TWM586815U - 自動加工機之異常偵測系統 - Google Patents
自動加工機之異常偵測系統 Download PDFInfo
- Publication number
- TWM586815U TWM586815U TW108209270U TW108209270U TWM586815U TW M586815 U TWM586815 U TW M586815U TW 108209270 U TW108209270 U TW 108209270U TW 108209270 U TW108209270 U TW 108209270U TW M586815 U TWM586815 U TW M586815U
- Authority
- TW
- Taiwan
- Prior art keywords
- automatic processing
- processing machine
- graphics processor
- machine
- model
- Prior art date
Links
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
一種自動加工機之異常偵測系統，包括一自動加工機，具有一可程式化邏輯控制器與一人機介面。該可程式化邏輯控制器與該人機介面可將該自動加工機運轉時的電流、電壓或聲音的數位信號送出。一圖形處理器邊緣運算電腦，藉由一閘道器與該自動加工機連線，可將該電流、電壓或聲音數位信號傳給該圖形處理器邊緣運算電腦。以及一異常分析模組使用一機器學習模組來訓練該圖形處理器邊緣運算電腦分析正常的電流、電壓或聲音數位信號以建立一第一模型，再藉由該第一模型來判斷未知的電流、電壓或聲音數位信號以偵測出該自動加工機之發生異常。本創作之自動加工機之異常偵測系統應用機器學習的深度學習實現訓練自動加工機之異常判斷。
Description
本創作係有關於一種加工機之異常偵測系統，特別是有關於一種人工智能聯網自動加工機之異常偵測系統。
隨著人工智慧的不斷發展，自動化加工機械故障或所製造量產的產品異常的即時監測和預防也是工業技術的新課題，而解決方案就可以由神經網路等機器學習方法來完成。自動化量產之即時異常監測和預防是朝著更智慧更方便快捷的方向發展。
大數據已經結合人工智慧（AI）應用於創新的自動化量產即時異常監測和預防，將可以為企業創造出前所未有的價值。目前工業生產的IOT（物聯網）專案都將納入 AI（人工智慧）解決方案，許多高精密設備廠商運用人工智能聯網AIOT，為企業帶來新的營運模式。企業導入 AIOT 之後，最大的效益是可以進行最佳化（optimization），會依據需求的情境不同，做出最好的決策，並且有效反應在企業的獲利能力。
IOT 與 AI 的結合能夠極大化效能與最佳化效益，結合發展成為「人工智能聯網」（AIOT），是目前科技的主流趨勢，有助企業減少成本、提升效率、發掘新的商機、進而發展出新的營運模式。應用機器學習和物聯網功能來分析自動化量產的即時數據，這有助於在加工機械故障發生的前幾天預測出潛在的停機時間。深度學習是近年來機器學習領域的最新發展成果，在自動化量產即時異常監測和預防是可以使用深度學習發展成果來實現人工智能聯網（AIOT）智慧製造。
本創作之目的是提供一種自動加工機之異常偵測系統，本創作使用深度學習發展成果來實現自動化量產即時異常監測和預防，實際應用於自動鑽孔攻牙機進行螺絲帽加工螺紋攻牙之自動加工機之異常偵測。
本創作為達成上述目的提供一種自動加工機之異常偵測系統，包括一自動加工機，具有一可程式化邏輯控制器與一人機介面，該可程式化邏輯控制器與該人機介面可將該自動加工機運轉時的電流、電壓或聲音的數位信號送出；一圖形處理器邊緣運算電腦，藉由一閘道器與該自動加工機連線，透過該閘道器可將該電流、電壓或聲音數位信號傳給該圖形處理器邊緣運算電腦以及將啟動和停止運轉指令傳給該自動加工機；以及一異常分析模組，配置於該圖形處理器邊緣運算電腦內，該異常分析模組使用一機器學習模組來訓練該圖形處理器邊緣運算電腦分析正常的電流、電壓或聲音數位信號以建立一第一模型，再藉由訓練好的該第一模型來判斷未知的電流、電壓或聲音數位信號以偵測出該自動加工機之發生異常。
與習知之自動加工機之異常偵測系統比較，本創作具有以下優點：
1. 應用機器學習的深度學習實現訓練自動加工機之異常判斷。
2. 應用機器學習的深度學習實現自動加工機之機器訓練。
3. 定期更新訓練好的新模型至圖形處理器邊緣運算電腦。
1. 應用機器學習的深度學習實現訓練自動加工機之異常判斷。
2. 應用機器學習的深度學習實現自動加工機之機器訓練。
3. 定期更新訓練好的新模型至圖形處理器邊緣運算電腦。
第1圖顯示本創作之自動加工機之異常偵測系統之架構示意圖。自動加工機之異常偵測系統100包括一自動加工機10，一圖形處理器邊緣運算電腦20、一閘道器（Gateway）30、一MQTT (Message Queuing Telemetry Transport訊息佇列遙測傳輸)通訊協定40以及一模型更新伺服器50。自動加工機10具有一可程式化邏輯控制器（PLC）12與一人機介面(HMI)14，該可程式化邏輯控制器12與該人機介面14可將自動加工機10運轉時的電流、電壓或聲音的數位信號16送出。自動加工機10可以是自動鑽孔攻牙機、自動車床、自動銑床、自動鑽銑機或自動沖壓機。本創作是實際採用「人工智能聯網」（AIOT）智慧製造應用於自動鑽孔攻牙機進行螺絲帽加工螺紋攻牙之自動加工機之異常偵測。
