向量上；分別計算即時訊號與原點的複數個第一距離；判斷第一距離的其中之一是否大於門檻值；以及如果第一距離的其中之一大於門檻值，根據集群分類模型判斷第一距離的其中之一的異常狀態。

本案之第二態樣是在提供一種設備異常偵測系統，其包含：儲存裝置以及處理器。處理器與儲存裝置電性連接。儲存裝置，用以儲存主成份分析模型、集群分類模型、複數個即時訊號以及複數個歷史訊號，其中即時訊號包含複數個即時監控參數以及複數個設備操作參數。處理器包含：主成份分析元件以及異常判斷元件。主成份分析元件用以根據該主成份分析模型將即時監控訊號投影至特徵向量上，以及分別計算即時監控訊號與原點的複數個第一距離。異常判斷元件與主成份分析元件電性連接，用以判斷第一距離的其中之一是否大於門檻值，如果第一距離的其中之一大於門檻值，根據集群分類模型判斷第一距離的其中之一的異常狀態。

本發明之設備異常偵測方法以及系統，其主要係改進以往傳統保養模式(預知及預防保養)，利用主成份分析元件判斷設備是否發生異常，在進一步利用異常判斷元件判斷設備異常的程度，達到即時偵測並且自動判斷設備的劣化情況，有效採取保養對策的功能。

100‧‧‧設備異常偵測系統

110‧‧‧儲存裝置

120‧‧‧處理器

130‧‧‧顯示器

121‧‧‧分析模型建立元件

122‧‧‧分類模型建立元件

123‧‧‧主成份分析元件

124‧‧‧異常判斷元件

200‧‧‧設備異常偵測方法

Img1、Img2‧‧‧影像

R‧‧‧範圍

PCA1、PCA2‧‧‧特徵向量

X、Y、Z‧‧‧方向

O‧‧‧中心點

PA、PB、PC、PD、PF‧‧‧資料點

d1、d2、d3、d4、d5‧‧‧距離

S210~S250、S310~S350‧‧‧步驟

為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下：第1圖係根據本案之一些實施例所繪示之一種設備異常偵測系統的示意圖；第2圖係根據本案之一些實施例所繪示之一種設備異常偵測方法的流程圖；第3圖係根據本案之一些實施例所繪示之建立主成份分析模型以及集群分類模型的流程圖；第4圖係根據本案之一些實施例所繪示之主成份分析模型的示意圖；以及第5圖係根據本案之一些實施例所繪示之主成份分析模型的示意圖。

以下揭示提供許多不同實施例或例證用以實施本發明的不同特徵。特殊例證中的元件及配置在以下討論中被用來簡化本揭示。所討論的任何例證只用來作為解說的用途，並不會以任何方式限制本發明或其例證之範圍和意義。此外，本揭示在不同例證中可能重複引用數字符號且/或字母，這些重複皆為了簡化及闡述，其本身並未指定以下討論中不同實施例且/或配置之間的關係。

請參閱第1圖。第1圖係根據本案之一些實施例所繪示之一種設備異常偵測系統100的示意圖。如第1圖所繪示，設備異常偵測系統100包含儲存裝置110、處理器120 以及顯示器130。處理器120電性連接至儲存裝置110以及顯示器130，儲存裝置110用以儲存主成份分析模型、集群分類模型、複數個即時訊號、複數個歷史訊號以及修繕履歷等資訊。於一實施例中，複數個即時監控訊號以及複數個歷史監控訊號皆是來自設備上裝設的檢測器所檢測到的設備運轉狀態資訊，舉例而言監控訊號可以是溫度、壓差、震動、電流等偵測器產生的監控訊號。顯示器130用以顯示設備是否有異常狀況以及劣化的狀態，以即時預警通知設備管理者設備的狀態。

於本發明各實施例中，處理器120可以實施為積體電路如微控制單元(microcontroller)、微處理器(microprocessor)、數位訊號處理器(digital signal processor)、特殊應用積體電路(application specific integrated circuit，ASIC)、邏輯電路或其他類似元件或上述元件的組合。儲存裝置110可以實施為記憶體、硬碟、隨身碟、記憶卡等。

承上述，如第1圖所示，處理器120包含分析模型建立元件121、分類模型建立元件122、主成份分析元件123以及異常判斷元件124。分析模型建立元件121與分類模型建立元件122以及主成份分析元件123電性連接，異常判斷元件124與分類模型建立元件122以及主成份分析元件123電性連接。

