TWI833251B - 失效模式分析系統及失效模式分析方法 - Google Patents
失效模式分析系統及失效模式分析方法 Download PDFInfo
- Publication number
- TWI833251B TWI833251B TW111122980A TW111122980A TWI833251B TW I833251 B TWI833251 B TW I833251B TW 111122980 A TW111122980 A TW 111122980A TW 111122980 A TW111122980 A TW 111122980A TW I833251 B TWI833251 B TW I833251B
- Authority
- TW
- Taiwan
- Prior art keywords
- processor
- vibration
- axis
- vibration sensor
- failure mode
- Prior art date
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 43
- 230000036541 health Effects 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims description 12
- 230000001537 neural effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000002075 main ingredient Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000001039 wet etching Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
- F04B49/06—Control using electricity
- F04B49/065—Control using electricity and making use of computers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一種失效模式分析系統包含第一振動感應器、第二振動感應器、記憶體及處理器。記憶體用以儲存複數指令。處理器用以根據記憶體的複數指令以執行以下步驟：控制第一振動感應器及第二振動感應器以收集複數軸向的複數振動信號；將複數振動信號進行資料處理以取得複數取樣資料；根據複數取樣資料以取得複數主成份資料；將複數主成份資料透過類神經模型以取得設備健康資料；以及將設備健康資料透過故障預測模型以預測設備的故障時間。
Description
本案係有關於一種模式分析系統及模式分析方法，且特別是關於一種失效模式分析系統及失效模式分析方法。
在進行半導體溼式蝕刻製程時會大量使用化學藥劑，為確保蝕刻槽內製程的穩定性及延長化學藥劑使用時間，則使用循環幫浦（Circulation Pump）進行化學藥劑的過濾、溫度控制及穩定循環流量控制。
此循環幫浦有兩個藥劑腔體，現行的作法為監控兩個藥劑腔體內的交互吸吐次數換算循環量並進行監控，然而從循環流量異常來判斷循環幫浦是否異常時，往往異常已發生一段時間，無法當下立即判斷是否異常，更無法達到提前預判異常發生。
發明內容旨在提供本揭示內容的簡化摘要，以使閱讀者對本揭示內容具備基本的理解。此發明內容並非本揭示內容的完整概述，且其用意並非在指出本案實施例的重要/關鍵元件或界定本案的範圍。
本案內容之一技術態樣係關於一種失效模式分析系統。失效模式分析系統包含第一振動感應器、第二振動感應器、記憶體及處理器。記憶體用以儲存複數指令。處理器用以根據記憶體的複數指令以執行以下步驟：控制第一振動感應器及第二振動感應器以收集複數軸向的複數振動信號；將複數振動信號進行資料處理以取得複數取樣資料；根據複數取樣資料以取得複數主成份資料；將複數主成份資料透過類神經模型以取得設備健康資料；以及將設備健康資料透過故障預測模型以預測設備的故障時間。
本案內容之另一技術態樣係關於一種失效模式分析方法。失效模式分析方法包含以下步驟：藉由處理器控制第一振動感應器及第二振動感應器以收集複數軸向的複數振動信號；藉由處理器將複數振動信號進行資料處理以取得複數取樣資料；藉由處理器根據複數取樣資料以取得複數主成份資料；藉由處理器將複數主成份資料透過類神經模型以取得設備健康資料；以及藉由處理器將設備健康資料透過故障預測模型以預測設備的故障時間。
因此，根據本案之技術內容，本案實施例所示之失效模式分析系統及失效模式分析方法得以透過複數振動信號的收集、類神經模型及故障預測模型的演算，以達到預測設備的故障時間之效果。
在參閱下文實施方式後，本案所屬技術領域中具有通常知識者當可輕易瞭解本案之基本精神及其他發明目的，以及本案所採用之技術手段與實施態樣。
