TWI787955B - 設備溫度異常的線上檢測方法和系統 - Google Patents

Abstract

一種設備溫度異常的線上檢測方法和系統被提出。線上檢測方法包括: 接收待測設備的多筆歷史資料。以歷史資料作為訓練集，且依據訓練集訓練預測模型。將預測資料筆數以及界線設定值輸入至預測模型，以獲得待測設備的多筆預測溫度值以及預測結果。

Description

設備溫度異常的線上檢測方法和系統

本發明是有關於一種使用壽命的預測方法，且特別是有關於一種設備溫度異常的線上檢測方法和系統。

於工業環境中，電子設備的運行以及環境參數的維持皆對產線和儀器的保存有很大的影響。現今通常以定期維護的方式來減少突發的故障情況，然而定期維護預防突發故障的效果仍不夠有效。

工業用空調系統於長期使用後常有突發故障的發生，然而若空調系統無法及時的被維修與更換，將造成工業環境的溫度無法維持在一設定值之間，導致儀器的損壞以及產品產能的影響。現有的設備診斷或檢測系統為診斷當前的設備狀況，而無預測運行參數及異常時間點的功效，以及無提供可以令操作人員快速地了解設備狀況的數據或圖形。

本發明提供一種設備溫度異常的線上檢測方法和系統，藉由待測設備運行溫度的多筆歷史資料訓練出預測模型。並且，輸入界線設定值以及預測資料筆數至預測模型，藉此獲得設備的未來運行溫度的預測結果，以提供企業能在設備發生異常或故障前提早實施預防、維修或保養等措施。

本發明的設備溫度異常的線上檢測方法，包括：接收待測設備的多筆歷史資料；以該待測設備的歷史資料作為訓練集；依據該訓練集訓練預測模型，其中該預測模型是基於機器學習演算法所訓練；將預測資料筆數以及界線設定值輸入至該預測模型，以獲得該待測設備的多筆預測溫度值以及預測結果。

在本發明的一實施例中，上述界線設定值包括由使用者設定的溫度上限設定值以及溫度下限設定值。

在本發明的一實施例中，上述將該預測資料筆數以及該界線設定值輸入至該預測模型，以獲得該待測設備的預測溫度值以及該預測結果的步驟，更包括：將該預測資料筆數以及該界線設定值輸入至該預測模型，以獲得預測溫度值；判斷預測溫度值是否超出該界線設定值，以獲得判斷結果；其中若預測溫度值之中有任一預測溫度值超出該界線設定值，則將超出的預測溫度值、該超出的預測溫度值對應的時間以及警示訊息作為該判斷結果；其中若預測溫度值皆介於該界線設定值之間，則將安全訊息作為該判斷結果。

在本發明的一實施例中，上述設備溫度異常的線上檢測方法，更包括：設定預測步數為N，並設定每一步為O小時；以及設定在接收到界線設定值之後未來的N個時間點。在判斷所述預測溫度值是否超出界線設定值之後，更包括：若預測溫度值皆介於該界線設定值之間，則在判斷自該接收到該界線設定值經過N乘以O個小時後的N個時間點，以藉由基於機器學習模型以及設備運行溫度的歷史資料所訓練的預測模型獲得預估異常時間點。

在本發明的一實施例中，上述預測溫度值包括在每一預測溫度值上的時間點以及溫度值。

在本發明的一實施例中，上述判斷預測溫度值是否超出該界線設定值，以獲得判斷結果的步驟之後，包括：依據預測溫度值以及該界線設定值繪製出該待測設備的運行溫度預測圖形；輸出該運行溫度預測圖形。

本發明實施例的設備溫度異常的線上檢測系統包括(但不僅限於)儲存器、處理器。儲存器儲存有多筆設備溫度資料。處理器經配置用以接收待測設備的多筆歷史資料，以該待測設備的歷史資料作為訓練集。依據該訓練集訓練預測模型。將預測資料筆數以及界線設定值輸入至該預測模型，以獲得該待測設備的多筆預測溫度值以及預測結果。該預測模型是基於機器學習演算法所訓練。

