TWI792086B - 行動式設備診斷裝置及設備診斷資訊顯示方法 - Google Patents

Abstract

本發明提供一種行動式設備診斷裝置，包含微處理器、顯示元件、第一類感測器、第二類感測器以及儲存媒體。儲存媒體中儲存有複數個指令，可使微處理器執行以下操作：使用第一感測器及/或第二感測器所測得之訊號或儲存於儲存媒體中之訊號資料訓練人工智慧模型；根據第一感測器或第二感測器所測得之待診斷訊號，使用訓練後模型產生異常判別依據；以及透過顯示元件，以圖形化使用者介面顯示儲存於儲存媒體中之訊號資料、待診斷訊號或異常判別依據。

Description

行動式設備診斷裝置及設備診斷資訊顯示方法

本發明係關於一種設備診斷裝置及其診斷資料的顯示方法，尤其係關於一種行動式設備診斷裝置及其診斷資料的顯示方法。

使用於工廠中的製造設備需受到維護以保持正常運作，從而產生了維護的成本。尤其越是先進的製造業，其製造設備之購置及維護成本越是龐大。為維護工廠中的設備，可對其電流、溫度、震動等狀態進行診斷，以判斷有無近一步檢修之需要。

習知的診斷手段包含將多個感測器裝設於製造設備上，並將該些感測器所測得之資訊傳送至雲端或終端電腦進行分析。然而，此種方式使得進行診斷的人員必須在遠端評估設備之狀態，無法親臨現場直接對設備進行診斷。另一方面，現有的可現場觀測製造設備狀態之儀器例如包含震動測量分析儀、電流測量分析儀及熱像儀。此等儀器缺乏複合性的功能，無法綜合分析製造設備之多種狀態以進行診斷。此外，由於設備之診斷涉及相當複雜之專業知識，對於設備診斷人員的訓練程度之要求，也造成一種維護設備之成本。

本發明之一目的在於提供一種可在工廠現場對製造設備進行多種狀態(例如電流狀態、溫度狀態、震動狀態等)之診斷之裝置。

本發明之另一目的在於提供一種設備診斷資訊顯示方法，可提升設備狀態檢測及判斷的效率。

為達上述目的，在本發明的一實施態樣中，一種行動式設備診斷裝置可包含：微處理器；顯示元件，耦接至微處理器；第一類感測器，耦接至微處理器；第二類感測器，耦接至微處理器；以及內存有複數個指令並耦接至微處理器的儲存媒體。當該些指令受微處理器執行時，可使微處理器執行複數個操作，包含將第一類感測器及/或第二類感測器所測得之至少一訊號儲存為至少一訊號資料於儲存媒體中；使用第一感測器及/或第二感測器所測得之至少一訊號或儲存於儲存媒體中之至少一訊號資料訓練至少一人工智慧模型以成為至少一訓練後模型；使用訓練後模型之一者產生關於第一感測器或第二感測器所測得之待診斷訊號之異常判別依據；以及透過顯示元件，以圖形化使用者介面顯示儲存於儲存媒體中之至少一訊號資料、待診斷訊號或異常判別依據。

在上述實施態樣中，第一類感測器及第二類感測器例如可分別為電流感測器、熱像儀及震動感測器中之任兩者，從而可供使用者對製造設備之二種狀態進行評估。透過顯示元件於現場顯示感測器所測得之訊號、儲存媒體所儲存之資料或處理器所產生之異常判別依據可讓使用者能於現場進行評估。此外，藉由人工智慧模型產生異常判別依據，大幅減輕了設備診斷人員之專業知識之要求。

本發明之另一目的在於提供一種可在工廠現場檢視製造設備之即時狀態(例如電流狀態、溫度狀態、震動狀態等)與正常狀態之差異的圖像顯示方法。

為達上述目的，在本發明的一實施態樣中，一種圖像顯示方法可包含：透過行動式設備診斷裝置之感測器測得正常訊號；透過感測器測得待診斷訊號；透過行動式設備診斷裝置之微處理器產生正常訊號及待診斷訊號之重疊圖像；以及透過行動式設備診斷裝置之顯示元件，以圖形化使用者介面顯示重疊圖像。