為了使本揭示內容的敘述更加詳盡與完備，下文針對了本案的實施態樣與具體實施例提出了說明性的描述；但這並非實施或運用本案具體實施例的唯一形式。實施方式中涵蓋了多個具體實施例的特徵以及用以建構與操作這些具體實施例的方法步驟與其順序。然而，亦可利用其他具體實施例來達成相同或均等的功能與步驟順序。
除非本說明書另有定義，此處所用的科學與技術詞彙之含義與本案所屬技術領域中具有通常知識者所理解與慣用的意義相同。此外，在不和上下文衝突的情形下，本說明書所用的單數名詞涵蓋該名詞的複數型；而所用的複數名詞時亦涵蓋該名詞的單數型。
第1圖係依照本案一實施例繪示一種失效模式分析系統的方塊圖。如圖所示，失效模式分析系統100包含第一振動感應器110、第二振動感應器120及主機150。主機150包含記憶體130及處理器140。於連接關係，第一振動感應器110耦接於主機150，第二振動感應器120耦接於主機150，於主機150內部，記憶體130耦接於處理器140。
為預測設備的故障時間，本案提供如第1圖所示之失效模式分析系統100，失效模式分析系統100的相關操作詳細說明如後。
第2圖係依照本案一實施例繪示一種失效模式分析系統之振動信號的示意圖。第3圖係依照本案一實施例繪示一種失效模式分析系統之主成份資料的示意圖。第4圖係依照本案一實施例繪示一種失效模式分析系統的使用情境圖。
請參閱第1圖至第3圖，在一實施例中，記憶體130用以儲存複數指令。處理器140用以根據記憶體130的複數指令以執行以下步驟：控制第一振動感應器110及第二振動感應器120以收集複數軸向的複數振動信號。舉例而言，複數軸向可以為X、Y或Z軸，複數振動信號可以為X軸上的時域信號、Y軸上的時域信號（例如第2圖的時域信號200）或Z軸上的時域信號，但本案不以此為限。
然後，處理器140將複數振動信號進行資料處理以取得複數取樣資料。再來，處理器140根據複數取樣資料以取得複數主成份資料。舉例而言，複數振動信號可以為Y軸及Z軸的時域信號（例如第2圖的時域信號200），然而Y軸及Z軸的時域信號中的信號特徵（例如信號波型中的峰值）不易判別，故需要經過資料處理（例如均方根轉換）以取得特徵較為明顯的取樣資料（例如第3圖的取樣資料300），並根據複數取樣資料以取得複數主成份資料，但本案不以此為限。
然後，處理器140將複數主成份資料透過儲存於記憶體130的類神經模型以取得設備健康資料。舉例而言，複數主成份資料可以為由第一振動感應器110及第二振動感應器120收集的Y軸向及Z軸向經上述轉換方式取得的資料，例如，第一振動感應器110可以收集並經過處理器140轉換取得Y1軸向的主成份資料及Z1軸向的主成份資料，第二振動感應器120可以收集並經過處理器140轉換取得Y2軸向的主成份資料及Z2軸向的主成份資料，並將Y1軸向的主成份資料、Y2軸向的主成份資料、Z1軸向的主成份資料及Z2軸向的主成份資料透過類神經模型以取得設備健康資料（例如設備健康指數，Equipment Healthy Index, EHI），類神經模型可以為類神經網路(Neural Network, NN)，但本案不以此為限。
隨後，處理器140將設備健康資料透過儲存於記憶體130的故障預測模型以預測設備的故障時間。舉例而言，設備健康資料可以為設備健康指數，並將設備健康指數透過故障預測模型以預測設備的故障時間，故障預測模型可以為自回歸移動平均模型（Autoregressive Integrated Moving Average Model, ARIMA），設備可以為循環幫浦（Circulation Pump）。請參閱第4圖，詳細而言，設備健康指數透過自回歸移動平均模型可以繪製出設備健康指數與時間的關係，T0可以為循環幫浦的初始時間（即循環幫浦一開始運轉的時間），T1可以為收集時間，T2可以為結束時間，故初始時間T0至收集時間T1中的資料為實際透過第一振動感應器110及第二振動感應器120收集並經處理器140轉換取得的，而收集時間T1至結束時間T2的資料可以為ARIMA根據初始時間T0至收集時間T1中的資料所演算而來，並可以透過收集時間T1至結束時間T2的資料以預測設備的故障時間，設備的故障時間可以為T11，從第4圖的T11上可以看到有一個高的波峰，可能會發生循環幫浦停機或循環幫浦內的零件損壞，故人員可以選擇於故障時間T11持續監控設備的狀況，或是提前提下設備維修，但本案不以此為限。
此外，初始時間T0可以為2020/07/13，收集時間T1可以為2021/06/30，結束時間T2可以為2021/12/31，故障時間T11可以為2021/07/26，雖然收集的資料僅到2021/06/30，然而透過本案技術得以計算並預測2021/07/26循環幫浦會發生故障，故可以於發生故障前持續追蹤狀況或提前因應，但本案不以此為限。
在一實施例中，初始時間T0可以為設備最一開始啟用的時間，結束時間T2可以為設備無法透過維修再次啟動的時間，收集時間T1可以落在初始時間T0與結束時間T2之間，故障時間T11可以落在收集時間T1與結束時間T2之間，但本案不以此為限。
