[go: up one dir, main page]

TWI805041B - 機台異常標註與異常預測系統 - Google Patents

機台異常標註與異常預測系統 Download PDF

Info

Publication number
TWI805041B
TWI805041B TW110139363A TW110139363A TWI805041B TW I805041 B TWI805041 B TW I805041B TW 110139363 A TW110139363 A TW 110139363A TW 110139363 A TW110139363 A TW 110139363A TW I805041 B TWI805041 B TW I805041B
Authority
TW
Taiwan
Prior art keywords
machine
time
data value
server
factory
Prior art date
Application number
TW110139363A
Other languages
English (en)
Other versions
TW202318244A (zh
Inventor
林香君
Original Assignee
智影顧問股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 智影顧問股份有限公司 filed Critical 智影顧問股份有限公司
Priority to TW110139363A priority Critical patent/TWI805041B/zh
Priority to US17/709,465 priority patent/US12253848B2/en
Publication of TW202318244A publication Critical patent/TW202318244A/zh
Application granted granted Critical
Publication of TWI805041B publication Critical patent/TWI805041B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Human Computer Interaction (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Optimization (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Jib Cranes (AREA)
  • General Factory Administration (AREA)

Abstract

本發明係提供一種機台異常標註與異常預測系統，該系統係與廠內主機連接包括：與廠內各機台連接的參數串流單元、與該參數串流單元連接的異常回報單元；及與該異常回報單元連接的預測分析單元，藉該參數串流單元和異常回報單元蒐集廠內各機台運轉中的資料，蒐集後的數據資料藉該預測分析單元與歷史紀錄進行比對與分析，所生成的參數數值就可以持續的與該參數串流單元和異常回報單元所蒐集到的工廠運轉中資訊比對預測廠內各機台的狀況，並提出可能異常或是需要維修的預警，讓廠內人員可以事先安排產線維修或是產能調整，將工廠效率進一步的提升，並減少偶發性的產線停工狀況。

