摘要
應用IOT技術於AAS早期震動故障預警系統
因應趨向嚴苛的空氣污染防制法，降低因保養不當/未發現異常/系統壽命造成之系統異常為本廠相當重視之議題，於本篇中以互聯網與機械學習作為主軸。來探討使用具有高彈性的αduino架構用於空氣污染防治設備上以期能達到及早發現及早預防之目的。本架構使得通訊方式也具有相當大的彈性以配合各種不同通訊架構，可使用各種常用通訊接口，並且可以選擇使用無線傳輸來跨越現場難以配管配線的區域。而在成廠區有空間與預算方面的限制，本系統有相當大的系統優勢可以免去拉配線的人工與經費。並且達到與現有系統平行運轉的目的。
轉動設備維護現行為每月量測震動值，並且輔以每日巡檢以達到例行管理，每月光是量測全部系統之震動值需要4.5HR*2個TMM人力共約9小時人力來做量測與例行保養。如使用本系統則可以省去量測震動值之時間得到每月節省5小時的人力並且可以透過實時量測得到系統行為與保養的相對關係。
Due to Air Pollution Control Act tend to stricter, Trying to reduce all potential risk like unproper maintenance/loss abnormal detected/system live time is our major goal as a system owner. In this paper, we use IOT and αduino structure to build this system. Our major target is trying to know more detail and find risk between the lines. So we are able to solve the potential problem before it cause real accident. This system's major advantage is the flexibility of compatible of different type of sensor. And allow to use different type of communication Arch. RF/ Wi-Fi and other wireless are also optional. In Operation Factory, there are so many difficulties to setup a new system. Like no space to set a cable tray or Cost issue. If chose wireless communication Arch. Will Save a big money. And able to tie in current operation system. For now, we checked the Vibration every month and that cost 9 HR/man power. Use this system can save 5 HR/man power every month and able to know the relationship between system reaction and maintenance.
1. 前言
在廠務系統內，AAS系統處理的面向相當多，包括製程廢氣與化學品環境換氣，散熱與除塵，揮發性物質與酸鹼廢氣的處理等等。而廠內設備為了運轉安全，在排氣與製程廢氣的安全機制也需要高穩定性。為避免臨時發生因馬達壽命/組裝/施作手法產生之系統異常，導致空污處理設備跳脫。於此篇設置模組化系統目的為達到提前預測，以減少預期外的系統風險。
本廠進行了如下架構來完成極早期預警系統。
在本篇中應用了αIoT(αduino Internet of things)架構來進行系統建置。在本研究中著重於系統異常震動預知，以及資料模型建立，核心為取得穩定運轉數據後，如系統因任何原因導致震動值離群，透過本系統可以在發生真正的Failure之前進行預先保養/維護，本系統架構為sensor-IoT-Scada-ML建模後進行前後期模型比對，如脫模或者離群者再根據既有資訊去Trouble shoot或是提前保養。
1.1 研究動機
因他廠風車火警事件發生後，廠務新工處進行了多個面向的改善，F14B廠已成廠七年了，風車馬達開始有些老化與震動現象，本系統為達成先期預警，設置一震動量測系統。現場架構如 圖1。
圖1、震動量測系統架構方式與sensor相對位置
1.2 研究之重要性
