TWI724871B - 智慧製造與先進排程決策輔助資訊管理系統 - Google Patents

Abstract

一種智慧製造與先進排程決策輔助資訊管理系統，包含一預測維護資料庫、一預測維護系統及一企業資源規劃系統。該預測維護資料庫儲存一維修資料及一維修預測資訊。該預測維護系統擷取一工具機之一運作訊號組，進行特徵提取而輸出一提取特徵組，並以該提取特徵組進行機器學習演算而輸出一預測模型，再根據該預測模型與該提取特徵組預測一機台健康狀況，根據該機台健康狀況與該維修資料輸出該維修預測資訊至該預測維護資料庫。該企業資源規劃系統根據該維修預測資訊進行生產排程。藉此，具有較佳的預測精確度而能進行洽當維護，使工具機保持在最佳的生產狀態。

Description

智慧製造與先進排程決策輔助資訊管理系統

本發明是有關於一種管理系統，特別是指一種適用於控制及維護至少一工具機的智慧製造與先進排程決策輔助資訊管理系統。

隨著機械科技進步，完成一件產品所牽涉到的工具機、零件、原料之數量都逐漸龐大，如何進行管理及維護，即成為目前業界的關注議題之一。

目前對於工具機的維修保養方式，主要是以定期保養或更換零件為主，例如，每隔3個月進行零件潤滑間隙調整等保養。然而，此種保養方式並不能有效預估機台是否即將故障或零件是否即將損壞，可能會發生在定期保養之前機台就發生故障的情況，造成生產線意外停擺，導致額外龐大損失。

另一種保養方式是量測零件的物理量，如變形量、振動、轉速等，當其超過或低於一臨界值時，則判斷該機台或零件需要保養或更換。例如，當量測到工具機切削用刀具的刀尖磨耗高於一臨界值，則判斷需要進行刀具更換。然而，並非所有工具機零件都可以由單一物理量進行判斷，再者，此種以刀尖磨耗程度判斷刀具是否需要更換的方式，需將刀具拆下清潔後才能進行量測，並不適用於產線即時監測刀具磨耗。因此，此方式僅能應用於部分工具機零件或非即時刀具監測的應用情境。

第三種保養方式是依據零件衰退之時間趨勢經驗來預估零件是否需要進行保養或更換。例如，當工具機刀具已裁切長度超過1千公尺的工件，便判斷此刀具需要更換。然而，由於工具機每次切削的工件及工作參數皆不相同，因此，即便是裁切工件長度同樣達1千公尺，刀具也不一定會有相同的磨耗程度，如此，可能會產生刀具已過度磨耗卻仍在使用，或是刀具要更換時還處於可繼續使用的情況，前者會導致產品精度或良率降低，後者則增加不必要的刀具汰換成本。

目前部分企業引入使用企業資源規劃系統進行生產管理，其方式主要是依據訂單內容，將訂單分解成所需要細部零件後再進行生產排程，接著依據生產排程讓每一台機台依序生產、組裝。然而，當發生上述生產線因工具機故障而意外停擺的情況時，由於等待維修或故障檢測的時間從數小時至數天不等，如果遇到所需更換零件缺料或需要從國外進口，等待的時間會更長，導致預定的生產排程無法如期完成。若是為了避免缺料問題而進行額外備料，則又會增加廠商的備料成本。

因此，本發明之目的，即在提供一種能解決上述問題以提升產能的智慧製造與先進排程決策輔助資訊管理系統。

於是，本發明智慧製造與先進排程決策輔助資訊管理系統，適用於控制及維護至少一工具機，包含一預測維護資料庫、一預測維護系統，及一企業資源規劃系統。

該預測維護資料庫預先儲存一維修資料，並用以儲存一維修預測資訊。

該預測維護系統包括一訊號擷取模組、一特徵提取模組、一機器學習模組及一維修預測模組，該訊號擷取模組用以擷取該至少一工具機之一運作訊號組，該特徵提取模組信號連接該訊號擷取模組，接收該運作訊號組並進行特徵提取而輸出一提取特徵組，該機器學習模組信號連接該特徵提取模組，接收該提取特徵組並進行機器學習演算以輸出一預測模型，該維修預測模組信號連接該機器學習模組、該特徵提取模組與該預測維護資料庫，根據該預測模型與該提取特徵組預測一機台健康狀況，並根據該機台健康狀況與該維修資料輸出該維修預測資訊至該預測維護資料庫。

