Page 113 - Vol.33
P. 113

Tech
 Notes
 技術專文

                                                                               資料量多至有兆位元組，甚至更大
 表 1、設備保養分類與定義  [1]  圖3、轉動設備與回收系統濾材
                                                                               的規模單位；多樣的(Variety)－可
                                                                               能是文字、語音、影像、圖片、類
 保養分類  定義  保養頻率依據  保養模式
                                                                               比訊號…等結構化與非結構化的包
                                                                               羅萬象的資料；即時的(Velocity)－
 定期保養  依照運轉經驗定義之時間區間，進行設備保養維護  維修保養操作守則  時間驅動保養
 (Period Maintenance)  原廠建議                                                    強調資料的時效性，隨著時間推演
 運轉操作經驗                                                                        產生大量的數據回饋。另外，也有
 預防保養  預防設備故障，保養人員巡視或操作人員操作中發現  維修保養操作守則  時間或條件驅動保養                            其他學者提出第四種與第五種的
 (Preventive Maintenance)  設備異常時，所採取之維護  運轉操作經驗                                「V」－Veracity  (真實性)和Value
 預知保養  結合運轉經驗與統計分析，預測設備維修與耗材保養  運轉經驗  條件或數據驅動保養                                (價值) 圖4 ，因數據具備大量、多樣
 (Predictive Maintenance)  的時間  人工智慧分析模型
 (大數據智慧管理平台)                                                                   與變化快的特性，資料的真實性也
                 轉動設備―泵浦與攪拌機
                                                                               很重要；資料真實程度將會影響這
                                                                               些數據的價值。無論如何，這些數
 圖1、一般常用PM管理平台流程圖                               關鍵濾材                           據產生的目的，即是要提供給決策
                 Clean Room Tool
                                                                               者進行決策，或是研發者進行開發
                     機台排水                          逆滲透膜組                           [2][3]
                                        活性碳                                    依據     。
 維修保養歷史紀錄          緩衝        酸鹼                                    逆滲透
                   桶槽        調整槽                                   產水槽
 P.M.O.I.  定期保養                                                                目前應用大數據分析通常由三個
 設備基本資料
                                                                               要件組成：其一為資料收集與儲
 預防保養  工單產出  備料 保養  執行回報  回收系統濾材―活性碳與逆滲透膜                                      存的方法，如物聯網、無線傳輸
 設備履歷表  系統警報
 或人為巡檢                                                                         用於資料收集，雲端運算平台
 非預期性保養
 回饋與資料收集                                                                       (如Hadoop、Spark)與資料庫(如
              圖4、大數據的「5V」特性     [3]                                            SQL、NoSQL)之於資料儲存。第
                                                                               二為資料計算分析，常見的計算分
                                                                               析技術如雲端運算與大數據分析
 圖2、結合大數據智慧管理平台之PM管理流程圖
                       Volume                                                  (Big data analysis)，乃至於人工智
                                              Veracity             Value       慧(Artificial Intelligence)與機器學習
 維修保養歷史紀錄  New     Velocity  Variety                                           (Machine  Learning) [4][5] 。第三個要
 P.M.O.I.  定期保養  異常紀錄資料
 設備基本資料                                                                        件為資料應用與反饋，運算結果提
 設備改善
 New                                                                           供決策者決策應用後，產生的結果
 設備履歷表  大數據智慧  預知保養  工單  備料  執行                                                再回饋至資料庫，將提升未來預測
 管理平台  產出   保養  回報  零件備品材質
                                                                               準確度。然而，因設備建置成本較
 New
 異常紀錄  預防保養  運轉 保養                                                             高與資料樣本數量不足，目前大數
 改善資料  系統警報  方法改善  (un-expected  PM)進而降低運轉風   運轉模式，讓濾材使用時限更合理
 或人為巡檢                                                                         據應用於工業界工廠效能分析之案
 非預期性保養       險與成本；另一方面也對於定期保                 且數據化，同時兼顧產水水質與系
 回饋與資料收集                                                                       例並不算很多。
              養的耗材－如逆滲透膜、活性碳、                 統運轉可靠度。
 回饋與資料收集 New
              離子交換樹脂等等，提供濾材處理
              效率之指標，作為更換的建議或依                                                  人工智慧與機器學習
              據。
                                                                               人工智慧(Artificial  Intelligence,  AI)
                                              文獻探討                             一詞出現於1950年間，由Alan
 進行統計分析，提早於異常發生前  水質的變化，可藉由歷史的水質資  養的紀錄，如逆滲透膜、活性碳、                             Turing提出圖靈測試 開始萌芽，
                                                                                                 [6]
              研究架構
 發出提醒並指出可能造成異常的原  料與耗材更換記錄，經由人工智慧  離子交換樹脂、轉動設備耗材、
                                                                               在當時面臨的挑戰是硬體運算效能
 因，讓工程師提早確認，避免造成  統計分析並預測耗材下次更換的時  閥件、pH計等等，在此其中，有  本研究將以廠務水處理系統設備為  大數據分析     瓶頸及無法處理複雜度較高的問
 更大的影響。  間，預防水質異常超標，以及判斷  些更換是基於維修保養操作守則  主，分為兩大主軸  圖3 ：一為針對  近年來，隨著各種通訊科技(無線  題，故發展前期主要是著重於理論
 合理的耗材更換週期，即時檢視水  (P.M.O.I)定義之定期保養，有些則  水處理系統轉動設備，例如泵浦、
 舉例來說，將泵浦的運轉時數、振                              傳輸/4G/5G…等技術)及電腦運算               的研究；經過了四十年持續的努
 處理系統的運轉狀態，將系統的運  是由於設備故障進行的異常更換，
 動、溫度、電流、故障零件、故障  鼓風機、馬達與攪拌機，收集其運             儲存能力的提升與融合，移動互聯                  力，儲存與運算硬體的問題逐漸被
 轉模式最佳化。綜合上述的預知保  是屬預防保養的部分。
 原因等資訊，全部儲存進行統計  轉相關數據加以分析，期望可獲得              網、物聯網、雲端運算等新技術發                  克服，許多以往過於複雜的演算法
 養與系統耗材運轉最佳化，即是邁
 分析，預測下次的故障時間與故  本研究的宗旨為延伸既有的系統架  預測模型做為轉動設備預知保養的  展日新月異，滲透並改變人類的生             得以實現，人工智慧的研究從找出
 向「智慧管理」的開端。
 障零件，可事先備料並提早維修更  構，建立大數據管理平台  圖2－透  指標。第二個主軸則是聚焦於回收  活，同時數據信息成爆炸式成長，          規則模擬人類思維─一強人工智慧
 換，既可節省人力與庫存成本，又  目前工業界大部分廠務系統使用的  過耗材備品更換之紀錄進行統計分  系統中的關鍵濾材，如逆滲透膜與  大數據的時代已席捲而來。大數  (Strong  AI)的範疇，轉向基於統計
 能降低運轉風險。又譬如水處理系  PM管理平台流程圖如 圖1所示，記  析，將設備異常修復的事件變為預  活性碳，透過水質數據與運轉數據  據，一般的定義為擁有「3V」特  的方法來使機器自行學習資料進而
 統中，處理單元的處理效率與產出  錄了廠區內各設備運轉耗材更換保  知保養，同時減少非預期性保養  的分析計算，獲得最佳更換時間或  性的數據資料：大量的(Volume)－  找出規律，如同具有智慧的生物進



 112                                                                                 FACILITY JOURNAL          DECEMBER  2018  113
   108   109   110   111   112   113   114   115   116   117   118