技術問答集

MCSA(Motor Current Signature Analysis)翻譯為電動機電流特徵分析，不只是電流頻譜，是1951年的技術，主要是因為馬達轉動相關部件振動造成定子與轉子的相對位移，振動就是來回的位移，不要懷疑，振動不是宇宙神秘的力量，微觀就是位移，馬達基本上就是在圓形電容內轉動的電感(假設轉子是固定的前提)。當你的電容導板來回位移就會造成磁路的擾動，電流因此也會被影響。

對!就是吃飽飯撐著，又去量電壓。這樣就可以順便量測電力品質。其實還有很重要的用途，量測電壓的MCSA改名為ESA (Electric Signal Analysis)，放棄被稱作MCSA二代，因為瞧不起MCSA。MCSA的電力雜訊太多，根本看不太清楚，預診視野很差，很容易錯誤示警與漏檢發展性異常，且在附載與變頻的操作下，MCSA頂多可拿來做為定性參考。ESA約在1980年初期開發的，頂多弄個電壓頻譜來目測比較。當時真的是吃飽飯撐著。要比較出個結果基本上略勝過瞎子摸象，直到MBFD(Model Base Fault Detection)技術於2000年問世。基本上算是MCSA三代或是ESA二代。所謂的MCSA主要還是使用FFT進行分析，FFT頂多能做個定性分析，要不是末期的異常剩兩三個月或稱作預診視野或診斷視野兩三個月，中期或是早期的異常很難看到，中期或是早期異常分別為六個月或十二個月診斷視野。早期異常能避免約在六個月會發生的二次傷害(Knock on effect)。造成MTBR(Mean Time Between Repair)大幅降低，而異常發生機率大幅增加。ESA頂多能降低異常偵測錯誤示警與漏檢率，無法增加診斷視野。MBFD安裝的妥當則可提供無限的診斷視野，同時避免更多的錯誤示警與漏檢率。量測電壓可以增加更多的參數交叉比對分析。Artesis的技術為AI MBFD技術，透過發展性異常的特性，幾乎避免掉所有的發展性異常偵測的錯誤示警與漏檢。

Artesis 技術還真的是火箭科學，技術為美國政府、軍方與美國太空總署NASA投資研發，主要是由NASA的科學家集體開發，集合了多方人才。火箭升空後目標是幾年不需要維修，因此需要無限的診斷視野。後來聽說來了個歐爸，把馬子沒錢，就把NASA經費給訛了，科學家四處流浪，後來NASA為了生存就賤賣技術，便宜賣給了此技術的主導者Ahmet Duyar 教授。這技術主要的功能是分離異常訊號，由於在很多狀況下都會碰到雜訊，最好的辦法就是分離出異常訊號。要清楚的是只有發展性異常(Incipient Fault)或稱為(Developing Fault)診斷上才有意義，其他像是(Abrupt Fault)需要設計上與製造品質上處理較有意義。間隔性的異常(Intermitten Fault)通常跟運行、製程與操作狀況有關係，診斷上有意義，但是很多狀況下如果要找到根因較為困難，範圍超過設備本身，需要生成式AI或是大範圍的AI輔助客製化個別設備的分析。Artesis IOT方案包含AI與生成式AI的輔助，但是要在雲端處理，目前無法落地。