基於上述，本揭示提出一種設備溫度異常的線上檢測方法和系統，可以利用機器學習模型，搭配滾動式多步數的預測方式，預測設備的溫度異常時間點以及未來故障發生時間點，藉此可提供企業在設備故障或運作異常前提早實施檢測或維修以預防故障的發生。

當設備在使用一段時間後，設備會有故障或溫度發生異常等狀況，而藉由設備中的感測器偵測到設備運行溫度的歷史資料等數據並無法令業者或操作人員直接地判斷設備的運行狀況，因此需要透過一個預測方法來預測設備之運行狀況及可能發生異常的時間點，以便操作人員可提前做故障預防的保養動作或檢查維修。據此，本揭示提供一種設備溫度異常的線上檢測方法和系統，可實現線上溫度異常的預測。

圖1是依據本發明一實施例的設備溫度異常的線上檢測系統的示意圖。在底下實施例中，設備溫度異常的線上檢測方法和系統可由具有運算功能的電子裝置1來實現。此電子裝置1包括處理器110、儲存器120以及通訊收發器130。處理器110可以是具備運算處理能力的硬體（例如晶片組、處理器等）、軟體元件（例如作業系統、應用程式等），或硬體及軟體元件的組合。處理器110例如是中央處理單元（Central processing unit，CPU）、圖形處理單元（Graphics processing unit，GPU），或是其他可程式化之微處理器（Microprocessor）、數位訊號處理器（Digital signal processor，DSP）、可程式化控制器、特殊應用積體電路（Application specific integrated circuits，ASIC）、程式化邏輯裝置（Programmable logic device，PLD）或其他類似裝置。

儲存器120耦接處理器。儲存器120例如是任意型式的固定式或可移動式隨機存取記憶體、唯讀記憶體、快閃記憶體、安全數位卡、硬碟或其他類似裝置或這些裝置的組合。儲存器120中儲存有至少一程式碼片段、至少一本地資料庫以及至少一資料表，而上述程式碼片段在被安裝後，由處理器110來執行以實現設備溫度異常的線上檢測方法和系統。

通訊收發器130耦接處理器110。通訊收發器130例如是支援乙太網路(Ethernet)、光纖網路、或電纜等有線網路的收發器(其可能包括(但不僅限於)連接介面、訊號轉換器、通訊協定處理晶片等元件)，也可能是支援Wi-Fi、第四代(4G)、第五代(5G)或更後世代行動網路等無線網路的收發器(其可能包括(但不僅限於)天線、數位至類比/類比至數位轉換器、通訊協定處理晶片等元件)。在一實施例中，通訊收發器130用以傳送或接收資料。

圖2是依據本發明一實施例的設備溫度異常的線上檢測方法的流程圖。在步驟S210中，接收待測設備的多筆歷史資料。具體而言，本發明之設備溫度異常的線上檢測方法藉由設置於該設備之中的溫度感測器偵測與記錄該設備運行中的多筆溫度值。並且，藉此收集運行溫度值、運行時間且/或設備狀況等設備的歷史資料。

圖3是依據本發明一實施例的設備溫度異常的線上檢測系統的示意圖。於此實施例中，本地資料庫DL儲存有多筆歷史資料。其中，多筆歷史資料為溫度時間序列資料，且被構成的資料表的形式儲存於本地資料庫DL之中。

在一實施例中，設備的歷史資料儲存於本地資料庫或儲存器之中。據此，步驟S210中，處理器110自本地資料庫DL中接收與讀取多筆歷史資料。並且，處理器110接收待測設備的多筆歷史資料之後，透過資料前處理程式SP對歷史資料進行資料前處理。舉例來說，假設原始感測器收集到的歷史資料共12730筆，之後透過取平均的方式將資料轉換為以相同的小時或秒為單位。接著，執行資料前處理。於一實施例中，上述的資料前處理為利用局部預估散點平滑（Locally estimated scatterplot smoothly，LOESS）將原始資料平滑化。