請參閱第2圖。第2圖係根據本案之一些實施例所繪示之一種設備異常偵測方法200的流程圖。於一實施例 中，第2圖所示之設備異常偵測方法200可以應用於第1圖的設備異常偵測系統100上，處理器120用以根據下列設備異常偵測方法200所描述之步驟，判斷設備是否有異常狀況產生，如果有發生異常狀況，進一步判斷設備的劣化程度。

接著，設備異常偵測方法200首先執行步驟S210，輸入複數個即時訊號，其中即時訊號包含複數個即時監控參數以及複數個設備操作參數；接著執行步驟S220，根據主成份分析模型將即時訊號投影至至少一特徵向量上。在執行步驟S220之前需要先建立主成份分析模型以及集群分類模型。

請參閱第3圖。第3圖係根據本案之一些實施例所繪示之建立主成份分析模型以及集群分類模型的流程圖。如第3圖所示，首先執行步驟S310，輸入複數個歷史訊號，其中歷史訊號包含複數個歷史監控參數以及複數個設備操作參數；接著執行步驟S320，正規化歷史監控訊號以得到調整後的歷史監控訊號；接著執行步驟S330，根據調整後的歷史監控訊號計算至少一特徵向量，並將調整後的歷史監控訊號投影至至少一特徵向量上。

於一實施例中，每個設備皆包含複數個類型不同的檢測器，舉例而言，可以是檢測設備的溫度、壓差、震動或電流狀態的偵測器。在此以溫度、壓差、震動為例。設備操作參數包含設備的基本訊息以及性能參數。

承上述，在主成份分析演算(Principal components analysis，PCA)中，皆需要對資料進行正規 化後，接著計算資料的共變異數矩陣以求得特徵值(eigenvalue)以及特徵向量(eigenvector)，最後將資料投影至特徵向量上以達到降低資料維度的效果。主成份分析演算為習知常用的演算法，在此不再贅述。

請參閱第4圖。第4圖係根據本案之一些實施例所繪示之主成份分析模型的示意圖。如第4圖範例所示(監控維度以3維為圖例說明)，各PCA分析方向軸表示為各監控參數，例方向X代表震動參數，方向Y代表壓力參數，方向Z代表溫度參數，目前有一組變數為震動、壓力及溫度的資料(歷史監控訊號)，經過前述主成份分析演算的操作後，可以得出特徵向量PCA1以及PCA2，特徵向量PCA1為具有較大變異量的主成份，特徵向量PCA2為具有第二大異量的主成份，並且根據特徵向量PCA1以及PCA2繪出橢圓形的範圍R，其中範圍R為設備運轉狀態資料分佈模型。

承上述，接著執行步驟S340，分別計算調整後的歷史監控訊號與原點的複數個第二距離。如第4圖所示，將橢圓形的範圍R的中心點O作為原點，計算每一調整後的歷史監控訊號與中心點O的距離。舉例而言，資料點PA與中心點O的距離是d1，資料點PB與中心點O的距離是d2；由前述第二距離(偏移值)進行集群分類，以區分設備劣化情形。

承上述，接著執行步驟S350，根據第二距離進行分群演算以產生集群分類模型。其中，集群分類模型包含複數個群組，每一群組包含部分的第二距離。於一實施例中，利用K-means演算針對主成份分析演算後產生的結果進 行分群，然而也可以使用其他分群演算法，本揭露不限於此。

於另一實施例中，除了根據距離進行分群演算之外，也可以利用主成分分析所產生的特徵值(eigenvalue)對第二距離先進行判斷，僅採用特徵值大於一特定門檻值的第二距離進行分群。特徵值小於門檻值表示此筆歷史訊號具有較低的貢獻程度，因此濾除掉較低貢獻程度的偏移值，可以提升處理器的計算效能，並且保留貢獻度較高的偏移值，仍然可以訓練出較準確的集群分類模型。

承上述，針對調整後的歷史監控訊號與中心點O的距離計算分類模型，調整後的歷史監控訊號與中心點O的距離表示為該筆歷史監控訊號的異常程度，如果距離值越大，表示該筆歷史監控訊號越異常。因此，可以針對每筆筆歷史監控訊號進行分類以訓練出分類模型。

於此實施例中，假設分類模型分為五個群組，因此可以找出五個群心。五個群組則代表五種異常狀態，分別是第一異常階段表示為設備開始劣化，第二異常階段表示為設備穩定劣化，第三異常階段表示為設備加速劣化，第四異常階段表示為設備劣化加劇，第五異常階段表示為設備故障。