現行之風車保養維護分為Scrubber塔的月保與風車與馬達的月保。而每月量一次震動的量測時長相對來說不能及時發現問題，本系統使用Arduino為架構核心來建置量測系統，以達成每日/每周都能觀察到振動頻率的變化，並且預留port點未來如有其他資訊需要擴充亦可以收取相容之數值回傳。
1.3 研究目的
為達成能更好的運轉空污處理設備，本研究核心思想是在不增加人力時間與人力成本的情況下，能對系統有更高的掌握程度。並且能提早察覺因data取樣時長過長導致的潛在風險。而一般而言負責人員不會天天時時刻刻去關注所有機台，有一具有高擴充性的通訊系統則極為容易使用，並且在付出初期建模時間後可以漸漸透過廠務的machine learning系統去學習，並藉由交叉比對數據已得到降低運轉風險的目的。
2. 文獻探討
於文獻[1][4]中詳細敘述了大型馬達的震動行為與失效分析，並且於文獻內討論了震動模型與訊號的相互關係，以期能達到先期預防的目的。
而在文獻[1][2]中同時提到建立模型的方法與收值後的數值分析原則。本篇將採用文獻[1]的方法來做故障預測，文獻[2]中有大量篇幅詳述αduino系統如 圖2與其應用的優勢與彈性，其優點將在後面詳細敘述。
本次研究始於文獻[3]子鴻學長的先期研究並且接續應用於不同系統上已證明其高彈性與跨越空間的能力，並且在空間/預算受限制時仍然有相當良好的實用性。而於本篇中，將會詳細敘述於空間較遠，需要跨越樓層等等空間障礙時應用此套架構所達成的優勢。
圖2、標準版αduino
3. 研究方法與系統架設
3.1 系統架構
於本次研究中，量測設備選SEX103為測試對象，其現場距離4樓的收值的PLC接點約為120M左右其中水平段約95M，垂直段需高空作業約25M左右。如以傳統方式拉布線需要15~18萬不等的人力費用。而使用無線通訊技術能在這方面有很好的經濟性。而如果以更多台數來計算的話能節省更多人力與拉布線的費用，而且可以很大幅度的避免因現場空間不易施作所衍生的問題。
3.2 通訊系統
根據參考文獻[1][2]提到的做法，使用αduino-PLC來做資料收集與回傳，並且於儲存單元上進行資料收集與模型建立。透過長時間收集健康系統的行為模式來進行異常預測。αduino架構最大優勢為小巧便宜而具有足夠功能的高彈性運用工具，其組成如 圖3。
圖3、aduino系統相容架構與sensor相容性
而其通訊功能也是此工具相當重要的優勢之一，可接收數位輸入與輸出單元(DI/O)、類比輸入與輸出單元(AI/O)。接口通訊則可以使用通訊單元(RS232通訊埠)、RS485、無線射頻模組(RF433MHz)與可擴充搭配之通訊模組(RS422、USB、Wi-Fi、藍牙(Bluetooth)、X-Bee、Z-Bee、無線射頻模組(800M/900M/2.4GHz可調頻)與GPRS)。於本次系統架構中使用無線射頻模組。
圖3、aduino系統相容架構與sensor相容性
3.3 通訊系統建置策略與整合
由於現場於FAB RF，其空間與距離相對非常大。本篇中於現場sensor到αduino段使用線傳，而由αduino至PLC段則使用αduino的無線傳輸功能如 圖4，此做法可以在demo階段使用一到兩套儀器來進行各套系統的初期建模，待取得經費與設備後再進行鋪展，並且省去大量的線路材料與人力費用。而不使用乾接點也能避免小訊號於戶外因氣候因素造成接點異常產生的訊號問題，在末端通訊則可以選擇將數據併入Scada或是收值後再進行轉換來做大數據分析，於本篇中設備位於頂樓，而通訊的hub位於HPM四樓，選擇於前後段的HPM側使用無線通訊來穿過樓板將數值收到既有通訊架構內，穩定又能達到工程目標，並且可融入現有Scada，節省初期建置成本。
圖4、通訊與無線傳輸架構
3.4 系統建模與異常預測
現建立一專案模型如前所示，因原來的PM週期為一年一保每月量測，但因空污設備的應變時間要求，每月量測的時間略於過長，開發本模型已取得量測數據，並且預期能透過分析取得故障前期的徵兆，以避免故障造成之潛在風險。系統模型如 圖5所示。
圖5、Local sensor位置圖
3.5 模型與量測系統fine tune
建立實體模型後，開始收值並且比對與現有的量測值之間的相對關係，在系統健康並穩定運轉時收值並做線性回歸後得到系統的線性預測方程式，並且同時取得系統之RMS(平均標準差)來做為未來之系統預警依據。本系統的運作邏輯如下 圖6所示，其查找能力與傳統手持式略有不同，因收值頻率足夠密集，其震動數值異常點於分析圖上可以發現明顯脫離預測模型，則能再系統發生異常前提早預警以避免異常實際發生時應變不及。
圖6、資料收集與ML運轉模式
4. 結果分析