透過上述實施態樣，設備診斷人員可觀察正常訊號及待診斷訊號之重疊圖像，藉由判斷正常訊號及待診斷訊號之差異以對設備進行診斷。

100:設備診斷裝置

101:第一類感測器

102:第二類感測器

103:顯示元件

104:儲存媒體

105:微處理器

SIG1:第一訊號

SIG2:第二訊號

SIG3:第三訊號

SIG4:第四訊號

ev1:第一評等

ev2:第二評等

ev3:第三評等

ev4:第四評等

ind:異常指示

600、800、900:診斷方法

1000:圖像顯示方法

S601-S606、S6031-S6032、S801-S802、S901-S902、S1001-S1004:步驟

圖1繪示本發明一實施例之移動式設備診斷裝置之方塊圖；圖2繪示本發明一實施例中移動式設備診斷裝置進行診斷之流程圖；圖3繪示本發明一實施例中移動式設備診斷裝置所顯示之訊號及一種異常判別依據之示意圖像；圖4繪示本發明一實施例中移動式設備診斷裝置所顯示之訊號及另一種異常判別依據之示意圖像；圖5繪示本發明一實施例中移動式設備診斷裝置所顯示之震動訊號評定之示意圖像；圖6繪示本發明一實施例中移動式設備診斷裝置所顯示之重疊圖像示意圖；圖7繪示本發一實施例之圖像顯示方法之流程圖；圖8繪示本發明一實施例中移動式設備診斷裝置訓練人工智慧模型之流程圖；圖9繪示本發明另一實施例中移動式設備診斷裝置進行診斷之流程圖； 圖10繪示本發明另一實施例中移動式設備診斷裝置進行診斷之流程圖。

本文使用序數詞(例如「第一」、「第二」等)闡述各種元件(或特徵)，然而各元件(或特徵)並不受序數詞限制。本文中的序數詞僅用於區分各個元件(或特徵)。舉例而言，在不背離本發明的範圍的條件下，第一元件(或特徵)亦可稱作第二元件(或特徵)。相似地，第二元件(或特徵)亦可被稱作第一元件(或特徵)。

參閱圖1，在本發明一實施例中，移動式設備診斷裝置100包含第一類感測器101、第二類感測器102、顯示元件103、儲存媒體104及微處理器105。明確而言，第一類感測器101、第二類感測器102、顯示元件103及儲存媒體104皆耦接至微處理器105。在另一些實施例中，移動式設備診斷裝置100還可包含一通訊模組(圖未示)，以有線或無線通訊之方式連結至雲端運算/記憶單元或遠端電腦。舉例而言，在一些實施例中，可利用雲端運算系統進行工廠中設備之剩餘使用壽命(remaining useful life)之管理，並依據剩餘使用壽命規劃製造設備之管理以及安排檢修。

在一些實施例中，第一類感測器101及第二類感測器102可分別例如為電流感測器(例如三相或單相電流感測器)、熱影像感測器及震動感測器。由於本發明之移動式設備診斷裝置包含了不同類型之感測器，相較於僅能於現場測量單一類型訊號之儀器，可不限於單一的診斷模式，而可對應不同的失效模式。例如，工廠中的特定某些設備的失效模式可能為電流先出現異常，接著溫度再出現異常；而另外某些設備的失效模式可能為震動先出現異常，接著電流再出現異常。由於本發明之移動式設備診斷裝置可將訊號資料儲存於儲存媒體 中，因而可比對時距較遠之不同時段之訊號，而不限於實時比對。例如，可將儲存媒體中所儲存之數個月之前的訊號資料調出，與實時之訊號進行比對及診斷。在一些實施例中，微處理器105可為單獨之微處理器或設置於微電腦上之微處理器。例如，微處理器105可為Raspberry Pi或Arduino等單板電腦上之微處理器。