Description

機台異常標註與異常預測系統
本發明係有關於一種機台異常標註與異常預測系統，特別是指一種能夠對工廠各機台可能異常或是需要維修的預測，提供工廠人員可以事先安排產線維修或是產能調整，提升工廠效率並減少偶發性的產線停工狀況。
隨著現在工廠機台的數位化與演進，許多機台可以利用可程式控制器(Programmable Logic Controller,PLC)與閘道器(Gateway)等不同的方式將工廠機台的各個資料與數據快速有效率的串接到其他的電腦或系統做進一步的分析與判斷，與此同時，隨著機器學習算法的發展，基於參數去預測機台健康狀況(正常、異常、故障)，以及用於進行保養規劃等變得更加重要。
傳統機台的使用通常是機台廠商會根據出廠時機台的屬性與該工廠的生產產品與環境做相對應的調校，並設定一個固定的上下界讓現場實際操作的人員可以隨時根據工廠產線生產的物料、環境及相關參數再做微調，但在工廠現場使用時，一方面會根據不同的生產任務使用不同的設定甚至是改裝，另一方面隨著時間的使用，機台的性能差異往往會日漸增大，因此使用固定的參數值並不能有效的反應實際狀態，往往工廠操作人員就會逐漸根據自己或相關操作人員的使用經驗自行去做調整與即時的判斷。
但是，這些判斷的準則或是方法的正確性或是相關的準則往往都只存在工廠操作人員的經驗值，並沒有訴諸文字紀錄，也無從判斷是否該參數調整即為機台的最佳值。
根據機器學習中的監督學習或許是解決這個問題的一個方法，但這類問題通常需要大量的資料的標註，再利用神經網路分類器的方式，根據最大化或然率(Maximum Likelihood)的方式訓練分類器，學習機器資料與故障異常之間的映射關係(mapping)。
可是這類方法通常一開始需要大量的人力去判斷與標註機台資料是否為異常，此外如前面所述隨著時間的使用，機台的老化也會造成數值會有所差異，因此一次性的標記資料用於預測機台的異常狀態並不現實。
鑒於上述，本案發明人本於多年從事廠內相關工作經驗，結合網路與通訊的設計，而開創出本發明。
本發明之目的，即在於提供一種機台異常標註與異常預測系統，該系統將運轉中的機台資料以特定週期進行儲存並統計，且與所述機台運轉中歷史紀錄的等量故障與異常參數進行持續性的比對，而預測所述機台的運轉狀況提出異常預警，據此讓工廠人員可以事先安排維修或是調整工廠產線的機台，避免臨時性的停工減少工廠損失。
為達到上述目的，本發明一種機台異常標註與異常預測系統，該系統係與廠內主機連接包括：與機台連接的參數串流單元、及與該參數串流單元連接的異常回報單元；以及與該異常回報單元連接的預測分析單元，其中：
該參數串流單元係與廠內機台連接，包含：一串流伺服器(Streaming Server)、一通訊協定伺服器(Protocol Server)及一資料庫伺服器(Database Server)，以及一靜態伺服器(Static Server)，其中該串流伺服器係透過閘道器與每一機台連接，具有停機模組與維修模組，將每一機台運轉中停機與維修的資料透過該通訊協定伺服器傳輸；該資料庫伺服器與該通訊協定伺服器連接，定期的從該通訊協定伺服器中將每一機台運轉中資料儲存；該靜態伺服器與該資料庫伺服器連接，以特定週期將每一機台運轉中資料進行統計與平均。
該異常回報單元包括：至少一手持裝置，係與該參數串流單元的串流伺服器無線連接，針對每一機台運轉中停機所造成的「異常原因與發生時間」傳輸至該停機模組中儲存進行記錄；而針對每一機台運轉中的維修所造成的「故障原因與發生時間」傳輸至該維修模組中儲存進行記錄。
該預測分析單元係包括：一微處理器、一時間序列編碼器及一神經網路分類器，其中該微處理器係與該靜態伺服器及異常回報單元連接，將該靜態伺服器所統計與平均之每一機台運轉中特定週期的資料作為「歷史資料值」儲 存，並將該異常回報單元所回報每一機台運轉中停機與維修的異常與故障的「原因與發生時間」作為「即時資料值」儲存，所述「即時資料值」也是作為該神經網路分類器訓練的參考「預測值」；該時間序列編碼器係與該微處理器連接，以特定的秒、分、時為時間系列，抽取出一維向量串接一起；該神經網路分類器係與該時間序列編碼器連接，包含第一觸發體及第二觸發體，該第一觸發體根據每天所接收來自於該時間序列編碼器的「即時資料值」與「歷史資料值」，利用誤差最小預測「即時資料值」(以ypred代碼)與「歷史資料值」(以y代碼)中的交叉熵損失來優化神經網路模型，即，如果「即時資料值」減「歷史資料值」大於預測誤差(以ε1代碼；ε1=y-ypred)，則將所述特定時間的標記進行更新神經網路模型；如果小於該預測誤差，藉該第二觸發體隨機抽樣所接收來自於該時間序列編碼器的「即時資料值」與「歷史資料值」，利用等量的「即時資料值」與「歷史資料值」來測試第一觸發體所建構神經網路模型的精準度，即，如果先前預測誤差(ε1)除以「歷史資料值」大於後來預測誤差(以ε2代碼；ε2=ε1/y)，則將所述特定時間的隨機抽樣再與另一組等量的「即時資料值」與「歷史資料值」來檢測，建立新的神經網路模型，重新訓練，據此預測工廠機台的狀況，並提出異常預警，讓工廠人員可以事先安排維修或是調整工廠產線的機台，藉此避免臨時性的停工減少工廠損失。
依據上述，該通訊協定伺服器具有一工業通訊界面(OLE for Process Control,OPC)，用於將每一機台運轉中停機與維修的資料讀取並傳輸。該資料庫伺服器具有一快取資料區(redis cache)，定期的從該通訊協定伺服器中將每一機台運轉中停機與維修的資料儲存並提供快取使用。
依據上述，所述靜態伺服器以特定週期將每一機台運轉中資料進行統計與平均，所述特定週期指一分鐘。
