非接觸式聲學預知保養技術: 淨零碳排的自動化工廠
分享到：
- 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：189