TWI758824B - 機械運轉時之異常檢測與折損檢測系統及方法 - Google Patents
機械運轉時之異常檢測與折損檢測系統及方法 Download PDFInfo
- Publication number
- TWI758824B TWI758824B TW109128070A TW109128070A TWI758824B TW I758824 B TWI758824 B TW I758824B TW 109128070 A TW109128070 A TW 109128070A TW 109128070 A TW109128070 A TW 109128070A TW I758824 B TWI758824 B TW I758824B
- Authority
- TW
- Taiwan
- Prior art keywords
- machine
- real
- edge computing
- model
- computing computer
- Prior art date
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
一種機械運轉時之異常檢測與折損檢測系統包括一機械具有一感測器用來偵測該機械運轉時的震動。一資料蒐集器連接該感測器以及蒐集該機械運轉時的即時震動訊號,再以Modbus遠端終端裝置(Remote Terminal Unit)通訊協定送出。一邊緣運算電腦接收並計算該機械運轉時的即時震動訊號以得出該機械運轉時之運轉現況,再將該運轉現況傳送至一監控螢幕。一異常分析模組配置於該邊緣運算電腦內,該異常分析模組使用一機器學習混和模型來訓練一第一分析模型,再使用訓練好的該第一分析模型來檢測該邊緣運算電腦所接收之該機械運轉時的即時震動訊號之發生異常。
Description
本發明係有關於一種機械之異常偵測系統,特別是有關於一種人工智能聯網機械運轉時之異常檢測與折損檢測系統。
在自動化量產機械之異常檢測的任務中,主要分為三種模型訓練方式,包括,監督式學習、半監督式學習以及非監督式學習。其中監督式學習在資料的取得中要給予相應的標註,如此會使用大量的人力去做註記。採用非監督式的學習模式來省去大量人力標註,並且可以在擁有正常資料的情形下訓練出有效檢測異常的模式。
本發明之目的是提供一種機械運轉時之異常檢測與折損檢測系統,本發明使用一種混合非監督式模型與統計分析的演算法並置入實體電子裝置內,解決工廠機械運轉時之序列資料的異常檢測分析。
本發明為達成上述目的提供一種機械運轉時之異常檢測與折損檢測系統,包括一邊緣運算電腦,一機械、一感測器、
一資料蒐集器、一Modbus通訊協定、一監控螢幕以及三色警示燈。機械具有一感測器用來偵測該機械運轉時的震動。資料蒐集器連接該感測器以及蒐集該機械運轉時的即時震動訊號,再以Modbus遠端終端裝置(Remote Terminal Unit,簡稱RTU)通訊協定送出。邊緣運算電腦接收並計算該機械運轉時的即時震動訊號以得出該機械運轉時之運轉現況,再將該運轉現況傳送至一監控螢幕。異常分析模組配置於該邊緣運算電腦內,該異常分析模組使用一機器學習混和模型來訓練一第一分析模型,再使用訓練好的該第一分析模型來檢測該邊緣運算電腦所接收之該機械運轉時的即時震動訊號之發生異常。折損檢測模組配置於該邊緣運算電腦內,該折損檢測模組使用該機器學習混和模型來訓練該第一分析模型,再使用訓練好的第一分析模型來檢測該邊緣運算電腦所接收之該機械運轉時的即時震動訊號所對應之機械折舊狀態。使用者圖形介面配置於該邊緣運算電腦內,將該運轉現況予以視覺化即時顯示於該監控螢幕。
與習知之機械運轉時之異常檢測系統比較,本發明具有以下優點:習用之異常檢測多為單一數值的門檻值篩檢,對於多維度的序列資料,傳統上多採用SVM、PCA、LOF等機器學習方式檢測異常。而對於更高維度的資訊,目前使用Autoencoder、t-SNE、UMAP等方法能夠有效處理高維度問題。本發明優於習用方式,結合現今高效能演算法,有效地處理高維度序列資料,以更大的資訊量去判別當前的狀態有無異常,解決習用之檢測中難以實現之高維度序列資料檢測。