接著，訓練完主成份分析模型以及分類模型。後即可用於設備異常偵測中，值得注意的是，由於每台設備所裝設的檢測器的型態以及數量皆不相同，參數的維度也並不相同，因此每一台設備都須分別訓練主成份分析模型以及分類模型。在步驟S220中，利用之前已訓練完成的主成份 分析模型(第4圖所示的主成份分析模型)，將即時監控訊號投影至特徵向量PCA1。

請參考第5圖。第5圖係根據本案之一些實施例所繪示之主成份分析模型的示意圖。於一實施例中，設備異常偵測方法200執行步驟S230，分別計算即時監控訊號與原點的第一距離；接著執行步驟S240，判斷第一距離的其中之一是否大於門檻值。如第5圖所示，即時監控訊號的資料點PC與中心點O的距離為d3，即時監控訊號的資料點PD與中心點O的距離為d4。於此實施例中，門檻值可以實施為根據特徵向量PCA1以及PCA2繪出的橢圓形範圍R，即時監控訊號的資料點PC的距離d3落在橢圓形範圍R內，即時監控訊號的資料點PD的距離d4則落在橢圓形範圍R外。

於另一實施例中，也可以利用主成分分析所產生的特徵值(eigenvalue)對第一距離先進行判斷，果第一距離的其中之一大於門檻值，但其對應的特徵值小於一特定門檻值，則表示此筆即時訊號雖然有發生異常狀況，但貢獻度較低，因此可以將此筆即時訊號濾除，以提升處理器的計算效能。

承上述，如果即時監控訊號的資料點與中心點O的距離超過範圍R，會被處理器120的異常判斷元件124判定為發生異常狀況。接著，設備異常偵測方法200進一步執行步驟S250，如果第一距離的其中之一大於門檻值，根據分類模型判斷第一距離的其中之一的異常狀態。於此實施例中，異常判斷元件124將即時監控訊號的資料點PD判定 為發生異常狀況，因此進一步利用分類模型判斷即時監控訊號的資料點PD的異常狀態。

承上述，詳細而言，當距離d4大於門檻值時，距離d4會被加入分類模型中，為了容易理解，此處將距離d4以Q值取代來說明。處理器120會分別計算Q值與五個群組的群心之間的差值(距離)，當Q值與五個群組的其中之一的差值最小時，將Q值分類為該些群組的其中之一。舉例而言，如果Q值與代表開始劣化的群組差值最小，處理器120會將Q值加入開始劣化的群組中，並重新計算群心。值得注意的是，Q值代表了即時監控訊號的資料點PD的距離d4，假設即時監控訊號的資料點PD是偵測設備溫度的感測器所偵測到的訊號，因此如果距離d4被分類到開始劣化的群組中，表示設備的溫度已經出現開始劣化的異常原因。

承上述，如果Q值被分類到開始劣化的群組中，處理器120用以傳送通知訊號給顯示器130，以通知使用者此設備發生開始劣化的異常狀態。於另一實施例中，處理器120也可以自動產生預警通知，傳送至企業的伺服器中(圖未示)，以通知使用者設備發生開始劣化的異常狀態。值得注意的時，當發生某一異常狀態時，處理器120會自動通知使用者，但如果重複發生同一異常狀態，處理器120僅會記錄此異常狀態，並不會再重複發送通知訊號或產生預警報告來通知使用者。

於一實施例中，請再參考第5圖，如第5圖所示，即時監控訊號的資料點PF與中心點O的距離為d5，即 時監控訊號的資料點PF的距離d5也落在橢圓形範圍R外，因此被異常判斷元件124判定為發生異常。接著，距離d5也會被當作為Q值加入分類模型中，如果Q值與代表加速劣化的群組差值最小，處理器120會將Q值分類為加速劣化的群組，並重新計算群心。此時，處理器120會通知使用者此設備已發生加速劣化的異常狀態。

承上述，值得注意的是，Q值代表了即時監控訊號的資料點PF的距離d5，假設即時監控訊號的資料點PF是偵測設備震動的感測器所偵測到的訊號，因此如果距離d5被分類到加速劣化的群組中，表示設備的震動已經出現加速劣化的異常狀態。

由上述本案之實施方式可知，主要係改進以往保養設備時僅依靠人力以及定期檢修的方式，利用主成份分析元件判斷設備是否發生異常，在進一步利用異常判斷元件判斷設備異常的程度，達到即時偵測並且自動判斷設備的劣化情況的功能。

