账号:
密码:
CTIMES / 文章 /   
透过PHM机制降低设备突发性故障
设计、模拟及大数据分析

【作者: 盧傑瑞】2021年09月08日 星期三

浏览人次:【1280】
  

在工业领域,使用PHM在於故障预测与健康管理,并可归纳为三大重点,包括检测设备故障的迹象并确定原因、建立设备老化模型并预测其使用寿命,以及了解设备的健康状况并做出适当的决定。


近年来人工智慧技术取得了重大进展,可以做到预测何时可能出现问题,以及如何在问题出现之前进行处理,利用人工智慧来管理设备的健康状况,并做出正确的决策,这被称为「PHM(Prognostics and Health Management)」。


如果就PHM字面可以直译为「预後与健康管理」,而工业上使用的PHM则被理解成故障预测与健康管理。包括:检测设备故障的迹象并确定原因、建立设备老化模型并预测其使用寿命,以及了解设备的健康状况并做出适当的决定等三大重点。


PHM已获得显着发展

这项技术已经在航空和航太等「绝对不能失败」的领域,有着积极应用和显着的发展。最近也已开始被导入到汽车、电气和精密工业,甚至是机床和工具产业。


PHM在过去几年中取得显着的发展,并且由於两个原因,而开始引起人们的注意。


首先是测量技术的改善

在管理设备,需要各种测量设备来正确监测健康状况,包括从尺寸测量到各种感测器。而近年来感测器变得更容易处理,并且出现诸如超高性能影像感测器之类的新一代测量设备。


另一个是人工智慧的进化

在过去几年,人工智慧技术不断获得突破性的发展,已经可以从感测器所获得的大量资讯,判断设备「是否处於健康状态」,或者「是否开始出现故障或异常的迹象」。透过收集和学习大量的关於健康和异常资讯,已经可以比人类更准确地预测未来即将将发生的故障;亦即「测量技术」和「人工智能」这两项技术,大幅度地促进了PHM的发展。


以下是PHM在工业中应用的一个例子。


一家工程机械业者的业务领域是以出囗大型自卸卡车为主。而大多的卡车都是在在恶劣的环境中使用,例如矿井等。如果卡车发生了故障,并被困在道路中间,这将对整个生产造成重大影响,导致重大损失。为了防止这种故障,业者已经开始引入PHM技术。


工程师将感测器放置在卡车的关键位置上,即时地不断获得各项数据,并且快速分析所获取的大量数据(工业大数据),以期提早发现故障的迹象,并确定即将故障的位置,这样一来,就可以在故障出现前进行相关检查,防止出现重大损失。


切割与射出成型也开始导入PHM的机能

对於提高模具设计和制造效率来说,防止出现不良品是非常重要的关键之一,而这种不良品大多都是由於在大规模生产过程中,切削工具的磨损和模具的劣化,而导致降低加工的精度。然而大多数从事模具制造,和大规模生产的人如何处理这类问题?


第一种方式是进行问题原因的调查,并在问题发生後进行处理;另一种方法是即使问题没有发生,也要定期更换工具和零件(加工时间、射出次数等)。


切削设备应用的PHM

PHM最常被应用在切削加工设备中是对「刀具磨损」的预测。因为刀具出现磨损的情况,会导致加工件的精度下降,但如果在未到使用寿命前就更换刀具的话,虽然能够确保加工件的精度,但却又会造成刀具成本的增加,以及也会加重更换刀具的工作量。


因此,为了尽可能减少更换次数,如何准确预测刀具寿命,并在最隹时机更换就变成一件重要的事情。


为了实现这一目标,需要收集大量有关刀具磨损过程的数据。同时,在刀具磨损的过程中,机床会发出什麽样的改变(例如声音、震动等),也是一项非常重要的讯号,这可以从时间序列(Time Series)中获取。假设可以的话,如图1所示进行测量。



图1 : 从机床设备获取的讯号数据和切削刀具的磨损量,可以预测刀具的磨损量。(source:MISUMI;智动化整理)
图1 : 从机床设备获取的讯号数据和切削刀具的磨损量,可以预测刀具的磨损量。(source:MISUMI;智动化整理)

从这个数据中可以观察到,刀具的磨损量在超过一定的循环周期後趋於急剧增加。


让AI以这种方式学习讯号数据和刀片磨损情形,就可以对刀具的未来状态进行预测。例如,刀具在使用200次之後,磨损情况就会急速加大。如此一来,就可以透过预先已构建的系统,根据AI预测结果发出警报,让现场工作人员可在工作受到影响之前,就能在最隹时机更换刀具。


在此例中,可以把机器设备上的力、振动等数据,透过训练的模式来让人工智慧系统获得和学习,但并不只能这样训练人工智慧系统,还可以透过获得更多的声音、影像等时间序列的数据,藉以提高预测的准确性。


上述例子只是针对切削刀具的数据获得後,进行相关的分析判断。不仅如此,PHM也可以对机台本身的老化进行预测,加以预防系统的突然故障,例如主轴和轴承老化、磨损、工作台定位精度等,导致的性能下降等,这些不可逆的故障。


针对射出成型的PHM

接下来,再来讨论一下射出成型设备所需要的PHM。


量产成型中模具变质导致的「故障」有哪些?我们先观察一下,在大量生产的射出成型过程中,有哪些「故障」会因为模具老化而发生?例如,假设由於母模仁(CAVITY)、公模仁(CORE)接合部分劣化,导致射出材料外漏,导致出现毛边的射出成型不良品。一般来说,都会先停止射出作业,紧接着调查问题原因并采取对策,但突然长时间停止成型作业,会影响整个生产计划。因此,也可以透过PHM来预防这样的问题。