100:機械運轉時之異常檢測與折損檢測系統
10:邊緣運算電腦
12:異常分析模組
14:折損檢測模組
16:使用者圖形介面
18:機器學習混和模型
19:第一分析模型
20:機械
22:感測器
30:資料蒐集器
40:Modbus通訊協定
50:監控螢幕
60:三色警示燈
S10-S69:步驟
第1圖為本發明之機械運轉時之異常檢測與折損檢測系統之架構示意圖。
第2圖顯示本發明之異常檢測模組訓練流程圖。
第3圖顯示本發明之折損檢測模組訓練流程圖。
第4圖顯示本發明機械突發異常之異常檢測演算流程圖。
第5圖顯示本發明機械或其組件耗損之折損檢測演算流程圖。
第6圖顯示本發明之機械運轉時之異常檢測與折損檢測方法的流程圖。
第1圖顯示本發明之機械運轉時之異常檢測與折損檢測系統之架構示意圖。機械運轉時之異常檢測與折損檢測系統100包括一邊緣運算電腦10,一機械20、一感測器22、一資料蒐集器30、一Modbus通訊協定40、一監控螢幕50以及三色警示燈60。邊緣運算電腦10具有一異常分析模組12、一折損檢測模組14以及一使用者圖形介面16。感測器22可設置於機械20內或是裝設於機械20之外部。感測器22是用來偵測機械20運轉時的震動、扭力、電壓、噪音、溫度或流量等偵測量。機械20可以是自動化工業產品量產機台,包括,塑料上塗噴漆機、塑料洗淨機、工業馬達等機械。本發明是實際採用「人工智能聯網」(AIOT)智慧製造應用於自動化工業產品量產機台之機械運轉時之異常檢測與折損檢測。
資料蒐集器30連接感測器22用來蒐集該機械20運轉時的即時震動訊號。之後,再以Modbus通訊協定40送出即時震動訊號至邊緣運算電腦10。Modbus通訊協定40是為Modbus遠端終端裝置(Remote Terminal Unit,簡稱RTU)通訊協定。Modbus為工業領域通訊協定事實上的業界標準,並且現在是工業電子裝置之間常用的連接方式,Modbus目前尚無中文名稱。Modbus可以應用於可程式化邏輯控制器PLC。
邊緣運算電腦10用來接收並計算該機械20運轉時的即時震動訊號以得出該機械運轉時之運轉現況,再將該運轉現況傳送至監控螢幕50。
異常分析模組12配置於該邊緣運算電腦10內,該異常分析模組12使用一機器學習混和模型18來訓練一第一分析模型19,再使用訓練好的該第一分析模型19來檢測該邊緣運算電腦10所接收之該機械20運轉時的即時震動訊號之發生異常。當即時震動訊號之新資料經由該第一分析模型19分析後,機器學習混和模型18會經由特徵抽取、資料降維、密度估計等程序,輸出一個單一數值。此單一數值等比於由訓練資料分布取得此當前資料樣本之機率,單一數值越低表示當前資料樣本來源為正常狀態之訓練資料的機率越低。最後會藉由判別輸出值決策,若小於門檻值Alpha(α)則視為發生異常,門檻值α可依照不同場域而有所不同。
折損檢測模組14配置於該邊緣運算電腦10內,該折損檢測模組14使用該機器學習混和模型18來訓練該第一分析模型
19,再使用訓練好的第一分析模型19來檢測該邊緣運算電腦10所接收之該機械20運轉時的即時震動訊號所對應之機械折舊狀態。當即時震動訊號之新資料經由該第一分析模型19分析後,機器學習混和模型18會經由特徵抽取、資料降維、密度估計等程序,輸出一個單一數值。此單一數值為當前時間區段內資料分布與正常情況之訓練資料分布之差異值,單一數值越小表示當前時間區間內所取得之資料與正常運作狀態之分布差異越小,而折舊狀態與輸出數值具正比關係,在此視越大的輸出值具有越嚴重的折損。最後會藉由判別輸出值決策,若大於門檻值Beta(β)則視為折損嚴重,門檻值β可依照不同場域而有所不同。
使用者圖形介面16配置於該邊緣運算電腦10內,將該運轉現況予以視覺化即時顯示於該監控螢幕50。紅黃綠三色警示燈60用以當異常被檢測出來後,由該邊緣運算電腦10控制開啟相應的狀態燈號。紅色警示燈表示異常,黃色警示燈表示警告,綠色警示燈表示正常。