一同參閱圖1及圖2，儲存媒體104內儲存有複數個指令，當該等指令受到微處理器105執行時，可使微處理器105執行診斷方法600。在步驟S601中，微處理器105開始執行診斷方法600。在步驟S602中，微處理器105將第一類感測器101及/或第二類感測器102於工廠現場所測得之源自製造設備之訊號儲存為訊號資料於儲存媒體104中。在步驟S603中，微處理器105使用第一類感測器101及/或第二類感測器102所測得之至少一訊號或儲存於儲存媒體104中之至少一訊號資料訓練至少一人工智慧模型以成為至少一訓練後模型。在步驟S604中，微處理器105使用在步驟S603中訓練之訓練後模型產生關於第一類感測器101或第二類感測器102於工廠現場所測得之一待診斷製造設備之待診斷訊號之異常判別依據。在步驟S605中，微處理器105透過顯示元件103以一圖形化使用者介面顯示儲存於儲存媒體104中之至少一訊號資料、第一類感測器101或第二類感測器102於工廠現場所測得之一待診斷製造設備之待診斷訊號或異常判別依據。

在本文中，術語「訊號」及術語「訊號資料」皆可指涉測自製造設備之電流、震動、溫度等資訊。此外，應注意，本文所附圖式之流程圖僅為例示性，而不限制步驟之順序。

參閱圖3，在一些實施例中，異常判別依據可為閾值，第四訊號SIG4可為待診斷訊號，如圖3所示，診斷人員可依據第四訊號SIG4於何時以何種程度超出閾值判定診斷的結果。接著參閱圖4，在一些實施例中，異常判別依據 可為異常指示ind，診斷人員可直接藉由異常指示ind看出第五訊號5(即待診斷訊號)於何時發生異常。

參閱圖1及圖5，在一些實施例中，第一類感測器101或第二類感測器102為震動感測器。第三訊號SIG3可為震動感測器所測得之震動訊號，並且微處理器105可根據ISO20816標準對第三訊號SIG3進行評定。例如，第一評等ev1、第二評等ev2、第三評等ev3及第四評等ev4可分別代表ISO20816標準所制定之佳(good)、滿意(satisfactory)、不滿意(unsatisfactory)及不可接受(unacceptable)。如圖3所示，微處理器105可分析第三訊號SIG3並給予第一評等ev1、第二評等ev2、第三評等ev3或第四評等ev4之評定，並透過顯示元件103以一圖形化使用者介面顯示該評定。

在一些實施例中，行動式診斷裝置100還可透過顯示元件103顯示訊號重疊圖像。參閱圖6，圖6係繪示第一訊號SIG1及第二訊號SIG2之重疊圖像。詳細而言，一同參閱圖1及圖6，第一訊號SIG1及第二訊號SIG2可為感測器於工廠現場所測得之訊號或儲存媒體104所儲存訊號資料。診斷人員可輕易地藉由訊號重疊圖判斷二訊號之差異。以下搭配圖1、圖6及圖7說明重疊圖像之產生，在一些實施例中，行動式診斷裝置100可執行圖像顯示方法1000。在步驟S1001中，可透過第一類感測器101或第二類感測器102於工廠現場測得製造設備之正常訊號(例如電流、溫度、震動等訊號)。在步驟S1002中，可透過第一類感測器101或第二類感測器102於工廠現場測得製造設備之待診斷訊號。在步驟S1003中，可透過微處理器105產生正常訊號及待診斷訊號之重疊圖像(例如圖6，第一訊號SIG1可為正常訊號，第二訊號SIG2可為待診斷訊號)。在步驟S1004中，可透過顯示元件103顯示重疊圖像。

在一些實施例中，正常訊號及待檢測訊號可來自同一製造設備。例如，正常訊號可為在一製造設備正常運轉時測得，待檢測設備可為在一製造 設備之維護期或不正常運轉時測得。在另一些實施例中，正常訊號可自一正常運轉之製造設備測得，而待診斷訊號可自一處於維護期之中或不正常運轉之另一設備測得。

