马达异常状态 监控技术研究
文◆ 工研院智能机械科技中心智能制造技术组智能化软件技术部副工程师林勇志
工研院智能机械科技中心智能制造技术组智能化软件技术部副工程师陈思儒
马达是各种机械中最常出现的设备，在各大制造业中的机台设备里扮演着重要的角色。在突如其来的马达运行异常造成的设备停摆甚至导致大量不良品产出造成的废料等，无疑都是造成企业的成本风险提高。本研究目的在建立一套马达异常监控 系统，解决上述马达异常造成的痛点。本研究于VMX平台上建立数据撷取模块，于马达运行中撷取振动讯号等信息，接着 于iMacloud平台上的AI工具箱模块进行数据前处理、特征筛选来对于马达异常状态进行分类。建置的监控系统未来可提供用户马达异常警示，协助制造业者减少停机之机会及废料的产生，达成机台智能化之加工效率的提升。
建立马达异常状态监控
在早期没有保养的概念时，通常会在设备或设施出现故障时才进行维修，称为反应式维护（Reactive Maintenance），这种方法通常是在故障已经发生且影响生产或运作时才会进行相关维护措施，它可能导致生产中断、高额维护成本和无法预测的停机时间。接着定期保养的观念产生，称为预防性维护 （Preventative Maintenance），这种方法通常是根据时间、使用次数或特定事件进行维护，来确保设备处于最佳状态，但这可能产生维护频率过高、危险设备不易保养、设备维护周期不尽相同进而导致人力成本与维护成本越高，甚至时常发生故障点发生在维护之后等问题。
为了解决上述问题，基于状态性维护（Condition-Based Maintenance）与预测性维护（Predictive Maintenance）被广泛使用，利用于目标设备上装设传感器并时时监控设备运行状态，并预先设定好阀值作为维护需求与否的标准；在监控设备的同时收集传感器之数据数据，以数据驱动的方式建立预测模型进而达到预测性维护来降低人力及维护成本，也能避免异常状态时造成多余的能源损耗。
因此，本研究透过IEEE举办的PHM Data Challenge比赛中的Dataset进行研究分析，接着于VMX平台上建立数据撷取模块，于马达运行中撷取振动讯号等信息，并将AI工具箱的功能导入监控系统中进行异常状态监控，可提供使用者马达异常警示。协助制造业者减少停机之机会及废料的产生，达成机台智能化之加工效率的提升。
数据撷取模块
将三轴向加速规安装至监控马达上，再利用数据撷取卡将讯号汇入至外挂的工业计算机中，并于工业计算机中导入VMX机联网系统。讯号撷取模块示意图如图1所示。数据撷取模块记录了原始的振动讯号，以及固定时间间隔将振动讯号经由特征萃取为时域、频域特征，将运行中的数据进行收集后提供给马达异常监控系统做使用。此系统具备在线监控的功 能进行在线实时监测马达状态，若侦测出异常 会发出警报提示，或是进行停机等处置，这些 操作过程也会记录在历程文件中供后续追踪。
分析方法
在实际机台运行的场域中，较无机会收集到 马达异常数据的数据，而马达异常原因最常见 为轴承损坏所造成，因此本研究利用FEMTOST 团队所建立的轴承寿命数据集，其数据集 采用机台设备中最广泛使用的感应马达做为实验设备对象，并以超重负载的方式进行加速 轴承损坏，收集的方式以每10秒进行一次数据收集，每次收集时长为0.1秒，采样频率为 25600Hz，最终收集每个轴承整段健康至损坏 的完整数据[1]。我们以此数据集搭配AI工具箱对每个轴承的寿命进行更明确划分，来达到分类异常甚至失效时的状态，并对马达加以监控。
在振动讯号中，峰值通常代表着设备的振 动状态。当机械设备出现故障时，可能会产生额外的振动，这些额外的振动通常会体现在振动讯号的峰值中。可能意味着设备出现了异常，需要进一步的检查和维修。而通过观察峰值的变化，可以检测和诊断机械故障，如轴承磨损、齿轮缺陷等。因此，本研究以编号轴承 2_2为例。在前处理过程中，为了将整段健康 轴承至损坏的完整数据进行正常及异常讯号的划分，透过观察时频域中峰值的特征分布进行数据划分及分类。首先，频域方面，将讯号利 用快速傅立叶变换（Fast Fourier Transform, FFT）后我们从每段讯号中取峰值，并将该峰 值所对应到的频率显示出来；时域方面，将每笔讯号中的前五笔峰值进行计算，计算后的值 当成该段讯号的特征值[2]，该特征值定义计算如公式（1）所示。
为特征值，
为每笔讯号中的前五笔峰值。利用频域及时域的特征分布图来进 行观察，例如，轴承编号 2_2 特征分布图如图2 所示。