上述資料前處理也可為將多筆設備運行時的溫度值(即，歷史資料)進行歸一化(Normalization)處理。舉例來說，將多筆歷史資料之中的最大值轉換為1，歷史資料之中的最小值轉換為0，其餘的值按照比例分布在0到1之間。據此，令所述歷史資料的值介於0到1之間。舉例來說，上述歸一化處理可透過最小最大值標準化(MinMaxScaler)執行，然而實際應用中，亦可以採用其他資料前處理的手段，因此本案不應以此為限。

在步驟S220中，以該待測設備的歷史資料作為訓練集。在此步驟S220中，處理器110將完成資料前處理的歷史資料作為訓練集。接著，在步驟S230中，依據該訓練集訓練預測模型。具體而言，處理器110將訓練集作為預測模型的輸入參數以訓練預測模型程式PMP，並匯出至網頁應用框架WPF之中。於本發明中，這預測模型是基於機器學習演算法所訓練。

在步驟S240中，處理器110將預測資料筆數以及界線設定值輸入至該預測模型，以獲得待測設備的多筆預測溫度值以及預測結果。其中預測溫度值的筆數對應於該預測資料筆數。於一實施例中，設備溫度異常的線上檢測系統透過網頁應用框架連接網路應用程式WAP。於本實施例中，網路應用框架WPF為flask程式，由Python程式語言所編寫的程式，且連接本地資料庫的窗口程式WA為Python程式語言中具有讀取/存取資料功能(function)的應用程式介面。舉例來說，連接本地資料庫的窗口程式WA可為Java資料庫連接(Java Database Connectivity, JDBC)或開放資料庫互連（Open Database Connectivity, ODBC）等，因此本發明不應以此為限。如圖3所示，預測模型程式被訓練完後匯出至網路應用框架WPF。接著，使用者於網路應用程式WAP輸入界線設定值以及欲預測的預測資料筆數(例如，使用者輸入10筆，即輸出未來10筆的預測溫度值)。據此，與網路應用程式WAP相通訊連接的網路應用框架WPF將界線設定值以及預測資料筆數輸入至上述已訓練好的預測模型之中，以根據預測資料筆數預測出對應筆數的預測溫度值。需補充說明的是，圖3的系統架構圖係提供此所屬領域人員的範例架構，以其他架構或程式而達到本發明之線上檢測方法和系統的特徵應屬本發明之範圍，故本發明不應以此範例為限。

於一實施例中，界線設定值包括由使用者所設定溫度上限設定值以及溫度下限設定值。舉例來說，使用者透過網路應用程式WAP輸入此待測設備的溫度上限設定值以及溫度下限設定值。補充說明的是，這溫度上限設定值以及溫度下限設定值可為設備的操作手冊上的建議運行溫度或根據使用者操作經驗的運行溫度。接著，網路應用程式WAP將使用者所輸入的界線設定值以及使用者欲預測的未來筆數(即，預測資料筆數)回傳至網頁應用框架WPF，以及儲存至資料表D與本地資料庫DL之中。