該企業資源規劃系統包括一資料擷取模組、一生產排程模組及一製造執行模組，該資料擷取模組信號連接該預測維護資料庫，用以擷取至少部分該維修預測資訊，該生產排程模組信號連接該資料擷取模組，根據至少部分該維修預測資訊進行生產排程，該製造執行模組信號連接該生產排程模組，根據該生產排程模組的生產排程控制該至少一工具機運作。

本發明之功效在於：藉由設置該訊號擷取模組、該特徵提取模組、該機器學習模組並搭配該維修預測模組，可以即時偵測該工具機的狀況，並由該等工具機的該運作訊號組中提取特徵並以該預測模型進行即時預測，如此，可以達到較高的預測精確度，而能更貼近工具機的實際狀態而在適當時機進行洽當的維護，使工具機可以保持在最佳的生產狀態，並能減少多餘的保養及維修，降低工具機非預期停機的狀況，故能提高生產效能及降低維修成本。

參閱圖1，本發明智慧製造與先進排程決策輔助資訊管理系統之一實施例，適用於控制及維護至少一工具機9，以下以複數工具機9進行說明，而圖1中為圖式簡潔清楚起見，仍僅繪製一個工具機9之方塊。該智慧製造與先進排程決策輔助資訊管理系統包含一預測維護資料庫2、一預測維護系統3，及一企業資源規劃系統4。其中，該等工具機9可為生產製造中各種機台設備，例如：銑床、車床、刨床、磨床、裁切工具機、機械手臂、無人搬運車、吊車、泵浦、減速機、馬達、滑軌等設備。

該預測維護資料庫2預先儲存一維修資料，並用以儲存一維修預測資訊。該維修資料具有一標準維修工時資料表21及一維修層級資料表22，該維修預測資訊具有一維修預測資料表23。

該標準維修工時資料表21用以儲存每一台工具機9在各種不同的維修層級所需要的維修時間，或是更細節地儲存各種保養項目所需要的保養時間，例如，銑床換潤滑油需要3個小時，更換主軸需要3天，需事先針對每一台工具機9的不同維修層級進行規劃設定。該維修層級資料表22用以儲存每一台工具機9在各種不同的維修層級所包含的保養項目，例如，銑床的第一維修層級(或俗稱小保養)包括更換潤滑油、冷卻水液面檢查等項目。第二維修層級(或俗稱大保養)包括主軸更換、軸承更換等項目，需事先針對每一台工具機9不同的維修層級訂定保養項目。該維修預測資料表23用以儲存每一台工具機9的編號及各自對應的一即時維修狀態旗標，並較佳是還用以儲存每一台工具機9的預計維修層級、預計維修時間、預計維修起訖時間、實際維修起訖時間等，該即時維修狀態旗標是用以表示所對應之該工具機9目前之狀態為健康、即將維修、或維修中。

值得一提的是，於實際的架構設置上，該預測維護資料庫2可以是以雲端伺服器的方式實施，並與該預測維護系統3、該企業資源規劃系統4使用網路信號連接，或是與該預測維護系統3結合，或與該企業資源規劃系統4結合在同一伺服器中，如此，可供該預測維護系統3或該企業資源規劃系統4以更快的速度對其進行存取。實務上，該預測維護資料庫2是要與該預測維護系統3結合或是與該企業資源規劃系統4結合，抑或是要獨立成一雲端資料庫，皆可依照企業本身的網路架構與資料存取速度調整優化。

該預測維護系統3(Predictive Maintenance System，縮寫為PdMS)包括一訊號擷取模組31、一特徵提取模組32、一機器學習模組33及一維修預測模組34。