依據上述，所述時間序列編碼器以特定的秒、分、時為時間系列，為將每一機台運轉中過去60秒以秒鐘為單位的時間序列Xsec，過去30分鐘以分鐘為單位的時間序列Xmin，以及過去12小時以30分鐘為單位的時間序列Xhr。
依據上述特徵，其中所述特定時間的標記進行更新神經網路，係將每一機台運轉中最近30天的標記進行更新。
依據上述，其中該所述特定時間的隨機抽樣建立新神經網路，係將最近的每一機台運轉中重新隨機抽樣與過去30天等量的「即時資料值」與「歷史資料值」來進行更新神經網路。
依據上述，該異常回報單元之手持裝置為智慧型手機、平板或是筆電。
1:機台異常標註與異常預測系統
2:參數串流單元
3:異常回報單元
4:預測分析單元
5:主機
21:串流伺服器
22:通訊協定伺服器
23:資料庫伺服器
24:靜態伺服器
31:手持裝置
41:微處理器
42:時間序列編碼器
43:神經網路分類器
431:第一觸發體
432:第二觸發體
61~63:機台
ε1,ε2:預測誤差
410:時間系列
圖1為本發明機台異常標註與異常預測系統之架構圖。
圖2為本發明機台異常標註與異常預測系統的預測分析單元之架構圖。
請參閱圖1為本發明機台異常標註與異常預測系統之架構圖，如圖所示，本發明機台異常標註與異常預測系統1係與廠內主機5連接，包括：參數串流單元2、異常回報單元3及預測分析單元4，其中該參數串流單元2係包含：一串流伺服器21(Streaming Server)、一通訊協定伺服器22(Protocol Server)及一資料庫伺服器23Database Server)，以及一靜態伺服器24(Static Server)，其中該串流伺服器21係透過閘道器211與每一機台61~63連接，具有停機模組與維修模組。該通訊協定伺服器22提供一工業通訊界面(OLE for Process Control,OPC)，將每一機台運轉中停機與維修的資料讀取，並依停機模組與維修模組進行傳輸。該資料庫伺服器23與該通訊協定伺服器22連接，具有一快取資料區(redis cache)，定期的從該通訊協定伺服器22中將每一機台61~63運轉中資料儲存並能夠提供快取使用。該靜態伺服器24與該資料庫伺服器23連接，以特定週期例如：一分鐘將每一機台61~63運轉中資料進行統計與平均，加速後續讀取各尺度資料的速度。
該異常回報單元3包括：至少一手持裝置31為智慧型手機、平板或是筆電，於本實施例為智慧型手機，由機台操作人員手持使用，係與該參數串流單元2的串流伺服器21無線連接，能夠針對每一機台運轉中停機所造成的「異常原因與發生時間」，經操作人員及時的傳輸至該停機模組中儲存進行記錄；或針對每一機台運轉中的維修所造成的「故障原因與發生時間」，經操作人員及時的傳輸至該維修模組中儲存進行記錄。
該預測分析單元4係包括：一微處理器41、一時間序列編碼器42及一神經網路分類器43，請配合圖2觀之，其中該微處理器41係與該靜態伺服器24及異常回報單元3連接，能夠將該靜態伺服器24所統計與平均之每一機台運轉中特定週期(如一分鐘)的資料作為「歷史資料值」儲存，及將該異常回報單元3所回報每一機台運轉中停機與維修的異常與故障的「原因與發生時間」作為「即時資料值」儲存，所述「即時資料值」也是作為該神經網路分類器43訓練的參考「預測值」。該時間序列編碼器42係與該微處理器41連接，以特定的秒、分、時為時間系列410，即將每一機台運轉中過去60秒以秒鐘為單位的時間序列Xsec，過去30分鐘以分鐘為單位的時間序列Xmin，以及過去12小時以30分鐘為單位的時間序列Xhr，抽取出一維向量串接一起。該神經網路分類器43係與該時間序列編碼器42連接，包含第一觸發體431及第二觸發體432，該第一觸發體431根據每天所接收來自於該時間序列編碼器的「即時資料值」與「歷史資料值」，利用誤差最小預測「即時資料值」(以ypred代碼)與「歷史資料值」(以y代碼)中的交叉熵損失來優化神經網路模型，即，如果「即時資料值」減「歷史資料值」(ε1=y-ypred)大於預測誤差(以ε1代碼)，則將所述特定時間即最近30天的標記進行更新神經網路模型。如果小於該預測誤差，藉該第二觸發體432以隨機抽樣所接收來自於該時間序列編碼器的「即時資料值」與「歷史資料值」，利用等量的「即時資料值」與「歷史資料值」來測試第一觸發體431所建構神經網路模型的精準度，即，如果先前預測誤差(ε1)除以「歷史資料值」大於後來預測誤差(以ε2代碼；ε2=ε1/y)，則將所述特定時間的隨機抽樣再與另一組等量的「即時資料值」與「歷史資料值」來檢測，即將最近的每一機台運轉中重新隨機抽樣與過去30天等量的的「即時資料值」與「歷史資料值」來建立新的神經網路模型，重新訓練，據此預測工廠機台的狀況，並提出異常預警，讓工廠人員可以事先安排維修或是調整工廠產線的機台，藉此避免臨時性的停工減少工廠損失。
續請參閱圖2，從本發明機台異常標註與異常預測系統的預測分析單元4之架構圖可看出該神經網路分類器43，從該時間序列編碼器42將來自於該微處理器41以秒、分、時為時間系列410，將各機台的運轉中停機與維修的異常與故障的「原因與發生時間」作為「預測值」輸入，經所述第一觸發體431及第 二觸發體432神經網路持續性的學習訓練，再輸出可以使用的神經網路模型的預測值，即可預測工廠機台的狀況，並提出異常標註與異常預警，讓工廠人員可以事先安排維修或調整工廠產線的機台，藉此避免臨時性的停工減少工廠損失。
綜上所述，本發明機台異常標註與異常預測系統確能達到發明之目的，符合專利要件，惟，以上所述者，僅為本發明之較佳實施例而已，大凡依據本發明所為之各種修飾與變化仍應包含於本專利申請範圍內。
4:預測分析單元
41:微處理器
42:時間序列編碼器
43:神經網路分類器
431:第一觸發體
432:第二觸發體
410:時間系列