為了達成檢測出工廠機械的各類檢測,機械運轉時之異常檢測與折損檢測系統須在一有限時間中蒐集一組訓練資料,並以此組資料訓練預測模型。第2圖顯示本發明之異常檢測模組訓練流程圖。首先,取得即時資訊後切割為預測單元並儲存於邊緣運算電腦內,直至蒐集數量達到訓練集設定數量N,如步驟S20所示。其次,讀取訓練資料集,如步驟S22所示。其次,將訓練集以DCT做特徵抽取,亦可以AutoEncoder模型訓練,得到第一萃取模型,如步驟
S24所示。其次,以訓練集之特徵集訓練PCA模型,得到第一降維模型P,如步驟S26所示。最後,以訓練集之降維集訓練KDE模型,得到第一密度估計模型,如步驟S28所示。
第3圖顯示本發明之折損檢測模組訓練流程圖。首先,取得即時資訊後切割為預測單元並儲存於邊緣運算電腦內,直至蒐集數量達到訓練集設定數量N,如步驟S30所示。其次,讀取訓練資料集,如步驟S32所示。其次,將訓練集以DCT做特徵抽取,亦可以AutoEncoder模型訓練,得到第一萃取模型,如步驟S34所示。其次,以訓練集之特徵集訓練UMAP模型,得到第一降維模型U,如步驟S36所示。最後,以訓練集之降維集訓練KDE模型,得到第一密度估計模型,如步驟S38所示。Autoencoder(自動編碼器)是建立一個類神經網路,用輸入資料和輸出值都是電流資料本身來訓練這個神經網路。
當模組完成訓練後,在邊緣運算電腦10取得感測器22偵測之未知訊號時,即可將此未知訊號作相應的前處理,且依據演算流程以訓練完成之模型預測未知訊號的異常與否,並將結果回饋於使用者圖形介面16與紅黃綠三色警示燈60。
第4圖顯示本發明機械突發異常之異常檢測演算流程圖。首先,取得即時資訊後切割預測單元,如步驟S40所示。其次,將預測單元以第一萃取模型做特徵抽取,如步驟S42所示。然後,將資料特徵以第一降維模型P做資料降維,如步驟S44所示。其次,將降維後的資訊以第一密度估計模型做密度值估計(採用KDE),如步驟
S46所示。最後,判斷密度估計值是否小於門檻值α,若小於門檻值α則為異常,如步驟S48所示。為達成機械突發異常之異常檢測,需預先訓練模型。
第5圖顯示本發明機械或其組件耗損之折損檢測演算流程圖。首先,取得即時資訊後切割預測單元,如步驟S50所示。其次,將預測單元以第一萃取模型做特徵抽取,如步驟S52所示。然後,將資料特徵以第一降維模型U做資料降維,如步驟S54所示。其次,將降維後的資訊以核密度估計方法得到分布估計B,如步驟S56所示。其次,以KL散度計算訓練資料集所計算出之分布A與現下分布B的差異值,如步驟S58所示。最後,判斷KL散度值是否大於門檻值β,若大於門檻值β則為具折損現象,如步驟S59所示。為達成機械折損之檢測,需預先訓練模型。
預測單元為一序列資料(向量資料)
1.序列資料串接於裝置
例:串接馬達實際震動資料流(10point/s),以Modbus通訊形式傳輸給裝置。
2.定義資料單位大小,並切割出預測單元
3.將資料單元做特徵抽取(以DCT為例),並保留較重要特徵
4.將訓練資料集(正常資料),做前處理後進行非監督模型之訓練。
5.將訓練集做資料降維並估計核密度函數
[異常檢測]將新資料單元過前處理(步驟1~5)後,判斷此單元位置的密度函數值維多少,若低於門檻值α則判斷為異常。
[狀態遷移]將新資料單元集過前處理(步驟1~5)後,將此處理後資料集另做核密度估計。分別得到原始分布A、新資料分布B,並以KL-divergrnce判別A、B的離散程度,若大於門檻值β則判斷為異常。
第6圖顯示本發明之機械運轉時之異常檢測與折損檢測方法的流程圖。首先,提供一機械具有一感測器用來偵測該機械運轉時的震動,如步驟S60所示。其次,提供一資料蒐集器連接該感測器以及蒐集該機械運轉時的即時震動訊號,再以Modbus遠端終端裝置(RTU)通訊協定送出,如步驟S62所示。接著,提供一邊緣運算電腦接收並計算該機械運轉時的即時震動訊號以得出該機械運轉時之運轉現況,再將該運轉