該訊號擷取模組31具有複數對應該等工具機9設置的感測器(圖未示)，該等感測器用以感測該等工具機9的振動、電流、溫度、壓力、聲音及轉速，該訊號擷取模組31以適當取樣頻率進行訊號取樣後，再經資料整理去除差異過大的數值或補上缺漏的資料(例如，使用平均插值法)，接著儲存該等資料，並輸出一相關於該等工具機9的振動、電流、溫度、壓力、聲音及轉速其中之一或其組合的運作訊號組。其中，該等感測器所感測之參數可依實際需求而設定，例如，還可以量測該等工具機9之電壓、刀具的形狀、工件尺寸等，可依各種不同的工具機9特性而進行量測參數調整設定。

該特徵提取模組32信號連接該訊號擷取模組31，接收該運作訊號組並進行特徵提取而輸出一提取特徵組，根據不同的工具機9，該提取特徵組之形式可為時域特徵(Time domain feature)、頻域特徵(Frequency domain feature)或是時頻域特徵(Time-frequency domain feature)，例如，時域特徵可為平均值(Mean)、方均根(RMS)、標準差(STD)、峰度(Kurtosis)、偏態(Skewness)、峰值(Peak)等形式，其並非所量測的原始訊號(幅值，amplitude)，而是經過計算後的特徵值(Feature)。頻域特徵可藉由將量測的原始訊號進行快速傅立葉轉換(Fast Fourier transform)後得到頻譜圖，再根據頻譜圖擷取例如一倍頻、二倍頻、三倍頻等頻域特徵，亦可以根據該工具機9的特性取得該工具機9的特殊頻率特徵。

該機器學習模組33信號連接該特徵提取模組32，接收該提取特徵組並進行機器學習演算以輸出一預測模型。該機器學習模組33需先使用邏輯回歸(Logistic Regression)、費雪準則(Fisher criterion)、主成分分析法(Principal component analysis, PCA)、核主成分分析(Kernel PCA)、線性判別分析(Linear discriminant analysis, LDA)、FCFT(Fixed cycle features test)實驗法等其中之一或其組合，由該提取特徵組中篩選出複數關鍵特徵，並使用該等關鍵特徵建立該預測模型，如此，可以避免過多的特徵值會造成模型過度擬合(over-fitting)。所述關鍵特徵即是對於所建立的該預測模型具有較高模型解釋力的特徵值，於應用時，針對不同的工具機9或工具機9之部件需使用不同特徵值作為關鍵特徵，例如，以馬達為主的故障診斷，較佳是使用馬達電流的時域特徵作為關鍵特徵，以主軸工具機為主的故障診斷，則較佳是使用振動訊號的時頻域特徵搭配主軸馬達的馬達電流之時域特徵作為關鍵特徵，以軸承為主的設備之故障診斷，例如軸承的外環、內環、支持架或滾珠等故障，較佳是使用振動訊號的時域特徵或頻域特徵作為關鍵特徵。當具有影響力的特徵值數量較多時，亦可以計算各特徵值的費雪分數(Fisher Score)，並依據費雪分數排名依序選取特徵值作為關鍵特徵，直到所選取的該等特徵值之模型解釋力總和達到可正確預測機台故障的一定正確率(例如95%)以上為止。

該機器學習模組33根據由該提取特徵組中篩選出的該等關鍵特徵，搭配使用回歸演算法(Regression algorithm)、分類演算法(Classification algorithm)、分群演算法(Clustering algorithm)、增強學習(Reinforcement learning)、遞歸神經網路（recurrent neural networks，縮寫為RNN）、及人工神經網路（Artificial Neural Network，縮寫為ANN）等深度學習演算法的其中之一或其組合訓練該預測模型。如此，藉由使用所量測之物理量中所提取的複數關鍵特徵進行該預測模型的建立及訓練，相較於一般直接使用物理量的幅值進行曲線擬合(curve-fitting)預測，能夠同時考慮到不同工具機9及不同操作工況，故能提高該預測模型的正確度與穩定性。