Claims (10)

  1. 一種機台異常標註與異常預測系統，該系統係與廠內各機台相連的主機連接，包括：參數串流單元、異常回報單元及預測分析單元，其中：該參數串流單元係與廠內機台連接，包含：一串流伺服器(Streaming Server)、一通訊協定伺服器(Protocol Server)及一資料庫伺服器(Database Server)，以及一靜態伺服器(Static Server)，其中該串流伺服器係透過閘道器與每一機台連接，具有停機模組與維修模組，將每一機台運轉中停機與維修的資料透過該通訊協定伺服器傳輸；該資料庫伺服器與該通訊協定伺服器連接，定期的從該通訊協定伺服器中將每一機台運轉中資料儲存；該靜態伺服器與該資料庫伺服器連接，以特定週期將每一機台運轉中資料進行統計與平均；該異常回報單元包括：至少一手持裝置，係與該參數串流單元的串流伺服器無線連接，針對每一機台運轉中停機所造成的「異常原因與發生時間」傳輸至該停機模組中儲存進行記錄；而針對每一機台運轉中的維修所造成的「故障原因與發生時間」傳輸至該維修模組中儲存進行記錄；該預測分析單元係包括：一微處理器、一時間序列編碼器及一神經網路分類器，其中該微處理器係與該靜態伺服器及異常回報單元連接，將該靜態伺服器所統計與平均之每一機台運轉中特定週期的資料作為「歷史資料值」儲存，並將該異常回報單元所回報每一機台運轉中停機與維修的異常與故障的「原因與發生時間」作為「即時資料值」儲存，所述「即時資料值」也是作為該神經網路分類器訓練的參考「預測值」；該時間序列編碼器係與該微處理器連接，以特定的秒、分、時為時間系列，抽取出一維向量串接一起；該神經網路分類器係與該時間序列編碼器連接，包含第一觸發體及第二觸發體，持續的利用誤差最小預測所述「即時資料值」與「歷史資料值」中的交叉熵損失來優化神經網路模型，據此預測工廠機台的狀況，並提出異常預警，讓工廠人員可以事先安排維修或是調整工廠產線的機台，藉此避免臨時性的停工減少工廠損失。
  2. 如請求項1之機台異常標註與異常預測系統，其中該靜態伺服器以特定週期將每一機台運轉中資料進行統計與平均，所述特定週期指一分鐘。
  3. 如請求項1之機台異常標註與異常預測系統，其中該時間序列編碼器以特定的秒、分、時為時間系列，為將每一機台運轉中過去60秒以秒鐘為單位的時間序列Xsec，過去30分鐘以分鐘為單位的時間序列Xmin，以及過去12小時以30分鐘為單位的時間序列Xhr。
  4. 如請求項1之機台異常標註與異常預測系統，其中該神經網路分類器利用誤差最小優化神經網路，是藉該第一觸發體根據每天所接收來自於該時間序列編碼器的「即時資料值」與「歷史資料值」預測誤差，即，如果「即時資料值」減「歷史資料值」大於所述預測誤差，則將所述特定時間的標記進行更新神經網路模型。
  5. 如請求項4之機台異常標註與異常預測系統，其中所述特定時間的標記進行更新神經網路，係將每一機台運轉中最近30天的標記進行更新。
  6. 如請求項4之機台異常標註與異常預測系統，其中該神經網路分類器利用誤差最小優化神經網路，是藉該第二觸發體隨機抽樣所接收來自於該時間序列編碼器的「即時資料值」與「歷史資料值」，利用等量的「即時資料值」與「歷史資料值」來測試第一觸發體所建構神經網路模型的精準度，即，如果第一觸發體所預測誤差除以該「歷史資料值」大於後來預測誤差，則將所述特定時間的隨機抽樣再與另一組等量的「即時資料值」與「歷史資料值」來建立新的神經網路模型，重新訓練。
  7. 如請求項6之機台異常標註與異常預測系統，其中所述特定時間的隨機抽樣建立新神經網路，係將最近的每一機台運轉中重新隨機抽樣與過去30天等量的「即時資料值」與「歷史資料值」來建立新神經網路。
  8. 如請求項1之機台異常標註與異常預測系統，其中該異常回報單元之手持裝置為智慧型手機、平板或是筆電。
  9. 如請求項1之機台異常標註與異常預測系統，其中該通訊協定伺服器具有一工業通訊界面(OLE for Process Control,OPC)，用於將每一機台運轉中停機與維修的資料讀取，並依該串流伺服器之停機模組與維修模組進行傳輸。
  10. 如請求項1之機台異常標註與異常預測系統，其中該資料庫伺服器具有一快取資料區(redis cache)，定期的從該通訊協定伺服器中將每一機台運轉中停機與維修的資料儲存並提供快取使用。
TW110139363A 2021-10-22 2021-10-22 機台異常標註與異常預測系統 TWI805041B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW110139363A TWI805041B (zh) 2021-10-22 2021-10-22 機台異常標註與異常預測系統
US17/709,465 US12253848B2 (en) 2021-10-22 2022-03-31 Machine abnormality marking and abnormality prediction system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW110139363A TWI805041B (zh) 2021-10-22 2021-10-22 機台異常標註與異常預測系統