現況傳送至一監控螢幕,如步驟S64所示。然後,於該邊緣運算電腦內配置一異常分析模組,該異常分析模組使用一機器學習混和模型來訓練一第一分析模型,再使用訓練好的該第一分析模型來檢測該邊緣運算電腦所接收之該機械運轉時的即時震動訊號之發生異常,如步驟S66所示。其次,於該邊緣運算電腦內配置一折損檢測模組,該折損檢測模組使用該機器學習混和模型來訓練該第一分析模型,再使用訓練好的第一分析模型來檢測該邊緣運算電腦所接收之該機械運轉時的即時震動訊號所對應之機械折舊狀態,如步驟S68所示。最後,於該邊緣運算電腦內配置一使用者圖形介面,將該運轉現況予以視覺化即時顯示於該監控螢幕,如步驟S69所示。
100:機械運轉時之異常檢測與折損檢測系統
10:邊緣運算電腦
12:異常分析模組
14:折損檢測模組
16:使用者圖形介面
18:機器學習混和模型
19:第一分析模型
20:機械
22:感測器
30:資料蒐集器
40:Modbus通訊協定
50:監控螢幕
60:三色警示燈
Claims (4)
- 一種機械運轉時之異常檢測與折損檢測系統,包括:一機械,具有一感測器用來偵測該機械運轉時的震動;一資料蒐集器,連接該感測器以及蒐集該機械運轉時的即時震動訊號,再以Modbus遠端終端裝置(Remote Terminal Unit,簡稱RTU)通訊協定送出;一邊緣運算電腦,接收並計算該機械運轉時的即時震動訊號以得出該機械運轉時之運轉現況,再將該運轉現況傳送至一監控螢幕;一異常分析模組,配置於該邊緣運算電腦內,該異常分析模組使用一機器學習混和模型來訓練一第一分析模型,再使用訓練好的該第一分析模型來檢測該邊緣運算電腦所接收之該機械運轉時的即時震動訊號之發生異常,其中當該即時震動訊號經由該第一分析模型分析後,該機器學習混和模型會經由特徵抽取、資料降維、密度估計,以輸出一單一數值,該單一數值越低表示為正常狀態之訓練資料的機率越低,其中將降維後的資訊以第一密度估計模型做密度值估計(採用KDE),判斷該密度估計值是否小於門檻值α,若小於門檻值α則為異常;一折損檢測模組,配置於該邊緣運算電腦內,該折損檢測模組使用該機器學習混和模型來訓練該第一分析模型,再使用訓練好的第一分析模型來檢測該邊緣運算電腦所接收之該機械運轉時的即時震動訊號所對應之機械折舊狀態,其中該單一數值為當前時間區段內資料分布與正常狀態之訓練資料分布之差異值,將降維後的資訊以核密度估計方法得到分布估計B,並以KL-divergrnce散度計算一訓練資料集所計算出之分布A與現下分布B的差異值,判斷KL散度值是否大於門檻值β,若大於門檻值β則為具折損現象;以及 一使用者圖形介面,配置於該邊緣運算電腦內,將該運轉現況予以視覺化即時顯示於該監控螢幕。
- 如請求項1所述之機械運轉時之異常檢測與折損檢測系統,更包括一紅黃綠三色警示燈,用以當異常被檢測出來後,開啟相應的狀態燈號。
- 一種機械運轉時之異常檢測與折損檢測方法,包括下列步驟:提供一機械具有一感測器用來偵測該機械運轉時的震動;提供一資料蒐集器連接該感測器以及蒐集該機械運轉時的即時震動訊號,再以Modbus遠端終端裝置(RTU)通訊協定送出;提供一邊緣運算電腦接收並計算該機械運轉時的即時震動訊號以得出該機械運轉時之運轉現況,再將該運轉現況傳送至一監控螢幕;於該邊緣運算電腦內配置一異常分析模組,該異常分析模組使用一機器學習混和模型來訓練一第一分析模型,再使用訓練好的該第一分析模型來檢測該邊緣運算電腦所接收之該機械運轉時的即時震動訊號之發生異常,其中當該即時震動訊號經由該第一分析模型分析後,該機器學習混和模型會經由特徵抽取、資料降維、密度估計,以輸出一單一數值,該單一數值越低表示為正常狀態之訓練資料的機率越低,其中將降維後的資訊以第一密度估計模型做密度值估計(採用KDE),判斷該密度估計值是否小於門檻值α,若小於門檻值α則為異常;於該邊緣運算電腦內配置一折損檢測模組,該折損檢測模組使用該機器學習混和模型來訓練該第一分析模型,再使用訓練好的第一分析模型來檢測該邊緣運算電腦所接收之該機械運轉時的即時震動訊號所對應之機械折舊狀態,其中該單一數值為當前時間區段內資料分布與正常狀態之訓練資料分布之差異值,將降維後的資訊以核密度估計方法得到分布估計B,並以KL-divergrnce散 度計算一訓練資料集所計算出之分布A與現下分布B的差異值,判斷KL散度值是否大於門檻值β,若大於門檻值β則為具折損現象;以及於該邊緣運算電腦內配置一使用者圖形介面,將該運轉現況予以視覺化即時顯示於該監控螢幕。