圖4是依據本發明一實施例的獲得預測溫度值的流程圖。在步驟S240之中，本發明之設備溫度異常的線上檢測方法更包括：將預測資料筆數以及界線設定值輸入至上述已訓練的預測模型，以獲得預測溫度值(步驟S241)。也就是說，處理器110將預測資料比數以及界線設定值輸入至已訓練好的預測模型，以透過預測模型計算出預測溫度值。接著，在步驟S242之中，判斷預測溫度值是否超出界線設定值，以獲得判斷結果，並且，輸出這判斷結果。具體而言，處理器110將預測溫度值以及使用者所設定的界線設定值進行比對與判斷。若預測溫度值之中有任一預測溫度值超出界線設定值，則將超出的預測溫度值、超出的預測溫度值所對應的時間以及警示訊息作為該判斷結果。反之，若預測溫度值皆介於界線設定值之間，則將安全訊息作為該判斷結果。換句話說，儲存有已訓練好的預測模型程式PMP的網頁應用框架WPF，將前述使用者所輸入的界線設定值以及預測溫度筆數輸入預測模型程式PMP，進而獲得對應預測溫度筆數的預測溫度值以及判斷結果。另一方面，處理器110可透過通訊收發器130將判斷結果輸出至使用者的電子裝置或網路應用程式WAP中，以顯示於對應電子裝置或網路應用程式WAP的顯示器之上。

圖5是依據本發明一實施例的運行溫度預測圖形。於另一實施例中，本發明之設備溫度異常的線上檢測方法更包括繪製待測設備的運行溫度預測圖形，令操作人員更加方便地掌握與了解待測設備的運行狀況，並且透過預測圖形令操作人員可以更有效率地讀取待測設備的預測溫度值，進而提升檢測效率與判斷準確度。於上述判斷預測溫度值是否超出該界線設定值，以獲得判斷結果的步驟(步驟S242)之後，本發明之設備溫度異常的線上檢測方法更包括：處理器依據預測溫度值以及界線設定值繪製出待測設備的運行溫度預測圖形(步驟S243)，以及處理器輸出運行溫度預測圖形(步驟S244)。若預測溫度值之中有任一預測溫度值超出該界線設定值，則將超出的預測溫度值以及該超出的預測溫度值對應的時間標記於該運行溫度預測圖形之上。據此，若預測溫度值介於界線設定值(即，使用者所輸入的溫度上、下臨界值)之間，網路應用程式的頁面會顯示安全訊號(例如，以綠燈提示使用者)，令使用者清楚且快速地知道預測溫度值皆介於正常值範圍內。反之，若預測溫度值大於界線設定值的溫度上限值，或小於界線設定值的溫度下限值，網路應用程式會顯示警示訊號(例如，以紅燈提示使用者)。這警示訊號亦包括超出界線臨界值的預測溫度值以及超出的時間點，令操作人員可以預先對設備進行檢測與維修，進而預防設備於運行中突然故障的情況，以及避免設備的故障造成產線上產能的損失。

於一實施例中，上述接收該待測設備的歷史資料的步驟(步驟S210)之前，本發明之設備溫度異常的線上檢測方法更包括：偵測與紀錄該待測設備的多筆當前運行溫度，並將當前運行溫度作為歷史資料。當前運行溫度是藉由至少一感測器偵測該待測設備的多筆溫度值所獲得的。

此外，還可進一步加入滾動式預測（Rolling forecast），以提高預測的準確度以及提供使用者多樣化操作。本發明的設備溫度異常的線上檢測的方法更包括設定預測步數（Prediction step）為N，並設定每一步為O小時。N與O為正整數。接著，設定在接收到界線設定值之後未來的N個時間點。在此，以時間為自變數（Independent variable）來預測出未來資料的因變數（Controlled variable），即，預測溫度值。舉例來說，以N=3、O=1，且接收到界線設定值為第110小時來說明，預測在接收到界線設定值之後未來的3個時間點上的預測參數，即，第111、112、113小時的預測溫度值。於另一實施例中，上述接收到界線設定值亦可為使用者所設定的判斷時間點。