該維修預測模組34信號連接該機器學習模組33、該特徵提取模組32與該預測維護資料庫2，將該提取特徵組中的該等關鍵特徵代入該預測模型中，以預測得出一機台健康狀況，該機台健康狀況相關於對應之工具機9是否故障、預測故障時間、故障形式等。該維修預測模組34並根據該機台健康狀況與該標準維修工時資料表21、該維修層級資料表22中的維修時間、維修項目等資訊，判斷對應之工具機9需要何種維修、預計維修層級、預計維修時間、預計維修起訖時間等，並記錄反映實際狀態的該即時維修狀態旗標、實際維修起訖時間等，再將上述的該維修預測資訊進行儲存並輸出至該預測維護資料庫2儲存。

該企業資源規劃系統4(Enterprise Resource Planning，縮寫為ERP)包括一資料擷取模組41、一生產排程模組42及一製造執行模組43。

該資料擷取模組41信號連接該預測維護資料庫2，該生產排程模組42信號連接該資料擷取模組41。該資料擷取模組41用以至少擷取該即時維修狀態旗標供該生產排程模組42進行生產排程。該資料擷取模組41較佳是擷取該維修預測資料表23，如此，該生產排程模組42可以得知每一台工具機9的編號、對應的該即時維修狀態旗標、預計維修層級、預計維修時間、預計維修起訖時間、實際維修起訖時間等資訊，可以根據每一台工具機9實際可以運作的時間進行更精確的生產排程。例如，當某一工具機9目前正在進行維修，則要顯示其正在停機維修，無法列入當下的生產排程，若是某一工具機9未來即將進行維修，則要顯示其未來即將進行維修的期間，其維修期間將無法列入生產排程。

其中，該資料擷取模組41較佳是每隔一預定時間(例如，5分鐘)擷取一次該維修預測資料表23，接著，該生產排程模組42即時根據更新的該維修預測資料表23動態重新進行生產排程，如此，可以確保所得出的生產排程能更符合產線的即時狀況。

該製造執行模組43信號連接該生產排程模組42，根據該生產排程模組42的生產排程控制該等工具機9運作，由於此部分控制運作為此業界所熟悉的內容，在此不贅述。

經由以上的說明，本實施例的功效如下：

一、藉由設置該訊號擷取模組31、該特徵提取模組32、該機器學習模組33並搭配該維修預測模組34，可以即時偵測該工具機9的狀況，並由該等工具機9的該運作訊號組中提取特徵並以該預測模型進行即時預測，如此，可以達到較高的預測精確度，而能更貼近工具機9的實際狀態而在適當時機進行洽當的維護，使工具機9可以保持在最佳的生產狀態，減少等待維修、等待故障檢測、等待維修元件的時間，或減少多餘的保養及維修，降低該工具機9非預期停機的狀況。並可根據預測而在所需的時間點進行備料，降低為了避免缺料問題而進行長時間額外備料的情況。因此，本實施例除了可以提高生產效能及降低維修成本，還可以降低不必要的備料成本。

二、藉由於該維修預測資料表23儲存工具機9的編號、該即時維修狀態旗標、預計維修層級及預計維修時間等資訊，可以供該企業資源規劃系統4即時得知更完整的工具機9之實際健康狀態資訊，而能進行更完善精確的生產排程，故能更加提高生產效能。

三、藉由擷取該工具機9之運作訊號組、由該運作訊號組的物理量中提取複數特徵值作為該提取特徵組，再由該提取特徵組中篩選出該等關鍵特徵，並使用該等關鍵特徵建立該預測模型，可以得到正確性及穩定性較高的預測模型，進而得到更精確的生產排程，提高生產效能。

綜上所述，本發明智慧製造與先進排程決策輔助資訊管理系統，故確實能達成本發明的目的。

惟以上所述者，僅為本發明之實施例而已，當不能以此限定本發明實施之範圍，凡是依本發明申請專利範圍及專利說明書內容所作之簡單的等效變化與修飾，皆仍屬本發明專利涵蓋之範圍內。

2:預測維護資料庫 21:標準維修工時資料表 22:維修層級資料表 23:維修預測資料表 3:預測維護系統 31:訊號擷取模組 32:特徵提取模組 33:機器學習模組 34:維修預測模組 4:企業資源規劃系統 41:資料擷取模組 42:生產排程模組 43:製造執行模組 9:工具機