另外，上述例示包含依序的示範步驟，但該些步驟不必依所顯示的順序被執行。以不同順序執行該些步驟皆在本揭示內容的考量範圍內。在本揭示內容之實施例的精神與範圍內，可視情況增加、取代、變更順序及/或省略該些步驟。

雖然本案已以實施方式揭示如上，然其並非用以限定本案，任何熟習此技藝者，在不脫離本案之精神和範圍內，當可作各種之更動與潤飾，因此本案之保護範圍當視 後附之申請專利範圍所界定者為準。

100‧‧‧設備異常偵測系統

110‧‧‧儲存裝置

120‧‧‧處理器

130‧‧‧顯示器

121‧‧‧分析模型建立元件

122‧‧‧分類模型建立元件

123‧‧‧主成份分析元件

124‧‧‧異常判斷元件

Claims (10)

1. 一種設備異常偵測方法，包含：輸入複數個即時訊號，其中該些即時訊號包含複數個即時監控參數以及複數個設備操作參數；根據一主成份分析模型將該些即時訊號投影至至少一特徵向量上；分別計算該些即時訊號與一原點的複數個第一距離；判斷該些第一距離的其中之一是否大於一門檻值；以及如果該些第一距離的其中之一大於該門檻值，根據一集群分類模型判斷該些第一距離的其中之一的一異常狀態。
2. 如請求項1所述的設備異常偵測方法，更包含：輸入複數個歷史訊號，其中該些歷史訊號包含複數個歷史監控參數以及該些設備操作參數；正規化該些歷史訊號以得到調整後的該些歷史訊號；根據調整後的該些歷史訊號計算該至少一特徵向量，並將調整後的該些歷史訊號投影至該至少一特徵向量上；分別計算調整後的該些歷史訊號與該原點的複數個第二距離；以及根據該些第二距離進行分群演算以產生該集群分類模型。
3. 如請求項2所述的設備異常偵測方法，其中， 該集群分類模型包含複數個群組，該些群組包含部分的第二距離。
4. 如請求項3所述的設備異常偵測方法，其中，當該些第一距離的其中之一大於該門檻值時，該集群分類模型用以計算該些第一距離的其中之一與該些群組之間的差值，當該些第一距離的其中之一與該些群組的其中之一的差值最小時，將該些第一距離的其中之一分類為該些群組的其中之一。
5. 如請求項1所述的設備異常偵測方法，其中，該異常狀態包含一第一異常階段、一第二異常階段、一第三異常階段、一第四異常階段以及一第五異常階段。
6. 一種設備異常偵測系統，包含：一儲存裝置，用以儲存一主成份分析模型、一集群分類模型、複數個即時訊號以及複數個歷史訊號，其中該些即時訊號包含複數個即時監控參數以及複數個設備操作參數；一處理器，與該儲存裝置電性連接，該處理器包含：一主成份分析元件，用以根據該主成份分析模型將該些即時訊號投影至至少一特徵向量上，以及分別計算該些即時訊號與一原點的複數個第一距離；以及一異常判斷元件，與該主成份分析元件電性連接，用以判斷該些第一距離的其中之一是否大於一門 檻值，如果該些第一距離的其中之一大於該門檻值，根據該集群分類模型判斷該些第一距離的其中之一的一異常狀態。
7. 如請求項6所述的設備異常偵測系統，更包含：一分析模型建立元件，與該主成份分析元件電性連接，用以正規化該些歷史訊號以得到調整後的該些歷史訊號，其中該些歷史訊號包含複數個歷史監控參數以及該些設備操作參數，根據調整後的該些歷史訊號計算該至少一特徵向量，並將調整後的該些歷史訊號投影至該至少一特徵向量上，接著分別計算調整後的該些歷史訊號與該原點的複數個第二距離；以及一分類模型建立元件，與該分析模型建立元件以及該主異常判斷元件電性連接，用以根據該些第二距離進行分群演算以產生該集群分類模型。
8. 如請求項7所述的設備異常偵測系統，其中，該集群分類模型包含複數個群組，該些群組包含部分的第二距離。
9. 如請求項8所述的設備異常偵測系統，其中，當果該些第一距離的其中之一大於該門檻值時，該集群分類模型用以計算該些第一距離的其中之一與該些群組之間的差值，當該些第一距離的其中之一與該些群組的其 中之一的差值最小時，將該些第一距離的其中之一分類為該些群組的其中之一。
10. 如請求項6所述的設備異常偵測系統，其中，該異常狀態包含一第一異常階段、一第二異常階段、一第三異常階段、一第四異常階段以及一第五異常階段。

Images