馬達異常狀態 監控技術研究
文◆ 工研院智慧機械科技中心智慧製造技術組智慧化軟體技術部副工程師林勇志
工研院智慧機械科技中心智慧製造技術組智慧化軟體技術部副工程師陳思儒
馬達是各種機械中最常出現的設備，在各大製造業中的機台設備裡扮演著重要的角色。在突如其來的馬達運行異常造成的設備停擺甚至導致大量不良品產出造成的廢料等，無疑都是造成企業的成本風險提高。本研究目的在建立一套馬達異常監控 系統，解決上述馬達異常造成的痛點。本研究於VMX平台上建立資料擷取模組，於馬達運行中擷取振動訊號等資訊，接著 於iMacloud平台上的AI工具箱模組進行資料前處理、特徵篩選來對於馬達異常狀態進行分類。建置的監控系統未來可提供使用者馬達異常警示，協助製造業者減少停機之機會及廢料的產生，達成機台智能化之加工效率的提升。
建立馬達異常狀態監控
在早期沒有保養的概念時，通常會在設備或設施出現故障時才進行維修，稱為反應式維護（Reactive Maintenance），這種方法通常是在故障已經發生且影響生產或運作時才會進行相關維護措施，它可能導致生產中斷、高額維護成本和無法預測的停機時間。接著定期保養的觀念產生，稱為預防性維護 （Preventative Maintenance），這種方法通常是根據時間、使用次數或特定事件進行維護，來確保設備處於最佳狀態，但這可能產生維護頻率過高、危險設備不易保養、設備維護週期不盡相同進而導致人力成本與維護成本越高，甚至時常發生故障點發生在維護之後等問題。
為了解決上述問題，基於狀態性維護（Condition-Based Maintenance）與預測性維護（Predictive Maintenance）被廣泛使用，利用於目標設備上裝設感測器並時時監控設備運行狀態，並預先設定好閥值作為維護需求與否的標準；在監控設備的同時收集感測器之數據資料，以數據驅動的方式建立預測模型進而達到預測性維護來降低人力及維護成本，也能避免異常狀態時造成多餘的能源損耗。
因此，本研究透過IEEE舉辦的PHM Data Challenge比賽中的Dataset進行研究分析，接著於VMX平台上建立資料擷取模組，於馬達運行中擷取振動訊號等資訊，並將AI工具箱的功能導入監控系統中進行異常狀態監控，可提供使用者馬達異常警示。協助製造業者減少停機之機會及廢料的產生，達成機台智能化之加工效率的提升。
資料擷取模組
將三軸向加速規安裝至監控馬達上，再利用資料擷取卡將訊號匯入至外掛的工業電腦中，並於工業電腦中導入VMX機聯網系統。訊號擷取模組示意圖如圖1所示。資料擷取模組記錄了原始的振動訊號，以及固定時間間隔將振動訊號經由特徵萃取為時域、頻域特徵，將運行中的資料進行收集後提供給馬達異常監控系統做使用。此系統具備線上監控的功 能進行線上即時監測馬達狀態，若偵測出異常 會發出警報提示，或是進行停機等處置，這些 操作過程也會記錄在歷程檔中供後續追蹤。
分析方法
在實際機台運行的場域中，較無機會收集到 馬達異常資料的數據，而馬達異常原因最常見 為軸承損壞所造成，因此本研究利用FEMTOST 團隊所建立的軸承壽命數據集，其數據集 採用機台設備中最廣泛使用的感應馬達做為實驗設備對象，並以超重負載的方式進行加速 軸承損壞，收集的方式以每10秒進行一次數據收集，每次收集時長為0.1秒，採樣頻率為 25600Hz，最終收集每個軸承整段健康至損壞 的完整數據[1]。我們以此數據集搭配AI工具箱對每個軸承的壽命進行更明確劃分，來達到分類異常甚至失效時的狀態，並對馬達加以監控。