数据分析与结果
根据数据的观察，我们假设轴承在完全失 效前会历经一些部位的陆续损坏，每次损坏出 现时在频域特征中都会有明显的变化，再对照 时域特征进行正常、异常及失效的划分。例如轴承2_2于第184笔数据（从实验开始并历经 1830秒后）开始出现异常，可视为轴承某些部 位已产生损坏；到第750笔数据（从实验开始 并历经7310秒）时可视为轴承正在完全失效。
在进行数据划分及分类时，除了依循现场师 傅经验的参考外，我们搭配着图2进行更明确 的划分及分类。根据图2中频域的分布图，我 们观察到位于12000Hz时传感器于第1830秒时 开始有高频的特征出现，而对照时域图中，也 是于第1830秒时特征值从1g开始有明显上升 的趋势。因此我们将第1830秒做为正常与异常 的划分界线。
接着，从频域的分布图中于第7310秒后， 于1000~4000Hz的相对低频中开始有特征出 现，而对照时域图中，也是于第7310秒时特征 值从5g开始有着更明显的上升幅度。因此我们 认为此时的轴承正在进行失效，并将第7310秒 做为异常与失效的划分界线。利用上述方法， 本研究将正常与异常数据进行划分及分类，让 轴承寿命周期的状态更为明确，进而用于马达 异常监控。
应用案例
H社的应用情境为刀库马达，依客户提供各 式刀库，其中刀库的马达影响着刀库是否能正 常运行，如图3所示。在客户端制程上已采用 自动送料及加工，但是由于马达突然异常的问 题，会造成停机等问题，导致生产进度落后。 H社与工研院合作导入此马达异常监控系统， 首先是建置VMX机联网系统，这方面已具备成 熟的经验能迅速到位，其次，在搜集足够的数 据量后，利用AI工具箱进行上述的数据分析， 最后将分类模式及结果导入在线监控系统。导 入此系统的具体成果效益有三项：第一项是节 省人力成本，透过准确的预测马达异常，可提 前将机台排修对马达进行检查更换，避免临时 停机造成生产延误。第二项是节省维护成本， 有此监控系统就不可避免维护频率过高问题， 将维护成本做更有效的分配与运用。第三项是 减少废料产生及异常能耗，系统显示马达异常 时人员能进行立即的处置，避免不良品的产 生，并且避免马达异常运转时多余的能耗产 生。
结论
本研究将数据前处理包含数据分析、划分、分类等方法于AI工具箱进行数据集之数据分 析，将此数据集中的轴承寿命以上述方法来明 确划分正常、异常及失效的状态，提供后续对 于使用模型训练等机器学习的应用，最后导入 在线监控系统，实现案例中刀库马达异常状态 监控的可行性。对于刀库设备厂商或其他使用 相关马达设备之厂商，亦可透过马达异常状态 监控系统，于异常警示时进行马达的维护作业，进而降低停机之机会及废料的产生，也可避免过度维护的问题，节省人力及维护成本。
未来是否能将相近规格马达数据数据进行转 移式学习调整监控系统等方式，对后续的其他 应用情境进行分析及监控，提供用户警示的功能。然而，此马达监控系统是否能利用其他 讯号来源，例如电流、温度、声音等，来强化 更明确的正常、异常及失效等分类能力；或者 是将异常讯号进行更准确的分类，例如定子故 障、转子故障等，让维修时更能快速解决问题 并及时复机，以上都是未来值得进一步研究的方向。
参考文献：
[1] P. Nectoux, R. Gouriveau, K. Medjaher, E. Ramasso, B. Chebel-Morello, N. Zerhouni, C. Varnier, “PRONOSTIA: An experimental platform for bearings accelerated degradation tests＂ IEEE International Conference on Prognostics and Health Management, Denver, CO, USA. pp.1-8. Jun. 2012.
[2] E. Sutrisno, H. Oh, A. S. S. Vasan and M. Pecht, “Estimation of remaining useful life of ball bearings using data driven methodologies＂ IEEE International Conference on Prognostics and Health Management, Denver, CO, USA. pp.1-7. Jun. 2012.