- 如請求項3所述之機械運轉時之異常檢測與折損檢測方法,更包括當異常被檢測出來後,將相應的結果傳送至一紅黃綠三色警示燈,控制開啟相應的狀態燈號。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109128070A TWI758824B (zh) | 2020-08-18 | 2020-08-18 | 機械運轉時之異常檢測與折損檢測系統及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109128070A TWI758824B (zh) | 2020-08-18 | 2020-08-18 | 機械運轉時之異常檢測與折損檢測系統及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202208820A TW202208820A (zh) | 2022-03-01 |
TWI758824B true TWI758824B (zh) | 2022-03-21 |
Family
ID=81710735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109128070A TWI758824B (zh) | 2020-08-18 | 2020-08-18 | 機械運轉時之異常檢測與折損檢測系統及方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI758824B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101135601A (zh) * | 2007-10-18 | 2008-03-05 | 北京英华达电力电子工程科技有限公司 | 一种旋转机械振动故障诊断装置及方法 |
TW201239330A (en) * | 2011-03-28 | 2012-10-01 | Univ Nat Taiwan | Method and apparatus for judging status of mechanic system |
CN105604807A (zh) * | 2015-12-31 | 2016-05-25 | 北京金风科创风电设备有限公司 | 风电机组监测方法及装置 |
CN109211546A (zh) * | 2018-08-28 | 2019-01-15 | 电子科技大学 | 基于降噪自动编码器及增量学习的旋转机械故障诊断方法 |
CN109406117A (zh) * | 2018-09-28 | 2019-03-01 | 东南大学 | 一种基于改进rbfnn算法的多通道远程振动信号监示系统及监测方法 |
CN110108431A (zh) * | 2019-05-22 | 2019-08-09 | 西安因联信息科技有限公司 | 一种基于机器学习分类算法的机械设备故障诊断方法 |
CN111445034A (zh) * | 2018-12-29 | 2020-07-24 | 深圳市赛特尔信息技术有限公司 | 一种工业设备故障预测的系统及方法 |
-
2020
- 2020-08-18 TW TW109128070A patent/TWI758824B/zh active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101135601A (zh) * | 2007-10-18 | 2008-03-05 | 北京英华达电力电子工程科技有限公司 | 一种旋转机械振动故障诊断装置及方法 |