一同參閱圖1、圖2及圖8，在一些實施例中，步驟S603可進一步包含步驟S6031及步驟S6032。在步驟S6031中，微處理器105可對第一類感測器101及/或第二類感測器102所測得之至少一訊號或儲存於儲存媒體104之訊號資料進行一或多種特徵工程運算，以簡化人工智慧模型之訓練。接著，在步驟S6032中，微處理器105使用步驟S6031中的特徵工程運算結果訓練至少一人工智慧模型。

舉例而言，特徵工程可包含：均方根運算、偏度運算、峰度運算、STA/LTA運算、標準差運算、快速傅立葉轉換、短時距傅立葉轉換或小波包分解。然本發明不以此為限。舉例而言，人工智慧模型可為：PCA_SPE模型、PCA_T2模型、單類支持向量機模型、孤立森林(Iforest)模型及局部異常因子(LOF)模型。然本發明不以此為限。PCA_SPE模型可以殘差之形式提供待診斷訊號與主模型之偏離程度供診斷人員進行診斷；PCA_T2模型可以空間長度之形式提供待診斷訊號與主模型之偏離程度供診斷人員進行診斷；單類支持向量機模型可提供待診斷訊號與決策邊界之距離供診斷人員進行診斷；孤立森林模型可提供疏密群間分布之判定供診斷人員進行診斷；局部異常因子模型可提供待診斷訊號與周圍樣本之離異程度供診斷人員進行診斷。

參閱圖1及圖9，在一些實施例中，行動式診斷裝置100可執行診斷方法800。其中，步驟S601、步驟S602、步驟S603、步驟S605及步驟S606之說明請見前述。在步驟S801中，微處理器105可根據用於訓練人工智慧模型之訊號或資料之來源產生人工智慧模型識別符，例如，可根據用於訓練人工智慧模型之訊號或資料係來自工廠中的某一特定製造設備，產生對應於該特定製造設備 之人工智慧識別符。在步驟S802中，微處理器105可根據待診斷訊號之來源，自訓練後模型中選取具有相對應之人工智慧模型識別符者產生關於待診斷訊號之異常判別依據。例如，當待診斷訊號係測自前述該特定製造設備時，微處理器105可選取具有對應於該特定製造設備之人工智慧識別符之人工智慧模型產生異常判別依據。

參閱圖1及圖10，在一些實施例中，行動式診斷裝置100可執行診斷方法800。其中，步驟S601、步驟S602、步驟S603、步驟S605及步驟S606之說明請見前述。在步驟S901中，微處理器105可根據用於訓練人工智慧模型之訊號或訊號資料係由第一類感測器101或第二類感測器102所測得，產生人工智慧模型識別符。例如，在一實施例中，第一類感測器101可為電流感測器，第二類感測器102可為震動感測器，微處理器105可根據待診斷訊號係由電流感測器或震動感測器測得而產生相對應之識別符。在步驟S902中，微處理器105可根據待診斷訊號係由第一類感測器101或第二類感測器102所測得，自訓練後模型中選取具有相對應之人工智慧模型識別符者產生關於待診斷訊號之異常判別依據。例如，若待診斷訊號係由第一類感測器101(例如是電流感測器)所測得，微處理器105可選取具有對應於第一類感測器101(例如對應電流感測器)之人工智慧識別符之人工智慧模型產生異常判別依據。在一些實施例中，識別符可以通用唯一辨識碼(UUID)實現。

雖然本發明已透過實施例揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

100:設備診斷裝置

101:第一類感測器

102:第二類感測器

103:顯示元件

104:儲存媒體

105:微處理器

Claims (11)