在振動訊號中，峰值通常代表著設備的振 動狀態。當機械設備出現故障時，可能會產生額外的振動，這些額外的振動通常會體現在振動訊號的峰值中。可能意味著設備出現了異常，需要進一步的檢查和維修。而通過觀察峰值的變化，可以檢測和診斷機械故障，如軸承磨損、齒輪缺陷等。因此，本研究以編號軸承 2_2為例。在前處理過程中，為了將整段健康 軸承至損壞的完整數據進行正常及異常訊號的劃分，透過觀察時頻域中峰值的特徵分佈進行數據劃分及分類。首先，頻域方面，將訊號利 用快速傅立葉轉換（Fast Fourier Transform, FFT）後我們從每段訊號中取峰值，並將該峰 值所對應到的頻率顯示出來；時域方面，將每筆訊號中的前五筆峰值進行計算，計算後的值 當成該段訊號的特徵值[2]，該特徵值定義計算如公式（1）所示。
為特徵值，
為每筆訊號中的前五筆峰值。利用頻域及時域的特徵分布圖來進 行觀察，例如，軸承編號 2_2 特徵分布圖如圖2 所示。
數據分析與結果
根據數據的觀察，我們假設軸承在完全失 效前會歷經一些部位的陸續損壞，每次損壞出 現時在頻域特徵中都會有明顯的變化，再對照 時域特徵進行正常、異常及失效的劃分。例如軸承2_2於第184筆數據（從實驗開始並歷經 1830秒後）開始出現異常，可視為軸承某些部 位已產生損壞；到第750筆數據（從實驗開始 並歷經7310秒）時可視為軸承正在完全失效。
在進行數據劃分及分類時，除了依循現場師 傅經驗的參考外，我們搭配著圖2進行更明確 的劃分及分類。根據圖2中頻域的分佈圖，我 們觀察到位於12000Hz時感測器於第1830秒時 開始有高頻的特徵出現，而對照時域圖中，也 是於第1830秒時特徵值從1g開始有明顯上升 的趨勢。因此我們將第1830秒做為正常與異常 的劃分界線。
接著，從頻域的分佈圖中於第7310秒後， 於1000~4000Hz的相對低頻中開始有特徵出 現，而對照時域圖中，也是於第7310秒時特徵 值從5g開始有著更明顯的上升幅度。因此我們 認為此時的軸承正在進行失效，並將第7310秒 做為異常與失效的劃分界線。利用上述方法， 本研究將正常與異常數據進行劃分及分類，讓 軸承壽命週期的狀態更為明確，進而用於馬達 異常監控。
應用案例
H社的應用情境為刀庫馬達，依客戶提供各 式刀庫，其中刀庫的馬達影響著刀庫是否能正 常運行，如圖3所示。在客戶端製程上已採用 自動送料及加工，但是由於馬達突然異常的問 題，會造成停機等問題，導致生產進度落後。 H社與工研院合作導入此馬達異常監控系統， 首先是建置VMX機聯網系統，這方面已具備成 熟的經驗能迅速到位，其次，在搜集足夠的數 據量後，利用AI工具箱進行上述的數據分析， 最後將分類模式及結果導入線上監控系統。導 入此系統的具體成果效益有三項：第一項是節 省人力成本，透過準確的預測馬達異常，可提 前將機台排修對馬達進行檢查更換，避免臨時 停機造成生產延誤。第二項是節省維護成本， 有此監控系統就不可避免維護頻率過高問題， 將維護成本做更有效的分配與運用。第三項是 減少廢料產生及異常能耗，系統顯示馬達異常 時人員能進行立即的處置，避免不良品的產 生，並且避免馬達異常運轉時多餘的能耗產 生。
結論
本研究將資料前處理包含數據分析、劃分、分類等方法於AI工具箱進行數據集之數據分 析，將此數據集中的軸承壽命以上述方法來明 確劃分正常、異常及失效的狀態，提供後續對 於使用模型訓練等機器學習的應用，最後導入 線上監控系統，實現案例中刀庫馬達異常狀態 監控的可行性。對於刀庫設備廠商或其他使用 相關馬達設備之廠商，亦可透過馬達異常狀態 監控系統，於異常警示時進行馬達的維護作業，進而降低停機之機會及廢料的產生，也可避免過度維護的問題，節省人力及維護成本。
未來是否能將相近規格馬達數據資料進行轉 移式學習調整監控系統等方式，對後續的其他 應用情境進行分析及監控，提供使用者警示的功能。然而，此馬達監控系統是否能利用其他 訊號來源，例如電流、溫度、聲音等，來強化 更明確的正常、異常及失效等分類能力；或者 是將異常訊號進行更準確的分類，例如定子故 障、轉子故障等，讓維修時更能快速解決問題 並及時復機，以上都是未來值得進一步研究的方向。
參考文獻：
[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.