TW201239330A (en) * | 2011-03-28 | 2012-10-01 | Univ Nat Taiwan | Method and apparatus for judging status of mechanic system |
CN105604807A (zh) * | 2015-12-31 | 2016-05-25 | 北京金风科创风电设备有限公司 | 风电机组监测方法及装置 |
CN109211546A (zh) * | 2018-08-28 | 2019-01-15 | 电子科技大学 | 基于降噪自动编码器及增量学习的旋转机械故障诊断方法 |
CN109406117A (zh) * | 2018-09-28 | 2019-03-01 | 东南大学 | 一种基于改进rbfnn算法的多通道远程振动信号监示系统及监测方法 |
CN111445034A (zh) * | 2018-12-29 | 2020-07-24 | 深圳市赛特尔信息技术有限公司 | 一种工业设备故障预测的系统及方法 |
CN110108431A (zh) * | 2019-05-22 | 2019-08-09 | 西安因联信息科技有限公司 | 一种基于机器学习分类算法的机械设备故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202208820A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
CN107436597B (zh) | 一种基于稀疏过滤和逻辑回归的化工过程故障检测方法 | |
WO2023138337A1 (zh) | 一种电机故障检测方法及装置 | |
CN112002114A (zh) | 一种基于5G-ZigBee通信的机电设备无线数据采集系统和方法 | |
CN117784710B (zh) | 数控机床远程状态监控系统及其方法 | |
CN103824092A (zh) | 一种用于输变电设备状态在线监测的图像分类方法 | |
CN114037673B (zh) | 一种基于机器视觉的硬件衔接接口监测方法及系统 | |
CN116560326B (zh) | 一种智慧工厂管理平台 | |
CN112508242A (zh) | 一种风力发电机轴承故障定位及分类模型的构建方法 | |
CN117591857A (zh) | 一种基于深度学习的电机检测方法 | |
CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
TWI758824B (zh) | 機械運轉時之異常檢測與折損檢測系統及方法 | |
CN117032054B (zh) | 基于人工智能的工业设备控制方法 | |
TWM603111U (zh) | 機械運轉時之異常檢測與折損檢測系統 | |
CN110869859B (zh) | 用于确定机床主轴状态的装置和方法 | |
CN114757111B (zh) | 一种基于数字孪生技术的智能装备健康管理方法 | |
CN116704729A (zh) | 一种基于大数据分析的工业窑炉预警系统及方法 | |
CN113554010B (zh) | 一种电网线路故障识别模型训练方法 | |
KR102360004B1 (ko) | 진동 신호 기반의 기계 상태 관리 시스템 | |
CN114548295A (zh) | 基于多尺度领域自适应网络的轴承故障分类系统及方法 | |
CN112269778A (zh) | 一种设备故障诊断方法 | |
Fang et al. | Application of CNN-1d based on feature fusion in bearing fault diagnosis | |
CN112836577B (zh) | 一种智慧交通无人驾驶车辆故障基因诊断方法及系统 | |
CN115327907B (zh) | 一种基于动态卷积多层域自适应的风送速度控制器故障诊断装置及方法 | |
CN116893297B (zh) | 旋转设备能耗的监测方法、监测系统 |