1. 一種行動式設備診斷裝置，包含：一微處理器；一顯示元件，耦接至該微處理器；一第一類感測器，耦接至該微處理器；與該第一類感測器不同之一第二類感測器，耦接至該微處理器；以及一儲存媒體，儲存複數個指令，並耦接至該微處理器；其中當該些指令受該微處理器執行時，使該微處理器執行複數個操作，包含：將該第一類感測器及/或該第二類感測器所測得之至少一訊號儲存為至少一訊號資料於該儲存媒體中；使用該第一類感測器及/或該第二類感測器所測得之至少一訊號或儲存於該儲存媒體中之至少一訊號資料訓練至少一人工智慧模型以成為至少一訓練後模型；使用該些訓練後模型之一者產生關於該第一類感測器或該第二類感測器所測得之一待診斷訊號之一異常判別依據；以及透過該顯示元件，以一圖形化使用者介面顯示儲存於該儲存媒體中之該至少一訊號資料、該待診斷訊號或該異常判別依據。
2. 如請求項1所述之行動式設備診斷裝置，其中，該第一類感測器及該第二類感測器為下列中之任意二者：電流感測器、熱影像感測器及震動感測器。
3. 如請求項1所述之行動式設備診斷裝置，其中，該第一類感測器或該第二類感測器為一震動感測器，當該些指令受該微處理器執行時，還使該微處理器執行以下操作：根據一預設標準對該震動感測器所測得之一訊號及/或儲存於該儲存媒體中之該震動感測器所測得之一訊號資料進行一評定；以及透過該顯示元件顯示該評定之結果。
4. 如請求項1所述之行動式設備診斷裝置，其中，當該些指令受該微處理器執行時，還使該微處理器執行：透過該顯示元件，以該圖形化使用者介面顯示一訊號重疊圖像。
5. 如請求項1所述之行動式設備診斷裝置，其中，於訓練該至少一人工智慧模型之操作時更包含：對該第一感測器及/或該第二感測器所測得之該至少一訊號或該儲存媒體所儲存之該至少一訊號資料進行一或多種特徵工程運算，該一或多種特徵工程運算為下列中之一者：均方根運算、偏度運算、峰度運算、STA/LTA運算、標準差運算、快速傅立葉轉換、短時距傅立葉轉換或小波包分解；以及使用該一或多種特徵工程運算之結果訓練該至少一人工智慧模型。
6. 如請求項1所述之行動式設備診斷裝置，其中，該至少一人工智慧模型為下列中之至少一者：PCA_SPE模型、PCA_T2模型、單類支持向量機模型、孤立森林模型及局部異常因子模型。
7. 如請求項1所述之行動式設備診斷裝置，其中，當該些指令受該微處理器執行時，還使該微處理器執行以下操作，包含：根據用於訓練該至少一人工智慧模型之訊號或訊號資料之來源，產生至少一人工智慧模型識別符， 以及其中，產生該異常判別依據之操作係根據該待診斷訊號之來源，自該至少一訓練後模型中選取一具有相對應之人工智慧模型識別符者以產生該異常判別依據。
8. 如請求項1所述之行動式設備診斷裝置，其中，當該些指令受該微處理器執行時，還使該微處理器執行以下操作，包含：根據用於訓練該至少一人工智慧模型之訊號或訊號資料係由該第一類感測器或該第二類感測器所測得，產生人工智慧模型識別符，以及其中，產生該異常判別依據之操作係根據該待診斷訊號係由該第一類感測器或該第二類感測器所測得，自該至少一訓練後模型中選取一具有相對應之人工智慧模型識別符者以產生該異常判別依據。
9. 一種設備診斷資訊顯示方法，包含下列步驟：透過請求項1至8之任一者所述之行動式設備診斷裝置之該第一類感測器及該第二類感測器中之一者測得一正常訊號；透過該第一類感測器及該第二類感測器中之該者測得一待診斷訊號；透過該行動式設備診斷裝置之一微處理器產生該正常訊號及該待診斷訊號之一重疊圖像；以及透過該行動式設備診斷裝置之一顯示元件，以一圖形化使用者介面顯示該重疊圖像。
10. 如請求項9所述之方法，其中，該正常訊號係由該第一類感測器及該第二類感測器中之該者於一第一時間自一設備測得，該待診斷訊號係由該第一類感測器及該第二類感測器中之該者於一第二時間自該設備測得。
11. 如請求項9所述之方法，其中，該正常訊號係由該第一類感測器及該第二類感測器中之該者自一正常設備測得，該待診斷訊號係由該第一類感測器及該第二類感測器中之該者自一待診斷設備測得。

Images