在一實施例中，藉由處理器140以控制第一振動感應器110以收集第一軸向的第一振動信號及第二軸向的第二振動信號。舉例而言，第一軸向可以為Y軸向，第二向可以為Z軸向，第一振動信號可以為Y軸向的時域信號（例如第2圖的時域信號200），第二振動信號可以為Z軸向的時域信號，但本案不以此為限。
在一實施例中，藉由處理器140控制第二振動感應器120以收集第一軸向的第三振動信號及第二軸向的第四振動信號。舉例而言，第三振動信號可以為Y軸向的時域信號，第四振動信號可以為Z軸向的時域信號，但本案不以此為限。
在一實施例中，藉由處理器140將複數振動信號進行均方根計算處理以取得複數均方根資訊。複數振動信號可以為第一振動信號、第二振動信號、第三振動信號及第四振動信號，可以藉由處理器140將第一振動信號、第二振動信號、第三振動信號及第四振動信號進行均方根計算（例如RMS計算）處理以取得第一均方根資訊、第二均方根資訊、第三均方根資訊及第四均方根資訊，但本案不以此為限。
在一實施例中，藉由處理器140將複數均方根資訊進行正規化處理以取得複數主成份資料。舉例而言，正規化處理可以為歸一化（Normalization）處理，用以將第一均方根資訊、第二均方根資訊、第三均方根資訊及第四均方根資訊的範圍限制於0～1之間，藉此更容易將第一均方根資訊、第二均方根資訊、第三均方根資訊及第四均方根資訊中的資料特徵抓出來，故可以藉由處理器140將第一均方根資訊、第二均方根資訊、第三均方根資訊及第四均方根資訊進行歸一化處理以取得第一主成份資料、第二均主成份資料、第三主成份資料及第四主成份資料。
第5圖係依照本案一實施例繪示一種失效模式分析方法的步驟流程圖。為使第5圖之失效模式分析方法500易於理解，請一併參閱第1圖及第5圖。第5圖之失效模式分析方法500包含以下步驟：
步驟510：藉由處理器140控制第一振動感應器110及第二振動感應器120以收集複數軸向的複數振動信號；
步驟520：藉由處理器140將複數振動信號進行資料處理以取得複數取樣資料；
步驟530：藉由處理器140根據複數取樣資料以取得複數主成份資料；
步驟540：藉由處理器140將複數主成份資料透過類神經模型以取得設備健康資料；
步驟550：藉由處理器140將設備健康資料透過故障預測模型以預測設備的故障時間。
舉例而言，類神經模型可以儲存於記憶體130，故障預測模型可以儲存於記憶體130，但本案不以此為限。
在一實施例中，請參閱步驟510，可進一步藉由處理器140以控制第一振動感應器110以收集第一軸向的第一振動信號及第二軸向的第二振動信號。舉例而言，第一軸向可以為Y軸向，第二向可以為Z軸向，第一振動信號可以為Y軸向的時域信號（例如第2圖的時域信號200），第二振動信號可以為Z軸向的時域信號，但本案不以此為限。
在一實施例中，請參閱步驟510，可進一步藉由處理器140以控制第二振動感應器120以收集第一軸向的第三振動信號及第二軸向的第四振動信號。舉例而言，第三振動信號可以為Y軸向的時域信號，第四振動信號可以為Z軸向的時域信號，但本案不以此為限。
在一實施例中，請參閱步驟520，可進一步藉由處理器140將複數振動信號進行均方根計算處理以取得複數均方根資訊。複數振動信號可以為第一振動信號、第二振動信號、第三振動信號及第四振動信號，可以藉由處理器140將第一振動信號、第二振動信號、第三振動信號及第四振動信號進行均方根計算（例如RMS計算）處理以取得第一均方根資訊、第二均方根資訊、第三均方根資訊及第四均方根資訊，但本案不以此為限。
在一實施例中，請參閱步驟530，可進一步藉由處理器140將複數均方根資訊進行正規化處理以取得複數主成份資料。舉例而言，正規化處理可以為歸一化（Normalization）處理，用以將第一均方根資訊、第二均方根資訊、第三均方根資訊及第四均方根資訊的範圍限制於0～1之間，藉此更容易將第一均方根資訊、第二均方根資訊、第三均方根資訊及第四均方根資訊中的資料特徵抓出來，故可以藉由處理器140將第一均方根資訊、第二均方根資訊、第三均方根資訊及第四均方根資訊進行歸一化處理以取得第一主成份資料、第二均主成份資料、第三主成份資料及第四主成份資料。
由上述本案實施方式可知，應用本案具有下列優點。本案實施例所示之失效模式分析系統及失效模式分析方法得以透過複數振動信號的收集、類神經模型及故障預測模型的演算，以達到預測設備的故障時間之效果。
雖然上文實施方式中揭露了本案的具體實施例，然其並非用以限定本案，本案所屬技術領域中具有通常知識者，在不悖離本案之原理與精神的情形下，當可對其進行各種更動與修飾，因此本案之保護範圍當以附隨申請專利範圍所界定者為準。
100： 失效模式分析系統
110： 第一振動感應器
120： 第二振動感應器
130： 記憶體
140： 處理器
150： 主機
200： 時域信號
300： 主成份資料
500： 失效模式分析方法
510～550： 步驟
