TWI809595B - 預測機台異常之階層式參數系統 - Google Patents
預測機台異常之階層式參數系統 Download PDFInfo
- Publication number
- TWI809595B TWI809595B TW110146127A TW110146127A TWI809595B TW I809595 B TWI809595 B TW I809595B TW 110146127 A TW110146127 A TW 110146127A TW 110146127 A TW110146127 A TW 110146127A TW I809595 B TWI809595 B TW I809595B
- Authority
- TW
- Taiwan
- Prior art keywords
- machine
- time series
- past
- factory
- module
- Prior art date
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 230000010354 integration Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 15
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 abstract description 7
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000000034 method Methods 0.000 description 5
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
- Manipulator (AREA)
- Electrical Discharge Machining, Electrochemical Machining, And Combined Machining (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本發明係提供一種預測機台異常之階層式參數系統，該系統包括：與廠內主機連接的伺服器；連接於該伺服器的整合模組及與該整合模組連接的學習模組；以及與該學習模組連接的預測模組，藉該伺服器將運轉中機台的各種參數收集，並藉該整合模組根據時間類別將過去不同時間段的參數整理成不同單位時間的序列，做為「機台資料」，且標記運轉中機台「過去故障異常紀錄」，再整合成一維向量串接後，透過該學習模組與預測模組以最大化或然率的方式，將所述「機台資料」與「過去故障異常紀錄」之間的映射關係進行模擬，來判斷運轉中機台故障的可能性，將判斷為故障的「機台資料」作為「預測參數」應用於運轉中機台，而能夠正確的提供對所述機台的運轉狀況提出異常預警的預測，讓工廠人員可以事先安排維修或是調整產線的機台，避免臨時性的停工減少工廠損失，將工廠員工、產線機台與生產原料作更好的安排，並增加工廠整體效能。
Description
本發明係有關於一種機台異常預測系統，特別是指一種可以將不同時間尺度的參數妥切的輸入得到更正確預測結果之預測機台異常之階層式參數系統。
隨著現在工廠機台的數位化與演進，以及機器學習算法的發展，建構參數去預測機台健康狀況(正常、異常、故障)，用於進行保養規劃變的更加重要。傳統工廠的機台異常的參數預測只能利用最近一段特定時間做預測，例如：過去60秒的資料，如此無法偵測不同尺度的參數序列特徵(patten)，也就是用過去數天的資料來做預測跟用過去數月甚至是數年的資料往往有很大的差異，且隨著時間的使用，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，換言之，傳統工廠的機台異常的參數預測並無法做中長期的預測，且在做參數預測時，如果結合不同的時間尺度如最近一個月、最近一年、最近5到10年的資料時，往往又因時間尺度差異太大造成許多預測上的困難與預測結果的不正確。
根據機器學習中的監督學習( supervised learning )是解決這個問題的一個方法，此方式的應用通常需要大量資料的標註，再利用神經網路分類器的方式，根據最大化或然率(Maximum Likelihood)的方式訓練該神經網路分類器，學習機器資料與故障異常之間的映射關係(mapping)。但是，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，如何建構不同時段的機台參數資料來預測機台的異常狀態，確為有待突破的課題。
本案發明人本於多年從事廠內相關工作經驗，結合工廠經驗、網路與機器學習的設計並從錯誤中學習，而開創出本發明。
本發明之目的，即在於提供一種預測機台異常之階層式參數系統，該系統將運轉中機台的各種參數收集，並根據時間類別將過去不同時間段的參數整理成不同單位時間的序列，做為「機台資料」，且標記(label)運轉中機台「過去故障異常紀錄」，再整合成一維向量串接後，透過最大化或然率(Maximum Likelihood)的方式，將所述「機台資料」與「過去故障異常紀錄」之間的映射關係(mapping)進行模擬，來判斷運轉中機台是否故障，將判斷為故障的「機台資料」作為「預測參數」應用於運轉中機台，而能夠正確的提供對所述機台的運轉狀況提出異常預警的預測，讓工廠人員可以事先安排維修或是調整產線的機台，避免臨時性的停工減少工廠損失。