閘道器30用來與自動加工機10與圖形處理器邊緣運算電腦20連線，透過閘道器30可將電流、電壓或聲音數位信號16傳給圖形處理器邊緣運算電腦20以及將啟動和停止運轉指令32傳給自動加工機10。MQTT通訊協定40作為該自動加工機10連線該圖形處理器邊緣運算電腦20之訊息傳輸協定。MQTT通訊協定40之用戶方42配置於圖形處理器邊緣運算電腦20內。MQTT通訊協定40之代理伺服器(proxy)44配置於閘道器30旁。
一異常分析模組22，配置於圖形處理器邊緣運算電腦20內，異常分析模組22使用一機器學習模組24來訓練圖形處理器邊緣運算電腦20分析正常的電流、電壓或聲音數位信號18以建立一第一模型60，再藉由訓練好的該第一模型60來判斷未知的電流、電壓或聲音數位信號19以偵測出自動加工機10之發生異常。本創作之自動加工機之異常偵測系統更包括運用3 SIGMA rule值當作檢驗值來檢驗是否異常，機器學習模組24可以魯棒主成分分析法(Robust Principal Component Analysis，RPCA) 或Autoencoder(自動編碼器)。模型更新伺服器50，用來定期更新訓練好的第二模型62至圖形處理器邊緣運算電腦20，模型更新伺服器50具有一知識庫52用來儲存第一模型60和第二模型62。
第2圖顯示本創作之自動加工機之異常判斷流程圖。首先，複數台自動加工機A、自動加工機B、自動加工機N利用各自的可程式化邏輯控制器將各自未知的電流、電壓或聲音轉換成數位信號，如步驟S20所示。其次，透過閘道器將各自未知的電流、電壓或聲音數位信號進行資料同步和資料推播以及傳給圖形處理器邊緣運算電腦，如步驟S22所示。然後，應用各自訓練好的模型A、模型B、模型N來判斷各自未知的電流、電壓或聲音數位信號以偵測出自動加工機是否發生異常，如步驟S24所示。當自動加工機運轉時發生潤滑裝置故障、刀具斷裂或磨損、其他機械零組件故障時，自動加工機的電流、電壓或聲音數位信號就與正常運轉時不同，因此應用自動加工機A、自動加工機B、自動加工機N訓練好的模型A、模型B、模型N來比對未知的電流、電壓或聲音數位信號就能夠偵測出自動加工機是否發生異常。最後，當其中有一自動加工機發生異常時，圖形處理器邊緣運算電腦會發出警報，同時將停止運轉指令傳給發生異常的自動加工機，如步驟S26所示。
第3圖顯示本創作之自動加工機之機器訓練流程圖。首先，複數台自動加工機A、自動加工機B、自動加工機N利用各自的可程式化邏輯控制器將各自正常的電流、電壓或聲音轉換成數位信號，如步驟S30所示。其次，透過閘道器將各自正常的電流、電壓或聲音數位信號進行資料同步和資料推播以及傳給圖形處理器邊緣運算電腦，如步驟S32所示。然後，使用機器學習模組來訓練圖形處理器邊緣運算電腦分析各自正常的電流、電壓或聲音數位信號以建立新模型A、新模型B、新模型N，如步驟S34所示。之後，將新模型A、新模型B、新模型N儲存在知識庫中，如步驟S36所示。最後，模型更新伺服器定期更新訓練好的新模型A、新模型B、新模型N至圖形處理器邊緣運算電腦，如步驟S38所示。
第4圖顯示本創作之自動加工機之異常偵測方法的流程圖。首先，提供一自動加工機，具有一可程式化邏輯控制器與一人機介面，該可程式化邏輯控制器與該人機介面可將該自動加工機運轉時的電流、電壓或聲音的數位信號送出，如步驟S40所示。其次，提供一圖形處理器邊緣運算電腦，藉由一閘道器與該自動加工機連線，透過該閘道器可將該電流、電壓或聲音數位信號傳給該圖形處理器邊緣運算電腦以及將啟動和停止運轉指令傳給該自動加工機，如步驟S42所示。接著，提供一MQTT通訊協定作為該自動加工機連線該圖形處理器邊緣運算電腦之訊息傳輸協定，如步驟S44所示。然後，提供一異常分析模組，配置於該圖形處理器邊緣運算電腦內，該異常分析模組使用一機器學習法來訓練該圖形處理器邊緣運算電腦分析該正常電流、電壓或聲音數位信號以產生一第一模型，再藉由訓練好的該第一模型來判斷未知的電流、電壓或聲音數位信號以偵測出該自動加工機之發生異常，如步驟S46所示。最後，提供一模型更新伺服器，用來定期更新訓練好的第二模型至該圖形處理器邊緣運算電腦，如步驟S48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，因此當自動加工機10產生新的電流資料X向量，將其輸入到這個已訓練好之神經網路，可以得到一個輸出值Y向量，此時計算輸出向量減掉平均電流後的MSE，用3-SIGMA rule值當作檢驗值來檢驗是否異常。以下說明兩個判斷正常和判斷異常案例之實際判斷結果，第5圖顯示本創作之自動加工機之異常偵測系統的判斷正常案例，如圖所示，自動加工機 A之一例，Autoencoder (自動編碼器) 的MSE誤差＜0.8(3-SIGMA rule) ，其中，黑實線是電流曲線，點狀線是正常平均值。第6圖顯示本創作之自動加工機之異常偵測系統的判斷異常案例，如圖所示，自動加工機 B之一例， Autoencoder (自動編碼器) 的MSE誤差＞0.8(3-SIGMA rule)，其中，黑實線是電流曲線，點狀線是正常平均值，此時會有警告訊息回傳至可程式化邏輯控制器PLC命令其停機。
100‧‧‧自動加工機之異常偵測系統
10‧‧‧自動加工機
12‧‧‧可程式化邏輯控制器
14‧‧‧人機介面
16‧‧‧數位信號
20‧‧‧圖形處理器邊緣運算電腦
22‧‧‧異常分析模組
24‧‧‧機器學習模組