接著，判斷上述預測溫度值是否超出界線設定值。倘若所述預測溫度值皆介於界線設定值之間，則重複預測下N個時間點上的預測溫度值。繼續滾動式預測，直到預測出來的預測溫度值超出界線設定值時停止滾動式預測。即，以N=3、O=1且接收到界線設定值為第110小時來說明，重新設定自接收到界線設定值經過3×1小時後的未來3個時間點（即114、115、116小時）。舉例來說，如圖5為未來10個時間點(即111至120小時)的溫度預測圖形，若界線設定值的上限溫度值為30，下限設定值為10，則溫度預測圖形將把超出上限溫度值30的第116小時的溫度值以即對應時間(第116小時)透過網路應用程式或透過通訊收發器傳送至使用者的設備，以通知使用者警示訊息以及超出界線設定值的溫度值(32°C)以及其對應的時間(第116小時)。補充說明的是，本發明中所提及的時間其單位可根據使用者實際情況，設定時間單位為秒、小時、數秒、或數小時等，因此本案不應以此為限。

若迴圈停止，即，其中一個預測溫度值超出界線設定值，則在這超出界線設定值的預測溫度值所對應的時間點作為預估異常時間點。據此，令使用者透過本發明之設備溫度異常的線上檢測方法和系統，可以預測且繪製出待測設備於一時間點之後的運行預測溫度值，進而達到有效率地掌控設備的運行狀況與運行溫度的效果。如此一來，操作人員根據預測溫度值以及運行溫度預測圖形預先檢測與維修設備，以預防設備的故障。

於本發明之中，所述機器學習模型採用支持向量迴歸（Support vector regression，SVR）演算法。舉例而言，本發明的預測模型可以是基於機器學習演算法(例如，支持向量迴歸（Support vector regression，SVR）、卷積神經網絡(Convolutional Neural Network，CNN)、深度神經網路(Deep Neural Network，DNN)、遞歸神經網路（recurrent neural networks，RNN）、長短期記憶(Long Short-Term Memory ,LSTM)、或其他演算法)所訓練。機器學習演算法可分析訓練樣本以自中獲得規律，從而透過規律對未知資料預測。而預測模型即是經學習後所建構出的機器學習模型，並據以對待評估資料推論。並且，上述滾動式預測可透過(Exponentially Weighted Moving Average, EWMA)管制圖建立EWMA統計量以進行設備溫度的平滑化與監測。

綜上所述，在本發明實施例的設備溫度異常的線上檢測方法和系統中，藉助於機器學習演算法而訓練出符合多種設備的界線設定值(即，不同設備的運行正常溫度值)的預測模型，從而提供使用者更加精準且適用於不同設備的預測溫度值。

雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。

1:電子裝置 110:處理器 120:儲存器 130:通訊收發器 S210～S240、S241~S244:步驟 DL:本地資料庫 WA:連接本地資料庫的窗口程式 SP:資料前處理程式 PMP:預測模型程式 D:資料表 WAP:網路應用程式 WPF:網頁應用框架

圖1是依據本發明一實施例的設備溫度異常的線上檢測系統的示意圖。 圖2是依據本發明一實施例的設備溫度異常的線上檢測方法的流程圖。 圖3是依據本發明一實施例的設備溫度異常的線上檢測系統的示意圖。 圖4是依據本發明一實施例的獲得預測溫度值的流程圖。 圖5是依據本發明一實施例的運行溫度預測圖形。

S210~S240:步驟

Claims (9)