為達到上述目的，本發明一種預測機台異常之階層式參數系統，該系統包括：一伺服器，係與廠內主機或工廠產線機器設備連接，用於收集並存儲存廠內運轉中機台的各種參數，並根據時間類別將過去不同時間段的參數整理成不同單位時間的序列，做為「機台資料」，且標記(label)運轉中機台「過去故障異常紀錄」；一整合模組，係連接於該伺服器，包含時間序列編碼器(Time Series Encoder)和解碼器(Decoder)，該時間序列編碼器將所述「機台資料」中以一維向量建構可變長度的時間序列(下稱可變時間序列)，萃取所述可變時間序列轉變為固定長度的一維向量(下稱固定向量)；該解碼器透過演算將所述固定向量轉變為可變長度的目標信號序列(下稱目標信號序列)輸出；及一學習模組，係與該整合模組連接，包含 神經網路分類器(DNN classifier)，係對所述目標信號序列進行訓練，以求得機台異常的目標概率；以及一預測模組，係與該學習模組連接，利用最小化模型將所述目標概率與所述「過去故障異常紀錄」進行優化模型，已取得機台異常的預測參數。
根據上述，其中該時間序列編碼器自所述「機台資料」中給定一個時間長度的時間序列作為原始資料，如：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，再以溫度、濕度、壓力或工廠機台的參數作為一維向量的每一維度的原始資料參數值，而輸出所述一維向量的可變時間序列。
根據上述，該解碼器透過如下3步驟演算式將所述固定向量轉變為可變長度的目標信號序列：
1.計算注意力權值
2.標準化處理算出注意力輸出值
3.結合注意力得分和隱狀態值計算上下文狀態 C
根據上述，其中該學習模組對所述目標信號序列以演算法進行訓練，該演算法採用反向傳播算法，並對反向傳播算法中的權重更新以隨機梯度下降法求解，所述反向傳播算法如下：
(其中，η為學習率， C為代價函數)
所述 C代價函數使用交叉熵；定義為
(其中 dj代表輸出單元j 的目標概率， pj代表應用了激活函數後對單元j 的概率輸出)，所述激活函數選用修正線性單元(Rectified linear unit，ReLU）作為神經元的啟動函數。
根據上述，該預測模組係透過所述目標概率與所述「過去故障異常紀錄」的交叉熵(cross entropy loss)來進行優化模型。
請參閱圖1為本發明預測機台異常之階層式參數系統的整合模組之架構圖，如圖所示，本發明預測機台異常之階層式參數系統1係包括：伺服器2、整合模組3及學習模組4，以及預測模組5，其中該伺服器2，係與廠內主機6連接，用於收集並存儲存廠內運轉中機台的各種參數，並根據時間類別將過去不同時間段的參數整理成不同單位時間的序列，做為「機台資料」，且標記(label)運轉中機台「過去故障異常紀錄」。
該整合模組3係連接於該伺服器2，該整合模組3如圖3包含時間序列編碼器31(Time Series Encoder)和解碼器32 (Decoder)，該時間序列編碼器31的架構如圖2，在給定長度為t一個時間序列[x1,...,xt]，每一個項目xi為原始資料(raw data)，其每一個維度為一個參數值(e.g., 溫度、濕度、壓力或工廠機台參數)，目標是輸出一個一維向量，作為這一個一維向量代表該時間序列，將利用xi轉換為hi，接下來利用注意力(attention；參後述)機制計算出權重(weight) αi，並利用αi將hi進行權種總和(weighted sum)得到時間序列嵌入的平均向量 S(serires emebdding s)。
進言之，該時間序列編碼器31將所述「機台資料」中以一維向量建構可變長度的時間序列(下稱可變時間序列)，萃取所述可變時間序列轉變為固定長度的一維向量(下稱固定向量)；該解碼器透過演算將所述固定向量轉變為可變長度的目標信號序列(下稱目標信號序列)輸出，進言之，其中該時間序列編碼器31自所述「機台資料」中給定一個時間長度t的時間序列作為原始資料，如：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(圖4參照)，再以溫度、濕度或壓力作為一維向量的每一維度的原始資料參數值，而輸出所述一維向量的可變時間序列。
該解碼器32透過如下3步驟演算式將所述固定向量轉變為可變長度的目標信號序列：1.計算注意力權值；2.標準化處理算出注意力輸出值；3.結合注意力得分和隱狀態值計算上下文狀態 C，如下相對演算式：
該學習模組4係與該整合模組3連接，如圖4包含神經網路分類器41(DNN classifier)，係對所述目標信號序列進行訓練，以求得機台異常的目標概率，該學習模組4對所述目標信號序列以演算法進行訓練，該演算法採用反向傳播算法，並對反向傳播算法中的權重更新以隨機梯度下降法求解，所述反向傳播算法如下：
(其中，η為學習率， C為代價函數)
所述 C代價函數使用交叉熵；定義為
(其中 dj代表輸出單元j 的目標概率， pj代表應用了激活函數後對單元j 的概率輸出)，所述激活函數選用修正線性單元(Rectified linear unit，ReLU）作為神經元的啟動函數。該預測模組5係與該學習模組4連接，利用最小化模型預測結果(y
pred)將所述目標概率與所述「過去故障異常紀錄」進行優化模型，已取得機台異常的預測參數，即，透過所述目標概率與所述「過去故障異常紀錄」的交叉熵(cross entropy loss)來進行優化模型。
如是，請看回圖1並配合圖4觀之，本發明預測機台異常之階層式參數系統藉該伺服器2將運轉中機台的各種參數收集，並藉該整合模組3的時間序列編碼器31根據時間類別將過去不同時間段的參數整理成不同單位時間的序列(如前段所述)，做為「機台資料」，且標記(label)運轉中機台「過去故障異常紀錄」，再整合成一維向量串接後，透過該學習模組4與預測模組5以最大化或然率(Maximum Likelihood)的方式，將所述「機台資料」與「過去故障異常紀錄」之間的映射關係(mapping)進行模擬，來判斷運轉中機台是否故障，將判斷為故障的「機台資料」作為「預測參數」應用於運轉中機台，而能夠正確的提供對所述機台的運轉狀況提出異常預警的預測，讓工廠人員可以事先安排維修或是調整產線的機台，避免臨時性的停工減少工廠損失。