18‧‧‧正常的電流、電壓或聲音數位信號
19‧‧‧未知的電流、電壓或聲音數位信號
30‧‧‧閘道器
40‧‧‧MQTT通訊協定
42‧‧‧MQTT通訊協定之用戶方
44‧‧‧MQTT通訊協定之代理伺服器
50‧‧‧模型更新伺服器
52‧‧‧知識庫
60‧‧‧第一模型
62‧‧‧第二模型
10‧‧‧自動加工機
12‧‧‧可程式化邏輯控制器
14‧‧‧人機介面
16‧‧‧數位信號
20‧‧‧圖形處理器邊緣運算電腦
22‧‧‧異常分析模組
24‧‧‧機器學習模組
18‧‧‧正常的電流、電壓或聲音數位信號
19‧‧‧未知的電流、電壓或聲音數位信號
30‧‧‧閘道器
40‧‧‧MQTT通訊協定
42‧‧‧MQTT通訊協定之用戶方
44‧‧‧MQTT通訊協定之代理伺服器
50‧‧‧模型更新伺服器
52‧‧‧知識庫
60‧‧‧第一模型
62‧‧‧第二模型
第1圖為本創作之自動加工機之異常偵測系統之架構示意圖。
第2圖為本創作之自動加工機之異常判斷流程圖。
第3圖為本創作之自動加工機之機器訓練流程圖。
第4圖為本創作之自動加工機之異常偵測方法的流程圖。
第5圖顯示本創作之自動加工機之異常偵測系統的判斷正常案例
第6圖顯示本創作之自動加工機之異常偵測系統的判斷異常案例
第2圖為本創作之自動加工機之異常判斷流程圖。
第3圖為本創作之自動加工機之機器訓練流程圖。
第4圖為本創作之自動加工機之異常偵測方法的流程圖。
第5圖顯示本創作之自動加工機之異常偵測系統的判斷正常案例
第6圖顯示本創作之自動加工機之異常偵測系統的判斷異常案例
Claims (5)
- 一種自動加工機之異常偵測系統，包括：
一自動加工機，具有一可程式化邏輯控制器（PLC）與一人機介面(HMI)，該可程式化邏輯控制器與該人機介面可將該自動加工機運轉時的電流、電壓或聲音的數位信號送出；
一圖形處理器邊緣運算電腦，藉由一閘道器（Gateway）與該自動加工機連線，透過該閘道器可將該電流、電壓或聲音數位信號傳給該圖形處理器邊緣運算電腦以及將啟動和停止運轉指令傳給該自動加工機；以及
一異常分析模組，配置於該圖形處理器邊緣運算電腦內，該異常分析模組使用一機器學習模組來訓練該圖形處理器邊緣運算電腦分析正常的電流、電壓或聲音數位信號以建立一第一模型，再藉由訓練好的該第一模型來判斷未知的電流、電壓或聲音數位信號以偵測出該自動加工機之發生異常。 - 如請求項1所述之自動加工機之異常偵測系統，更包括一MQTT (Message Queuing Telemetry Transport訊息佇列遙測傳輸)通訊協定作為該自動加工機連線該圖形處理器邊緣運算電腦之訊息傳輸協定。
- 如請求項1所述之自動加工機之異常偵測系統，更包括一模型更新伺服器，用來定期更新訓練好的第二模型至該圖形處理器邊緣運算電腦，該模型更新伺服器具有一知識庫用來儲存該第一模型和該第二模型。
- 如請求項1所述之自動加工機之異常偵測系統，當該自動加工機發生異常時，圖形處理器邊緣運算電腦會發出警報，同時將停止運轉指令傳給該自動加工機。
- 如請求項1所述之自動加工機之異常偵測系統，更包括運用3 SIGMA rule值當作檢驗值來檢驗是否異常，其中該機器學習模組包括魯棒主成分分析法(Robust Principal Component Analysis，RPCA) 或Autoencoder(自動編碼器)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108209270U TWM586815U (zh) | 2019-07-16 | 2019-07-16 | 自動加工機之異常偵測系統 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108209270U TWM586815U (zh) | 2019-07-16 | 2019-07-16 | 自動加工機之異常偵測系統 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TWM586815U true TWM586815U (zh) | 2019-11-21 |
Family
ID=69189919
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW108209270U TWM586815U (zh) | 2019-07-16 | 2019-07-16 | 自動加工機之異常偵測系統 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWM586815U (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI806545B (zh) * | 2022-04-12 | 2023-06-21 | 廖文岳 | 圖形模組化自動加工整合系統 |
-
2019
- 2019-07-16 TW TW108209270U patent/TWM586815U/zh unknown
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI806545B (zh) * | 2022-04-12 | 2023-06-21 | 廖文岳 | 圖形模組化自動加工整合系統 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11022965B2 (en) | Controlling multi-stage manufacturing process based on internet of things (IOT) sensors and cognitive rule induction | |