Publications (2)

Publication Number Publication Date
TW202318244A TW202318244A (zh) 2023-05-01
TWI805041B true TWI805041B (zh) 2023-06-11

Family

ID=86056326

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110139363A TWI805041B (zh) 2021-10-22 2021-10-22 機台異常標註與異常預測系統

Country Status (2)

Country Link
US (1) US12253848B2 (zh)
TW (1) TWI805041B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI880396B (zh) * 2023-10-13 2025-04-11 崑山科技大學 對ｃｎｃ加工機排除故障或更換加工產品時不影響產線運作的產線配置系統

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220334566A1 (en) * 2021-03-31 2022-10-20 Ats Automation Tooling Systems Inc. Cloud-based vibratory feeder controller
CN116991915B (zh) * 2023-07-25 2025-10-03 中交疏浚技术装备国家工程研究中心有限公司 一种绞吸挖泥船异常工况智能识别诊断方法
CN118612093B (zh) * 2024-07-01 2025-07-11 深圳一希信息科技有限公司 一种交换机运行状态在线监测系统
CN119919131A (zh) * 2025-04-07 2025-05-02 山东特变电力设备有限公司 一种变压器运维调控方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201901428A (zh) * 2017-03-29 2019-01-01 日商三菱日立電力系統股份有限公司 徵兆偵測系統及徵兆偵測方法
TWI682333B (zh) * 2018-06-12 2020-01-11 中華電信股份有限公司 機台加工行為異常分析與預測保養系統及其方法
US20200249953A1 (en) * 2018-05-06 2020-08-06 Strong Force TX Portfolio 2018, LLC System and method for adjusting a configuration of a facility ai component to produce a favorable facility output value
CN112581303A (zh) * 2019-09-30 2021-03-30 罗克韦尔自动化技术公司 用于工业自动化的人工智能通道
CN113112086A (zh) * 2021-04-22 2021-07-13 北京邮电大学 一种基于边缘计算和标识解析的智能生产系统
TWM625447U (zh) * 2021-10-22 2022-04-11 智影顧問股份有限公司 機台異常標註與異常預測系統