綜上所述，本發明預測機台異常之階層式參數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。
1:預測機台異常之階層式參數系統
2:伺服器
3:整合模組
4:學習模組
5:預測模組
6:廠內主機
31:時間序列編碼器
32:解碼器
xi:原始資料
hi:時間序列
αi:權重
圖1為本發明預測機台異常之階層式參數系統之架構圖。
圖2為本發明預測機台異常之階層式參數系統的整合模組之架構圖。
圖3為本發明預測機台異常之階層式參數系統的學習模組之架構圖。
圖4為本發明預測機台異常之階層式參數系統的預測模組之架構圖。
1:預測機台異常之階層式參數系統
2:伺服器
3:整合模組
4:學習模組
5:預測模組
6:廠內主機
Claims (4)
- 一種預測機台異常之階層式參數系統，該系統包括：一伺服器，係與廠內主機或工廠產線機器設備連接，用於收集並存儲存廠內運轉中機台的各種參數，並根據時間類別將過去不同時間段的參數整理成不同單位時間的序列，做為「機台資料」，且標記(label)運轉中機台「過去故障異常紀錄」；一整合模組，係連接於該伺服器，包含時間序列編碼器(Time Series Encoder)和解碼器(Decoder)，該時間序列編碼器將所述「機台資料」中以一維向量建構可變長度的時間序列(下稱可變時間序列)，萃取所述可變時間序列轉變為固定長度的一維向量(下稱固定向量)；該解碼器透過演算將所述固定向量轉變為可變長度的目標信號序列(下稱目標信號序列)輸出；及一學習模組，係與該整合模組連接，包含神經網路分類器(DNN classifier)，係對所述目標信號序列進行訓練，以求得機台異常的目標概率；以及一預測模組，係與該學習模組連接，利用最小化模型將所述目標概率與所述「過去故障異常紀錄」進行優化模型，已取得機台異常的預測參數；其中：該時間序列編碼器自所述「機台資料」中給定一個時間長度的時間序列作為原始資料，如：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，再以溫度、濕度或壓力作為一維向量的每一維度的原始資料參數值，而輸出所述一維向量的可變時間序列。
- 如請求項1之預測機台異常之階層式參數系統，其中該解碼器透過如下3步驟演算式將所述固定向量轉變為可變長度的目標信號序列：1.計算 注意力權值；2.標準化處理算出注意力輸出值；3.結合注意力得分和隱狀態值計算上下文狀態C，如下相對演算式：Attention weightsAttention output y2=f( c t ,h t )=tanh( W c [ c t ： h t ]) Final output
- 如請求項1之預測機台異常之階層式參數系統，其中該學習模組對所述目標信號序列以演算法進行訓練，該演算法採用反向傳播算法，並對反向傳播算法中的權重更新以隨機梯度下降法求解，所述反向傳播算法如下：(其中，η為學習率，C為代價函數) 所述C代價函數使用交叉熵；定義為(其中dj代表輸出單元j的目標概率，pj代表應用了激活函數後對單元j的概率輸出)，所述激活函數選用修正線性單元(Rectified linear unit，ReLU)作為神經元的啟動函數。
- 如請求項1之預測機台異常之階層式參數系統，其中該預測模組係透過所述目標概率與所述「過去故障異常紀錄」的交叉熵(cross entropy loss)來進行優化模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110146127A TWI809595B (zh) | 2021-12-09 | 2021-12-09 | 預測機台異常之階層式參數系統 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110146127A TWI809595B (zh) | 2021-12-09 | 2021-12-09 | 預測機台異常之階層式參數系統 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202324010A TW202324010A (zh) | 2023-06-16 |
| TWI809595B true TWI809595B (zh) | 2023-07-21 |
Family
ID=87803587
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW110146127A TWI809595B (zh) | 2021-12-09 | 2021-12-09 | 預測機台異常之階層式參數系統 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI809595B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117669240B (zh) * | 2023-12-12 | 2024-12-20 | 江苏省特种设备安全监督检验研究院 | 起重机事故仿真方法、系统及其应用 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190227528A1 (en) * | 2018-01-24 | 2019-07-25 | Milwaukee Electric Tool Corporation | Power tool including a machine learning block |