要预防射出成型出现毛边的不良现象,可以透过几个方向来获得预测缺陷的资讯,包括:安装在合模区的压力感测器来进行压力的测量;使用相机型3D扫描器,逐次拍摄模具表面,并透过点云(Point Cloud)处理来进行平坦度的测量;利用高解析度相机,不断地对表面缺陷和颜色变化进行成像和量化。


人工智慧再从这些资讯中不断地学习,并且经过分析,再作出辨别。例如在分析报表中,如果出现某种特定的波形时,就可以判断出模具已经开始出现磨损。


然而仍有许多技术问题需要解决,例如预测哪种类型的成型失败,有哪种类型的感测器最适合哪种预测,在哪里测量,以及如何重现失败的状况,让人工智慧能够从中不断的学习。相信在不久的将来,PHM技术将会普及在大规模生产的模具领域。


导入PHM可以采用的方式

那麽对於PHM的应用又该采取哪些步骤?大致上可以分为两种方式。


PHM设计/模拟


这是透过对设备和系统的连接进行建模,并解决导致故障的因果关系来确定观察(感测器)的位置。


大数据分析PHM


这是一个利用过去收集的大数据,来分析故障特徵、检测健康状况的恶化情况,并进行预测故障。


一般听到PHM时,大多可能会联想到「大数据分析 PHM」,这可能是因为经常被认为是超越传统的先进技术,如机器学习和AI。然而,只是安装大量感测器和收集大量「大数据」,这样只会徒增成本,因为透过感测器所收集到的数据,虽然已经进行有效的分析,但是却无法获得即时警示,或将资料转化成为高效率的资讯。或许这些与数据的可视化呈现,以及当下PHM的系统设计有关。



图2 : PHM设计的流程和输出的概念(source:MISUMI;智动化整理)
图2 : PHM设计的流程和输出的概念(source:MISUMI;智动化整理)

PHM与CBM的差异

对於故障预测领域来说,相信有很多人会对CBM和PHM感到混淆。


CBM和PHM与之前描述的维护策略类型不同,这是采用数据驱动技术来帮助技术人员有效地设置维护活动的时间。这些方法的目标是在找出维护频率,与其相对成本之间的平衡点。


CBM和PHM之间的区别,完全在於它们在检测到有缺陷的系统条件时的不同响应。在这种情况下,CBM在检测时间过後立即启动干预机制,这种方法可能会导致更换或修理设备的某个组件,即使它还可以继续其正常运转更长的时间,而不影响机器的其他部件。此外,从生产效率的角度来看,在检测到故障後立即进行干预,可能会导致设备的工作周期在不适切的阶段停止。


相反,PHM是在某个时间步预测组件的使用寿命,以指示将来必须执行维护的时间点。与CBM相比,PHM更可降低维护成本,因为可以在不牺牲安全性和效率的情况下充分利用每个组件(图3)。



图3 : 典型PHM过程的主要步骤,可以分为CBM(左)和PHM(右)。
图3 : 典型PHM过程的主要步骤,可以分为CBM(左)和PHM(右)。

(source:Frontiers Media)


PHM尚处於起步阶段

在大约十年前深度学习爆炸之前,一些数据驱动的PHM都是由一组感测器提供的原始测量值,而无法直接与设备的健康状态或其RUL获得关联性。这意味着,通常会受到大量噪声的影响,这些噪声可能是由外部因素(例如温度突然升高)或讯号传输不完善引起的。


此外,这些数据通常由复杂的时间序列或影像所表示,往往隐藏相对有限的判别特徵。由於上述原因,一旦这些步骤完成,最终提取的一组特徵可以用来训练演算法,以执行所需的诊断或预後任务。


今日尽管透过软硬体系统的技术提升,PHM已经取得一些成功案例,但深度学习仍存在一些缺点,限制其在工业应用中的大规模部署。不过由於人工数据生成技术可用於解决深度学习算法缺乏代表性和数据密集型的问题,这在一些研究领域中,已经显现不错的结果,虽然非常有前途,但相信目前还是处於起步阶段,需要相关领域投入更多的研究和验证。


**刊头图(source:BBVA)


相关文章
从物联网工厂到手术室:设计更好的通讯系统
透过CBM机制防止设备故障已成为主流趋势
赋能未来,勇往直前:SiC MOSFET问世10周年的思索
5G工业应用加速渗透普及 硬体IT化受惠Open RAN架构
促成次世代的自主系统
comments powered by Disqus
相关讨论
  相关新闻
» 医材监管规转应变 金属中心携手南科管理局提升检测与辅导能量
» 台达互联生智园区 E-Mobility展现电动车完整实力
» 北捷选用艾讯智慧交通轨道监控解决方案提升安全指数
» 中保科集团进军电动车充电桩市场 加入MIH联盟积极布局
» 东元首推电巴动力系统T Power+ 台湾国际智慧移动展亮相
  相关产品
» Basler ace 2再添Gpixel CMOS感光元件
» 施耐德电机全新TeSys Deca Series马达启动器更安全、更稳定
» Basler扩大CXP-12系列wjo tj 新型号相机、介面卡与相关配件
» igus新型涂层粉末於运行零污染 适合食品产业应用
» igus FastConnect电缆可减少46%组装时间

AD


刊登廣告 新聞信箱 读者信箱 著作權聲明 隱私權聲明 本站介紹

Copyright ©1999-2021 远播信息股份有限公司版权所有 Powered by O3
地址:台北市中山北路三段29号11楼 / 电话 (02)2585-5526 / E-Mail: webmaster@ctimes.com.tw