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6386520B2 (ja) * 2016-12-13 2018-09-05 ファナック株式会社 数値制御装置及び機械学習装置
EP3708991A1 (en) * 2019-03-14 2020-09-16 Siemens Aktiengesellschaft Automated health state classifier for rotating machines based on expert knowledge

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201901428A (zh) * 2017-03-29 2019-01-01 日商三菱日立電力系統股份有限公司 徵兆偵測系統及徵兆偵測方法
US20200249953A1 (en) * 2018-05-06 2020-08-06 Strong Force TX Portfolio 2018, LLC System and method for adjusting a configuration of a facility ai component to produce a favorable facility output value
TWI682333B (zh) * 2018-06-12 2020-01-11 中華電信股份有限公司 機台加工行為異常分析與預測保養系統及其方法
CN112581303A (zh) * 2019-09-30 2021-03-30 罗克韦尔自动化技术公司 用于工业自动化的人工智能通道
CN113112086A (zh) * 2021-04-22 2021-07-13 北京邮电大学 一种基于边缘计算和标识解析的智能生产系统
TWM625447U (zh) * 2021-10-22 2022-04-11 智影顧問股份有限公司 機台異常標註與異常預測系統

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI880396B (zh) * 2023-10-13 2025-04-11 崑山科技大學 對ｃｎｃ加工機排除故障或更換加工產品時不影響產線運作的產線配置系統

Also Published As

Publication number Publication date
US20230126822A1 (en) 2023-04-27
TW202318244A (zh) 2023-05-01
US12253848B2 (en) 2025-03-18

Similar Documents

Publication Publication Date Title
TWI805041B (zh) 機台異常標註與異常預測系統
CN118396252B (zh) 基于云计算的mes客户端数据分析优化方法
CN119059385A (zh) 一种基于边缘计算和算网融合的电梯智能管理系统
CN112527613A (zh) 基于云边协同的设备故障维护方法及装置
CN114254779A (zh) 一种基于预测性维护的生产设备健康管理系统
CN119596860B (zh) 一种ai大模型驱动的全流程智能化工业装备系统及其应用方法
CN117689214A (zh) 一种柔性直流牵引供电系统能量路由器动态安全评估方法
WO2020253950A1 (en) Monitoring method, predicting method, monitoring system and computer program
CN119396062A (zh) 基于工控协议解析实现一种对工控设备运行异常检测方法
KR102767348B1 (ko) Plc 데이터 기반의 부품 이상 탐지 및 생산 최적화 시스템, 서버 및 방법
CN119851449A (zh) 一种智能预警洗车机
CN119849987A (zh) 一种车架生产信息管理方法及系统
CN119337066A (zh) 一种基于数据采集的设备管理方法
CN115356990A (zh) 基于深度学习的料场设备故障预测方法、系统及存储介质
CN119024785A (zh) 基于人工智能的生产过程控制系统及方法
DE202025100432U1 (de) Ein KI-gestütztes System für die Optimierung industrieller Arbeitsabläufe und vorausschauende Wartung
EP3919996A1 (en) Method and apparatus for monitoring of industrial devices
CN119513671A (zh) 针对数控机床协议的一种流量异常识别方法
CN119806082A (zh) 一种数字孪生工厂的运行方法及系统
TWM625447U (zh) 機台異常標註與異常預測系統
CN110231160A (zh) 一种电驱动总成机械部件寿命预测方法及装置
KR20190070428A (ko) 클라우드 기반 상황인지 융합처리엔진을 이용한 산업용 공정장비 시스템 관리 방법
CN119398743A (zh) 一种物流仓储设备智能化运维管理方法及系统
Dhabliya et al. Leveraging Machine Learning in Real-Time Automation for Predictive Maintenance in Industry 4.0
Zubair Predictive Analytics for Improving Production System Reliability