為讓本案之上述和其他目的、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圖係依照本案一實施例繪示一種失效模式分析系統的方塊圖。
第2圖係依照本案一實施例繪示一種失效模式分析系統之振動信號的示意圖。
第3圖係依照本案一實施例繪示一種失效模式分析系統之主成份資料的示意圖。
第4圖係依照本案一實施例繪示一種失效模式分析系統的使用情境圖。
第5圖係依照本案一實施例繪示一種失效模式分析方法的步驟流程圖。
根據慣常的作業方式，圖中各種特徵與元件並未依比例繪製，其繪製方式是為了以最佳的方式呈現與本案相關的具體特徵與元件。此外，在不同圖式間，以相同或相似的元件符號來指稱相似的元件/部件。
國內寄存資訊(請依寄存機構、日期、號碼順序註記)
無
國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記)
無
100： 失效模式分析系統
110： 第一振動感應器
120： 第二振動感應器
130： 記憶體
140： 處理器
150： 主機
Claims (10)
- 一種失效模式分析系統，包含：一第一振動感應器；一第二振動感應器；一記憶體，用以儲存複數指令；一處理器，用以根據該記憶體的該些指令以執行以下步驟：控制該第一振動感應器及該第二振動感應器以收集複數軸向的複數振動信號，其中該些軸向的該些振動信號包含一第一軸向的一第一時域信號、一第二軸向的一第二時域信號及一第三軸向的一第三時域信號，該第一軸向垂直於該第二軸向，該第二軸向垂直於該第三軸向，且該第一軸向、該第二軸向及該第三軸向彼此不相同；將該些振動信號進行一資料處理以取得複數取樣資料；根據該些取樣資料以取得複數主成份資料；將該些主成份資料透過一類神經模型以取得一設備健康資料；以及將該設備健康資料透過一故障預測模型以預測一設備的一故障時間。
- 如請求項1所述之失效模式分析系統，其中該處理器更用以根據該記憶體的該些指令以執行以下步驟：控制該第一振動感應器以收集該第一軸向的一第一振動 信號及該第二軸向的一第二振動信號。
- 如請求項2所述之失效模式分析系統，其中該處理器更用以根據該記憶體的該些指令以執行以下步驟：藉由該處理器控制該第二振動感應器以收集該第一軸向的一第三振動信號及該第二軸向的一第四振動信號。
- 如請求項1所述之失效模式分析系統，其中該處理器更用以根據該記憶體的該些指令以執行以下步驟：藉由該處理器將該些振動信號進行一均方根計算處理以取得複數均方根資訊。
- 如請求項4所述之失效模式分析系統，其中該處理器更用以根據該記憶體的該些指令以執行以下步驟：藉由該處理器將該些均方根資訊進行一正規化處理以取得該些主成份資料。
- 一種失效模式分析方法，包含：藉由一處理器控制一第一振動感應器及一第二振動感應器以收集複數軸向的複數振動信號；藉由該處理器將該些振動信號進行一資料處理以取得複 數取樣資料，其中該些軸向的該些振動信號包含一第一軸向的一第一時域信號、一第二軸向的一第二時域信號及一第三軸向的一第三時域信號，該第一軸向垂直於該第二軸向，該第二軸向垂直於該第三軸向，且該第一軸向、該第二軸向及該第三軸向彼此不相同；藉由該處理器根據該些取樣資料以取得複數主成份資料；藉由該處理器將該些主成份資料透過一類神經模型以取得一設備健康資料；以及藉由該處理器將該設備健康資料透過一故障預測模型以預測一設備的一故障時間。
- 如請求項6所述之失效模式分析方法，其中藉由該處理器控制該第一振動感應器及該第二振動感應器以收集該些軸向的該些振動信號的步驟包含：藉由該處理器以控制該第一振動感應器以收集該第一軸向的一第一振動信號及該第二軸向的一第二振動信號。
- 如請求項7所述之失效模式分析方法，其中藉由該處理器控制該第一振動感應器及該第二振動感應器以收集該些軸向的該些振動信號的步驟更包含：藉由該處理器以控制該第二振動感應器以收集該第一軸向的一第三振動信號及該第二軸向的一第四振動信號。
- 如請求項6所述之失效模式分析方法，其中藉由該處理器將該些振動信號進行一資料處理以取得複數取樣資料的步驟包含：藉由該處理器將該些振動信號進行一均方根計算處理以取得複數均方根資訊。
- 如請求項9所述之失效模式分析方法，其中藉由該處理器根據該些取樣資料以取得複數主成份資料的步驟包含：藉由該處理器將該些均方根資訊進行一正規化處理以取得該些主成份資料。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111122980A TWI833251B (zh) | 2022-06-21 | 2022-06-21 | 失效模式分析系統及失效模式分析方法 |
| CN202211114739.6A CN117307470A (zh) | 2022-06-21 | 2022-09-14 | 失效模式分析系统及失效模式分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111122980A TWI833251B (zh) | 2022-06-21 | 2022-06-21 | 失效模式分析系統及失效模式分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202401188A TW202401188A (zh) | 2024-01-01 |