| US10325155B2 (en) | Analyzing video streams in an industrial environment to identify potential problems and select recipients for a display of video streams related to the potential problems | |
| US10225216B2 (en) | Conversation interface agent for manufacturing operation information | |
| US7902965B2 (en) | Subscribing to alarms and events in a hierarchy | |
| CN111562769A (zh) | 用于工业数字孪生的ai扩展和智能模型验证 | |
| JP2018151918A (ja) | 制御装置、データ構造、情報処理方法 | |
| US11050634B2 (en) | Systems and methods for contextual transformation of analytical model of IoT edge devices | |
| US20130132059A1 (en) | Multiple plc simulation system | |
| Lou et al. | Intelligent machine tool based on edge-cloud collaboration | |
| CN115129430B (zh) | 一种基于5g网络的机器人远程控制指令下发方法及系统 | |
| WO2024011601A1 (zh) | 用于设备功能下降型故障预警的工业物联网、方法及介质 | |
| Liulys | Machine learning application in predictive maintenance | |
| TW202028900A (zh) | 加工設備誤差補正方法及系統 | |
| TW202105103A (zh) | 加工設備誤差補正方法及系統 | |
| Guo et al. | Key technologies towards smart manufacturing based on swarm intelligence and edge computing | |
| US20120173006A1 (en) | User interface display object for logging user-implemented solutions to industrial field problems | |
| TWM586815U (zh) | 自動加工機之異常偵測系統 | |
| Abdelsattar et al. | An OPC UA Client/Gateway-Based Digital Twin Architecture of a SCADA System with Embedded System Connections | |
| TW202105100A (zh) | 自動加工機之異常偵測系統及方法 | |
| Assad et al. | Maintenance and digital health control in smart manufacturing based on condition monitoring | |
| Al Sunny et al. | Remote monitoring and online testing of machine tools for fault diagnosis and maintenance using MTComm in a cyber-physical manufacturing cloud | |
| Parto et al. | Cyber-physical system implementation for manufacturing with analytics in the cloud layer | |
| CN108494626B (zh) | 物理安装不当的Profibus DP工业现场总线通信故障智能诊断方法 | |
| Larrinaga et al. | Implementation of a reference architecture for cyber physical systems to support condition based maintenance | |
| US20220334571A1 (en) | Method and system for monitoring a plurality of critical assets associated with a production/process management system using one or more edge devices |