機器學習與動態訊號

解決方案｜機器學習與動態訊號

機器學習 (Machine-Learning) 簡單來說就是經由電腦程式端累積數據資料，藉由這些數據的累積，程式端經過特殊演算法自動化分析、統計、判斷進而自主式做出決策或判別甚至預測結果，是一種程式智能化經驗學習。用來幫助使用者提高準確率、改善所做出的決策。

為何要用機器學習方式監測設備？導入理由

在智慧製造時代中，廠區充斥著大量自動化生產機具。由多樣機構、電機所組成，相同設備執行不同的生產任務及大量進行重複性週期加工等設備，我們都將它歸類於週期性（重複性）生產設備。例如：加工機、機械手臂、CNC工具機、衝壓鍛造機台設備、自動焊接手臂設備、射出成型機台設備等。

此類型機械運轉動作極為複雜，運轉中正常訊號及異常訊號常常會交錯在一起，數值高低不再是判定運轉是否異常的準則。因此只有單一數值的警告門閥值，顯然不敷使用。

如何執行
1. 學習正確規範進行比對

藉由機器學習的特點，快速為設備建立正確的學習規範，並比對即時的動態訊號，能夠為設備即時異常檢出，不再需要漫長的蒐集數據期。已經針對加工行為或製程種類分類、乾淨的製程，數據庫可直接加入事件執行訓練。

建立學習規範

透過學習設備正確的動態訊號，選取製程關鍵的訊號區間。系統並可儲存數個動態訊號，使用者可自行標記，為不同的機械動作，存成不同的學習規範。

擷取需要的動態區間訊號

融入使用者經驗，藉由選取需要的動態訊號，可以避免不必要的數據累積，加快軟體運算效能。

使用者可為此動作進行標記，能夠更快速了解製程或動作異常發生的時間點。

如何執行
2. 自動追蹤識別技術

系統可學習紀錄機械動作不同劇本的模型，當機械執行不同動作時，系統將自行對應模型圖庫，比對即時訊號，判定相同訊號並以此模型監測。即使製造過程機械動作有發生異常或是有其他外在干擾，自動追蹤識別技術依然能夠正確判別數據訊號是否為同一組週期動作，並判別結果。

類機器聲紋比對

機器聲紋比對是指透過分析和比對聲音中獨特的聲紋特徵來確認或辨識個體身份的一種技術。聲紋類似於人的指紋，每個人的聲音都有獨特的頻率、音調、語速、發音方式等特徵，這些特徵組成了每個人獨一無二的「聲音指紋」。而藉由搜集機械的動態訊號，就好像是人類的聲紋，具有其不同的獨特性。

自動追蹤識別技術簡單的說，就是利用動態訊號中，提取動態特徵，包括頻譜特徵、振動模式、動態變化等，利用這些特徵進行特徵匹配演算，來判斷是否為需要的動態訊號。系統內建監測模型：振福、頻率、相位、小波、標準差、穩定度等演算法。

再複雜的動態訊號都能追蹤

即時、快速的學習(標定)重複性或部分重複性的生產行為，並以『人』的經驗做為基礎，轉植為 Rule Base 的監測。具備高速取樣比對訊號能力，每次約可解析小於 0.2 秒的動態訊號，微小訊號一網打盡。

如何執行
3. 結果判分機制

將複雜的巨量數據簡化成判分機制，讓使用者可容易判讀。外層-機台健康度：結合機台目前動態狀況如：相似度分數、振動值超標次數、頻率超標次數、機台運行狀況、綜合判分；內層-動態運行判分。另外綠燈代表正常、黃燈代表警告、紅燈代表異常。即時振動動態訊號會自行與規範進行比對，當符合該規範判斷設定，即會顯示與該規範的判別結果。

週期性生產設備影片說明

分數與權重

底層權重來源是透過搜集大量的特徵值紀錄數據、大量好壞機械性數據累積，依據機械種類特性，透過 AI 訓練引擎得到各特徵值，再依照設備運行情況下的重要程度比例，建立最佳化權重分配，歸一化為分數配比。

燈號顯示說明

・監測狀態判定優良，燈號為綠色 Pass 。
・分數介於 Health / Health Normal ，燈號轉黃色。
・分數低於門檻判定為異常，燈號顯示紅燈 Fail。
・Mechanical State：機械狀態 Bar 的 Pass ratio 高於門檻顯示綠燈，低於門檻顯示紅燈。

如何執行
4. 累積特徵 AI 化

系統搜集了大量的原始 Data 數據，其中可能包含一些不必要的數據，數據的清洗有助於提高系統的效能及數據特徵化，讓各種不同的數據訊息可以以統一的方式呈現在 UI 上，並藉由數據的特徵值累積，化作趨勢圖，更方便使用者進行二次門檻管理。

特徵值趨勢圖說明了機台老化歷程，使用者可藉由趨勢數據化定義日後保養計畫，並藉由 AI 訓練，預測未來可能發生的變異。

週期性生產設備影片說明

系統機械特徵識別技術 AI 化

傳統導入 AI 的監測系統需要經由長時間累積大量數據、大量經驗事件，在模型建立前所需要花費的建置成本，效益難以估計。即使蒐集了大量的數據，沒有經過數據清洗或特徵化，數據將無法有效的被利用。而每種類型的數據都需要由專業領域的專家跟資料科學家合作來重新分析建模，在真正有效益前，已耗費大量的金錢與時間。

機器學習智能監控系統

而 VMS-ML 去除蒐集數據漫長過程，即時得到效益。依據製程特性以及監測項目來選用直接相關的感測器，才能更精準的搜集數據進行分析監測。非侵入的量測方式，免除機台對接的困難，系統安裝當下即可產生效益，執行產線監測任務。

機器學習智能監控系統

系統安裝當下即可產生效益，執行產線監測任務，即時得到 AI化效益。

機器學習智能監控系統應用案例

應用於各種機台設備

VMS®-ML機器學習智能監控系統可應用於任何具重複動作行為的機台相關設備，可即時偵測動態機械之動作訊號，即使動作訊號僅發生微小的異常，即可預先判別得知機械是否即將會產生故障特徵，以供使用者有充足的時間準備更換料件或產線的調度管理，避免無預警的故障產生影響產線作業，造成損失，亦可有效的預防機械在異常的情況下運作衍伸出的品質問題。

應用範疇：
・任何具重複動作行為的機台設備
・取放晶圓用平行式機械手臂
・多軸向機械手臂
・Pick & Place裝置
・自動化產線設備
・半導體黃光設備、清洗設備、參數化塗佈設備
・封測廠前段：切割機、上片機、打線機、雷射切割機、研磨機
・封測廠後段：Header、Probe
・面板廠大型搬送手臂
・面板廠旋轉塗佈機、平行塗佈機