| TWI833251B true TWI833251B (zh) | 2024-02-21 |
Family
ID=89296000
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111122980A TWI833251B (zh) | 2022-06-21 | 2022-06-21 | 失效模式分析系統及失效模式分析方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN117307470A (zh) |
| TW (1) | TWI833251B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201640244A (zh) * | 2015-02-12 | 2016-11-16 | 愛德華有限公司 | 處理工具監控 |
| CN106951984A (zh) * | 2017-02-28 | 2017-07-14 | 深圳市华傲数据技术有限公司 | 一种系统健康度动态分析预测方法及装置 |
| TW201834784A (zh) * | 2017-03-24 | 2018-10-01 | 國立成功大學 | 刀具磨耗監測與預測方法 |
| TW202029183A (zh) * | 2019-01-21 | 2020-08-01 | 美商惠普發展公司有限責任合夥企業 | 具有音訊資料的故障預測模型訓練 |
| TW202043954A (zh) * | 2019-02-05 | 2020-12-01 | 南韓商三星顯示器有限公司 | 故障檢測的設備和方法 |
| CN112783138A (zh) * | 2020-12-30 | 2021-05-11 | 上海交通大学 | 生产线设备加工稳定性智能监控和异常诊断方法及装置 |
| TW202119147A (zh) * | 2019-10-31 | 2021-05-16 | 國立勤益科技大學 | 監控系統與其方法 |
| CN113095540A (zh) * | 2019-12-23 | 2021-07-09 | 财团法人工业技术研究院 | 数据整合方法及数据整合系统 |
| CN113574480A (zh) * | 2019-03-22 | 2021-10-29 | Abb瑞士股份有限公司 | 用于预测设备损坏的装置 |
| CN114326554A (zh) * | 2021-12-24 | 2022-04-12 | 贵州盘江精煤股份有限公司 | 一种机电设备智能监测管理系统 |
| US20220163960A1 (en) * | 2016-05-09 | 2022-05-26 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
-
2022
- 2022-06-21 TW TW111122980A patent/TWI833251B/zh active
- 2022-09-14 CN CN202211114739.6A patent/CN117307470A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201640244A (zh) * | 2015-02-12 | 2016-11-16 | 愛德華有限公司 | 處理工具監控 |
| US20220163960A1 (en) * | 2016-05-09 | 2022-05-26 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
| CN106951984A (zh) * | 2017-02-28 | 2017-07-14 | 深圳市华傲数据技术有限公司 | 一种系统健康度动态分析预测方法及装置 |
| TW201834784A (zh) * | 2017-03-24 | 2018-10-01 | 國立成功大學 | 刀具磨耗監測與預測方法 |
| TW202029183A (zh) * | 2019-01-21 | 2020-08-01 | 美商惠普發展公司有限責任合夥企業 | 具有音訊資料的故障預測模型訓練 |
| TW202043954A (zh) * | 2019-02-05 | 2020-12-01 | 南韓商三星顯示器有限公司 | 故障檢測的設備和方法 |
| CN113574480A (zh) * | 2019-03-22 | 2021-10-29 | Abb瑞士股份有限公司 | 用于预测设备损坏的装置 |
| TW202119147A (zh) * | 2019-10-31 | 2021-05-16 | 國立勤益科技大學 | 監控系統與其方法 |