以前述為主要架構來進行建模與分析，如 圖7與 圖8。可以觀察到PM前的預測值與實際值差異要比PM後的數值要晃動大得多。而PM後實際值要更為吻合預測模型。於數值末端我們人工加了一段輕度敲擊產生的振動，可以觀察到於chart上產生的數值大幅度的脫離了預測模型。當數值大於系統的RMS(平均標準差)時，則可以得知系統已經開始有潛在的異常在發生中。可以再額外去查找電流/附載/操作手法/環境變化等等，以期能在異常擴散之前找到原因。
圖7、PM前數值與線性回歸模型
圖8、PM後數值與線性回歸模型
由以上chart來說明此系統之應用性並且可以做早期故障分析，於本篇中因震動異常在相對低值期就發現並且收值進行驗證。如有更高的震動異常發生時，模型數值則會有更多不同行為。待未來鋪展後進行中央大數據分析以取得更多模型。
現行off-Line量測手法為每月一次使用校正過手持式震動量測儀。量測後填寫EXCEL表進行記錄。優點為數據接為兩人確認並且有長期數據留存可供往前查詢。但並沒有辦法得到實時的數據以供作業觀察或是早期些微異常發現。
而由本研究的模型與手持式震動量測比對可以得知量測模型的行為與手持式的具有高相似向，但還無法直接進行線性比對，如有全面展開則先以平行使用為原則。來進行交叉比對。以收取更多數據並且避免潛在風險。
5. 結論與外來展望
在鋪展與建立本研究的過程中，實務上此系統的特性其實非常適合開發出一套高彈性的系統，用以接上不同的sensor來做為臨時性查修/小系統擴充/區域性數據收集/轉換系統平行運轉備用數據收集等等。極高的彈性與相對的低造價與空間彈性讓此系統具有相當大的潛力。而其可活動式與多樣化的接口也使得對於台積內部的新廠老廠都能夠相容。以本次的現場環境為例，如用傳統式的PLC固定接線方式與使用本系統其價錢上的優勢更是讓有demo或是小量嘗試的工程更容易推動。
如以DEMO或是臨時性查修，建置五套系統來計算。其費用約為4成。
而維護費用來說與傳統架構所需要的校正費用並無區別，唯獨需要注意現場電箱的防水與密閉性以及通訊干擾問題。並且能在初期節省建置成本60%。亦可融入現有系統或是平行運轉。其高彈性優勢相當值得未來花時間建置內部的測試用模組以取得更多運用。而節省下的人力與工時則可以花在更精細的現場維護與系統可靠精進上。以達到提高工作效能與節省工時的目標。
| 系統架構 | Sensor | 通訊配管配線 | 模組 | 程式 | 監控畫面點數 | Total |
|---|---|---|---|---|---|---|
| PLC架構 | 75,000 | 150,000 | 120,000 | 30,000 | 24,000 | 399,000 |
| Αduino架構 | 75,000 | 15,000 | 50,000 | 0 | 24,000 | 164,000 |
| 系統架構 | Sensor | 通訊配管配線 | 模組 | 程式 | 監控畫面點數 | Total |
|---|---|---|---|---|---|---|
| PLC架構 | 1,125,000 | 1,200,000 | 1,800,000 | 30,000 | 24,000 | 4,179,000 |
| Αduino架構 | 1,125,000 | 45,000 | 155,000 | 0 | 24,000 | 1,349,000 |
參考文獻
- Diagnosis for Slight Bearing Fault in Induction Motor Based on Combination of Selective Features and Machine Learning. Department of Electrical and Mechanical Engineering, Nagoya Institute of Technology.
- A Study on Applying the IoT to Engineering Diagnosis. 臺灣師範大學 王尹廷。
- Application of duino IoT Technology to Facility Equipment Failure Prediction Ability Enhancement-廠務季刊 張子鴻。
- Time-Varying and Multiresolution Envelope Analysis and Discriminative FeatureAnalysis for Bearing Fault Diagnosis.
- Application of Micro Vibration On-line Monitoring System-廠務季刊 吳信達。
- 空污防制設備轉動元件振動品質精進-廠務季刊 陳聰。
留言(0)