本發明之其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中： 圖1是本發明智慧製造與先進排程決策輔助資訊管理系統的一實施例的一方塊示意圖。

2:預測維護資料庫

21:標準維修工時資料表

22:維修層級資料表

23:維修預測資料表

3:預測維護系統

31:訊號擷取模組

32:特徵提取模組

33:機器學習模組

34:維修預測模組

4:企業資源規劃系統

41:資料擷取模組

42:生產排程模組

43:製造執行模組

9:工具機

Claims (10)

1. 一種智慧製造與先進排程決策輔助資訊管理系統，適用於控制及維護至少一工具機，包含： 一預測維護資料庫，預先儲存一維修資料，並用以儲存一維修預測資訊； 一預測維護系統，包括一訊號擷取模組、一特徵提取模組、一機器學習模組及一維修預測模組，該訊號擷取模組用以擷取該至少一工具機之一運作訊號組，該特徵提取模組信號連接該訊號擷取模組，接收該運作訊號組並進行特徵提取而輸出一提取特徵組，該機器學習模組信號連接該特徵提取模組，接收該提取特徵組並進行機器學習演算以輸出一預測模型，該維修預測模組信號連接該機器學習模組、該特徵提取模組與該預測維護資料庫，根據該預測模型與該提取特徵組預測一機台健康狀況，並根據該機台健康狀況與該維修資料輸出該維修預測資訊至該預測維護資料庫；及 一企業資源規劃系統，包括一資料擷取模組、一生產排程模組及一製造執行模組，該資料擷取模組信號連接該預測維護資料庫，用以擷取至少部分該維修預測資訊，該生產排程模組信號連接該資料擷取模組，根據至少部分該維修預測資訊進行生產排程，該製造執行模組信號連接該生產排程模組，根據該生產排程模組的生產排程控制該至少一工具機運作。
2. 如請求項1所述的智慧製造與先進排程決策輔助資訊管理系統，其中，該運作訊號組相關於該至少一工具機的振動、電流、溫度、壓力、聲音及轉速其中之一或其組合。
3. 如請求項2所述的智慧製造與先進排程決策輔助資訊管理系統，其中，該訊號擷取模組具有複數感測器，該等感測器分別用以感測該至少一工具機的振動、電流、溫度、壓力、聲音及轉速，以供輸出該運作訊號組。
4. 如請求項1所述的智慧製造與先進排程決策輔助資訊管理系統，其中，該維修資料具有一標準維修工時資料表及一維修層級資料表，該維修預測資訊具有一維修預測資料表，該標準維修工時資料表用以儲存各種不同的維修層級所需要的維修時間，該維修層級資料表用以儲存各種不同的維修層級所包含的維修項目，該維修預測資料表用以儲存該至少一工具機的編號及一即時維修狀態旗標。
5. 如請求項4所述的智慧製造與先進排程決策輔助資訊管理系統，其中，該維修預測資料表還用以儲存該至少一工具機的預計維修層級及預計維修時間。
6. 如請求項4所述的智慧製造與先進排程決策輔助資訊管理系統，其中，該即時維修狀態旗標用以表示該至少一工具機目前之狀態為健康、即將維修、或維修中。
7. 如請求項4所述的智慧製造與先進排程決策輔助資訊管理系統，其中，該資料擷取模組每隔一預定時間擷取一次該維修預測資料表，該生產排程模組即時根據更新的該維修預測資料表重新進行生產排程。
8. 如請求項1所述的智慧製造與先進排程決策輔助資訊管理系統，其中，該提取特徵組之形式為時域特徵、頻域特徵、或時頻域特徵。
9. 如請求項1所述的智慧製造與先進排程決策輔助資訊管理系統，其中，該機器學習模組使用回歸演算法、分類演算法，及分群演算法其中之一或其組合訓練該預測模型。
10. 如請求項1所述的智慧製造與先進排程決策輔助資訊管理系統，其中，該機器學習模組使用邏輯回歸、費雪準則、主成分分析法、核主成分分析，及線性判別分析法其中之一或其組合由該提取特徵組中篩選出複數關鍵特徵，並使用該等關鍵特徵建立該預測模型。

Images