| CN113095540A (zh) * | 2019-12-23 | 2021-07-09 | 财团法人工业技术研究院 | 数据整合方法及数据整合系统 |
| CN112783138A (zh) * | 2020-12-30 | 2021-05-11 | 上海交通大学 | 生产线设备加工稳定性智能监控和异常诊断方法及装置 |
| CN114326554A (zh) * | 2021-12-24 | 2022-04-12 | 贵州盘江精煤股份有限公司 | 一种机电设备智能监测管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202401188A (zh) | 2024-01-01 |
| CN117307470A (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108923952A (zh) | 基于服务监控指标的故障诊断方法、设备及存储介质 | |
| EP2317461A1 (en) | Turbine operation degradation determination system and method | |
| KR102067344B1 (ko) | 이상 진동데이터 감지 장치 및 방법 | |
| Li et al. | Fault identification in PCA method during sensor condition monitoring in a nuclear power plant | |
| CN111796233B (zh) | 双母线接线形式下多台电压互感器继发性误差的评估方法 | |
| CN111122199A (zh) | 一种锅炉故障诊断方法及装置 | |
| CN113253705B (zh) | 一种鼓风机的故障诊断方法及装置 | |
| CN115128513A (zh) | 一种基于热量的电容器异常检测方法及相关装置 | |
| CN113486868A (zh) | 一种电机故障诊断方法及系统 | |
| CN107607342B (zh) | 空调机房设备群的健康能效检测方法 | |
| Hau et al. | Exploiting correlations to detect false data injections in low-density wireless sensor networks | |
| TWI833251B (zh) | 失效模式分析系統及失效模式分析方法 | |
| JP5771317B1 (ja) | 異常診断装置及び異常診断方法 | |
| CN112664410A (zh) | 一种基于大数据的机组在线监测系统建模方法 | |
| An et al. | Detection of process anomalies using an improved statistical learning framework | |
| Zhang et al. | Distributed quality-related process monitoring framework using parallel DVIB-VAE-mRMR for large-scale processes | |
| Nadir et al. | Diagnosis of defects by principal component analysis of a gas turbine | |
| CN115310490B (zh) | 基于多域特征与敏感特征选择的旋转设备故障分析方法 | |
| TW202422260A (zh) | 失效模式分析系統及失效模式分析方法 | |
| CN110017894A (zh) | 变压器运行状态振声检测中随机噪声的滤除方法和装置 | |
| CN115526238A (zh) | 一种基于全工况卷积特征记忆的引风机故障预警方法 | |
| Xie et al. | Fault detection based on probabilistic kernel partial least square regression for industrial processes | |
| Yang et al. | Information theory based probabilistic approach to blade damage detection of turbomachine using sensor data | |
| Wen et al. | Research on loose bolt localization technology for transmission towers | |
| CN110516323A (zh) | 一种基于时序分析的压力管道损伤预测方法 |