非接觸式聲學預知保養技術: 淨零碳排的自動化工廠
  • 領域:軟體及應用的開發與分析
  • 研發教師:陳彥銘
  • 技術說明: 在工廠自動化中,利用聲音及光學資料來進行非接觸的故障偵測及壽期估計,作為預知保養及損壞維修之風險決策之依據。
    故障資料在取得及應用上極為困難,所以市面上的產品,多為異常偵測,而非故障偵測。目前市售或聲稱AI的解決方案,大多是用健康檢查的概念,用經驗或平均值數據定義一個閾值範圖,超過其上下限就算是不正常。這種簡陋的異常偵測方式,只是讓現場人員對工廠自動化更沒有信心,而不能減少製程的物料及能源的浪費。我們的異常偵測可以實現確準的壽期估計,在故障發生的最早期提早發現問題,提供維修排程的彈性。
  • 創新特色: 正式的機電故障分析極難實現,大多歸因於偶發性故障發生時,難有現場人員配合收集與異常原因相匹配的物理特徵。我們建置的人工智慧的數位關聯(Digital Twin, DT)學習模型,可同步配合模擬實驗數據與現場單邊數據,調校DT模型的準確率,再反覆用精準化的模型更進一步生成更多更接近實際的資料。當故障型態與聲洩高維特徵空間之間的精確關係在DT中建立後,便可基於少數的現場數據,快速地達到真正故障檢知的目的。我們的三方生成同化法可以產出更接近實務的最佳化聲洩訓練資料,以用於建立具隱藏變數的DT模型。最後再以全新的現場數據與DT預測交叉驗證。經由這個可信的模型,應用專用的演算法,縮減出複合式的有效特徵預測因子(例如十個以內),方便故障型態的預測,最後預期誤差可在3%之內。使用這個最佳化DT群來補足現場無法給出故障形態的難題,大幅簡化預知保養的工作。

瀏覽人次:204