| CN110622013A (zh) * | 2017-02-28 | 2019-12-27 | 绿动有限公司 | 一种设备运作信号处理系统及方法 |
| US20210240145A1 (en) * | 2020-01-30 | 2021-08-05 | Milwaukee Electric Tool Corporation | Automatic step bit detection |
| WO2021211787A1 (en) * | 2020-04-15 | 2021-10-21 | Children's Hospital Medical Center | Systems and methods for quantification of liver fibrosis with mri and deep learning |
-
2021
- 2021-12-09 TW TW110146127A patent/TWI809595B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110622013A (zh) * | 2017-02-28 | 2019-12-27 | 绿动有限公司 | 一种设备运作信号处理系统及方法 |
| US20190227528A1 (en) * | 2018-01-24 | 2019-07-25 | Milwaukee Electric Tool Corporation | Power tool including a machine learning block |
| US20210240145A1 (en) * | 2020-01-30 | 2021-08-05 | Milwaukee Electric Tool Corporation | Automatic step bit detection |
| WO2021211787A1 (en) * | 2020-04-15 | 2021-10-21 | Children's Hospital Medical Center | Systems and methods for quantification of liver fibrosis with mri and deep learning |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202324010A (zh) | 2023-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN118568471A (zh) | 一种智能化电力配电站运行故障预测方法及系统 | |
| CN107766879A (zh) | 基于特征信息抽取的mlp电网故障原因诊断方法 | |
| CN109977624A (zh) | 基于深度神经网络的光伏电站缓变故障监测方法 | |
| Mathew et al. | Regression kernel for prognostics with support vector machines | |
| CN107480731A (zh) | 一种火电厂汽动给水泵组故障特征的早期识别方法 | |
| CN110764474B (zh) | 监测设备运行状态的方法和系统 | |
| CN119167805A (zh) | 基于数字孪生的电力故障计算预测方法及系统 | |
| CN117454771A (zh) | 一种基于评估及预测信息的机械装备动态维护决策方法 | |
| CN117667495B (zh) | 一种关联规则与深度学习集成的应用系统故障预测方法 | |
| CN118965247B (zh) | 一种基于多源数据的电厂数据管理方法及系统 | |
| CN118536963B (zh) | 基于状态评估与故障率修正的变压器检修决策方法和系统 | |
| CN114974540A (zh) | 医疗设备寿命预测及分析方法、系统、介质、设备及终端 | |
| CN120433173B (zh) | 一种基于数字孪生的工厂电力负荷监测和预警方法 | |
| TWI809595B (zh) | 預測機台異常之階層式參數系統 | |
| CN118523503A (zh) | 一种变电站智慧运维系统 | |
| CN119538099A (zh) | 考虑对流复杂环境特征的地面风速测算的订正方法 | |
| CN117390556A (zh) | 一种柴油发电机组的故障监控方法及装置 | |
| CN119885068B (zh) | 一种基于transformer的空压机故障预测方法和系统 | |
| Bangalore | Load and risk based maintenance management of wind turbines | |
| CN119596818A (zh) | 基于物联网设备健康监测平台的监测系统 | |
| CN120031314A (zh) | 一种排班排产模型设计方法、装置、存储介质和程序产品 | |
| CN119647778A (zh) | 能耗分析驱动的电能表预防性维护调度方法及平台 | |
| CN119511869A (zh) | 一种基于数字孪生技术的智能监测调节方法、系统及设备 | |
| CN119599169A (zh) | 一种适应多工况的暖通设备故障概率预测方法 | |
| CN117635103A (zh) | 一种基于snn的智能变电站设备状态维护方法 |