AWS
活動+
 

設備維護管理從預防性走向預測性 可望減少70%故障機率

Domenico Arrigo認為在智慧感測器的普及下有助於製造業發展設備預測性維護,能針對機台現況及過去維修紀錄做為評估,預測機器的可靠度。廖家宜攝

對於製造業者來說,當前最關注的智慧製造應用中,當屬針對機械設備進行預測性維護最是火熱,也促使人工智慧這項科技在製造領域中遍地開花。從物聯網到人工智慧,工業設備監控的水準一步步從傳統利用手持式測試設備以週期式檢測的方式,演變為即時性、甚至達到預測性的監控,讓設備管理防患於未然。

其中,感測器更是達到預測性維護的不可或缺的關鍵元件,而不同感測器的用途與應用場景則不大相同,各有所長,有的針對生產設備本體,有的則可應用於工廠設施環境。意法半導體工業與功率轉換部門總經理Domenico Arrigo舉例,像是壓力感測器可針對氣體外洩進行監控,當壓力變小則代表有外洩可能,或是透過溫溼度感測器監控中央空調系統,此外,熱感應偵測則可監控電子不當過載或是接觸不良等的問題。

在生產機械方面,由於機器發生異常的情況往往伴隨不正常的振動訊號。工業感測器包括振動、壓力、溫溼度、聲學等種類繁多,不同型態的感測器可偵測設備潛在故障的症狀,但相關業者指出,通常以振動分析最能促成早期異常偵測,可在數月以前就能顯露出異常變化。

對於製造業來說,機台維護是整體生產中極為重要的一環,對於提升整體設備效率(OEE)具有直接相對的關係,隨著工業設備監控水準在智慧製造發展中越趨先進,製造業者對於機台維護的管理方式相較過去有之大不相同。業者指出,目前製造業者對於預防性維護與預測性維護兩者仍有所混淆,但事實上兩者的管理方式並不一樣。

Domenico Arrigo指出,所謂預防性維護較多著重在預先規劃,這是目前業者常見的維護方式,也就是採取時間循環的定期檢測,例如每三個月、或每半年一次,針對重點式或全面性的檢測。而現在有賴透過感測器持續感測,則可以即時找出缺損,並結合邊緣運算在具有零時間差需求的工廠端中達到即時控制,而接著未來透過先進技術例如AI分析感測資料,便是當前智慧製造發展最理想的預測性維護,則是能針對機台現況及過去維修紀錄做為評估,預測機器的可靠度,並預測未來機台損壞的可能性與時間點,預期性的進行零件更換或維修。

此外,Domenico Arrigo也引述Accenture針對預測性維護所作的分析時指出,總體來說,如果製造業者導入預測性維護預估可節省12%的預定維修成本以及30%因維護減少的成本,另外效益較顯著的部分則是可減少50%的機器故障時間以及70%的故障機率。

達到預測性維護是許多設備製造商理想的發展藍圖,不過根據相關業者觀察,對於多數的台灣設備商或製造商來說,如何正確判讀感測訊號背後所代表的意義才是最具有挑戰的部分。以馬達振動異常偵測舉例來說,振動異常所呈現的波形的並非只有一種樣態,何種波形代表軸承損壞、何種波型代表電壓異常等都需要長期累積馬達的振動數據,甚至是異常的數據,才能透過深度學習讓系統達到自主判讀偵測。通常在正常產線或設備的運作上,發生異常的比例相對低很多,因此如何累積數據訓練AI,也成為目前製造業對於「異常」偵測多少會面臨的難題之一。

  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: 感測器 物聯網 智慧機械