1. 一種設備溫度異常的線上檢測方法，包括：接收一待測設備的多筆歷史資料；以該待測設備的該些歷史資料作為一訓練集；依據該訓練集訓練一預測模型，其中該預測模型是基於一機器學習演算法所訓練；以及將一預測資料筆數以及一界線設定值輸入至該預測模型，以獲得該待測設備的多筆預測溫度值以及一預測結果；其中該些預測溫度值的筆數對應於該預測資料筆數；其中將該預測資料筆數以及該界線設定值輸入至該預測模型，以獲得該待測設備的該些預測溫度值以及該預測結果的步驟包括：將該預測資料筆數以及該界線設定值輸入至該預測模型，以獲得該些預測溫度值；以及判斷該些預測溫度值是否超出該界線設定值，以獲得一判斷結果；其中該判斷該些預測溫度值是否超出該界線設定值，以獲得一判斷結果的步驟之後，包括：依據該些預測溫度值以及該界線設定值繪製出該待測設備的一運行溫度預測圖形；輸出該運行溫度預測圖形；其中若該些預測溫度值之中有任一預測溫度值超出該界線設 定值，則將超出的該些預測溫度值以及該超出的預測溫度值對應的時間標記於該運行溫度預測圖形之上。
2. 如請求項1所述的設備溫度異常的線上檢測方法，其中該界線設定值包括由使用者設定的一溫度上限設定值以及一溫度下限設定值。
3. 如請求項1所述的設備溫度異常的線上檢測方法，其中若該些預測溫度值之中有任一預測溫度值超出該界線設定值，則將超出的該些預測溫度值、該超出的預測溫度值對應的時間以及一警示訊息作為該判斷結果；其中若該些預測溫度值皆介於該界線設定值之間，則將一安全訊息作為該判斷結果。
4. 如請求項1所述的設備溫度異常的線上檢測方法，其中該接收該待測設備的該些歷史資料的步驟之前，包括：偵測與紀錄該待測設備的多筆當前運行溫度，並將該些當前運行溫度作為該些歷史資料，其中該些當前運行溫度是藉由至少一感測器偵測該待測設備的多筆溫度值所獲得的。
5. 如請求項1所述的設備溫度異常的線上檢測方法，其中該些預測溫度值包括在每一該些預測溫度值上的一時間點以及一溫度值。
6. 如請求項1所述的設備溫度異常的線上檢測方法，更包括：設定一預測步數為N，並設定每一步為O小時； 設定在接收到該界線設定值之後未來的N個時間點；其中，在該判斷該些預測溫度值是否超出該界線設定值之後，更包括：若該些預測溫度值皆介於該界線設定值之間，則在判斷自該接收到該界線設定值經過N乘以O個小時後的N個時間點，以獲得一預估異常時間點。
7. 一種設備溫度異常的線上檢測系統，包括：一儲存器，儲存一待測設備的多筆歷史資料；一處理器，經配置用以：接收該些歷史資料；以該待測設備的該些歷史資料作為一訓練集；依據該訓練集訓練一預測模型，其中該預測模型是基於一機器學習演算法所訓練；將一預測資料筆數以及一界線設定值輸入至該預測模型，以獲得該待測設備的多筆預測溫度值以及一預測結果；其中該些預測溫度值的筆數對應於該預測資料筆數；其中將該預測資料筆數以及該界線設定值輸入至該預測模型，以獲得該待測設備的該些預測溫度值以及該預測結果的步驟之中，該處理器更經配置用以：將該預測資料筆數以及該界線設定值輸入至該預測模型，以獲得該些預測溫度值；以及判斷該些預測溫度值是否超出該界線設定值，以獲得一判斷 結果；其中該判斷該些預測溫度值是否超出該界線設定值，以獲得一判斷結果的步驟之後，該處理器更經配置用以：依據該些預測溫度值以及該界線設定值繪製出該待測設備的一運行溫度預測圖形；輸出該運行溫度預測圖形；其中若該些預測溫度值之中有任一預測溫度值超出該界線設定值，則將超出的該些預測溫度值以及該超出的預測溫度值對應的時間標記於該運行溫度預測圖形之上。
8. 如請求項7所述的設備溫度異常的線上檢測系統，其中該界線設定值包括由使用者設定的一溫度上限設定值以及一溫度下限設定值。
9. 如請求項7所述的設備溫度異常的線上檢測系統，其中若該些預測溫度值之中有任一預測溫度值超出該界線設定值，則將超出的該些預測溫度值、該超出的預測溫度值對應的時間以及一警示訊息作為該判斷結果；其中若該些預測溫度值皆介於該界線設定值之間，則將一安全訊息作為該判斷結果。

Images