建立數位模型是針對設備的模型，但是發展性異常也有相關模型，轉動設備可監測的發展性異常有三個特性: 會產生訊號、訊號為非線性、惡化為指數模型。如果使用系統鑑別建立模型，也就是知道問題與答案去湊過程，或是知道衝擊也知道響應，或是知道系統輸入與系統輸出然後建立數位模型(NASA時代可能是手算模型)。可以利用系統輸入與輸出建立模型去除雜訊，但是剩下來的(專業用語為殘餘值，就是扣除模型數值)還是有可能包含非異常訊號，因此假設設備為正常的建立模型，這時會使用線性的方式建立模型，而偏離線性模型的程度就算是分離出異常訊號。還有個問題就是這些異常訊號可能是環境訊號，因此採用MCSA技術，本身就無法量測到環境振動，這是缺點也是優點，用得對就是優點。剩下來的就是設備運行的正常異常訊號，所謂正常異常訊號聽起來就很矛盾，但是設計與製造本身是有極限的，頂多能將異常控制住，因此需要模型分類異常並且建立異常個別異常的趨勢圖，建立趨勢圖就可以很輕易的辨識出控制住的異常訊號，怎樣辨識呢?當惡化不符合指數模型時就不是發展性異常。除了上述直接用模型解決的問題以外，建立從訊號擷取、建立模型與訊號處理的過程，總共集合了最少三十種參數，這些參數的組合排列與趨勢可以描述幾乎全部的狀況，不限於設備本身。因此Artesis為MCSA 五代的技術。光是使用MCSA為將近一世紀前的技術(自從1951)，這樣會不會不過於落後?且無法達到預知保養的目的。頂多是做停工"預知"，談不上預知保養，因為現代先進預知保養主要是避免異常造成的二次傷害，通常在診斷視野六個月前就會發生(停工前六個月)，而MCSA的診斷視野大約在三個月(雜訊的影響)，且還有很多錯誤示警(無法分辨非異常訊號)，好的設備拿去修叫做預防性給廠商紅包，不是預知保養，且修理完也不清楚維修得怎樣，維修品質如何?想多拿紅包就維修品質爛一些，爛到剛好客戶看不到，這種狀況經常見到。Artesis客戶很多已經使用Artesis技術監控維修品質，進行有效的維修品質管理。我知道台灣人都很大方，但是未來可能不要這麼大方才能生存下去。

崇尚AI沒有任何問題，但是不要迷信AI。很多事情AI辦不到，還是有很多方法做到，像是數位模型立即診斷，Artesis只需要七分鐘即可精準的分析出當下的狀態，甚至可以看到新設備剛出廠的生產品質。但是可能會有些許機會錯誤示警，最好還是觀察趨勢圖幾個月。AI從業人員會納悶哪有可能?光是靠AI確實是不可能，少說也要幾十年才會精準，因為正常設備異常造成停工的發生率約為7~20%每個馬達每年，這是 IEEE與EPRI的調查數據，印象中是50~500馬力的7%，大於500馬力的20%，設備或許高個3~5%。異常種類眾多，因此要十幾年數據才會夠，當然也可以說偏離正常的狀態作為判定，這時候就要有心理準備錯誤示警，且無法分類異常。那Artesis怎麼辦到的呢?Artesis 知道合作就是力量，因此與各家設備廠商合作，取得所有馬達的設計資料。或許AI從業者會想像Artesis培養了個暗勢利不擇手段的取得各家馬達的設計資料。但是事實卻很簡單，每個馬達按照國際規定都會將設計資料弄在馬達名牌上。為何不直接用這些寶貴的資料?Artesis就是利用這些資料進行快速的模型優化，系統鑑別使用了Deadbeat Observer的手法，即使參數不夠也能快速收斂。當初這技術問世時NASA(美國太空總署)還是用手算的，因此想盡辦法快速收斂。如果光是使用AI，幾十年才會精準，這時設備可能已經要更換，且新一代的設備應該會有設計上的工程變更，又要重新學習，這時候不就像是犧牲設備停工的風險去創造一個針對個別設備的診斷運算程式?如果是創業，應該沒有人願意投資吧。且即使成功地開發產品，業界已經有更好的產品，而市場已經消失。當然迷信是浪漫的，人家高興怎麼浪漫我們也管不著。

我們也碰過客戶說他們不需要這些功能，不需要無限診斷視野。但是預知保養的預知只是形容詞，維修保養才是重點，特別是維修品質與安裝品質。如何定量分析維修品質?Artesis技術最初是給馬達驅動設備進行OQC出廠品管，後來被GE發現，當時GE是狀態監控(中文的控是Project的意思，控制的制才是Control)的龍頭，因此投資Artesis開發預知保養的技術。根據一些業界權威性預知保養的專家，保養要從設計開始，然後製造、運送、存放、安裝、試車、運行、維修或大修、直到報廢，運行時要盡可能避免二次傷害(Knock on effect)，維修時要盡可能修到好。當然炸雞排店的抽風風扇可能不需要，但是重要設備需要。任何環節造成的異常都會增加停工的風險，這也是預知保養的目的，在各環節做檢測，這就像是台積電在上千道程序幾乎每道程序都會檢查，一樣的道理。更重要的是有了這些檢測即可定量分析各環節的品質，在設備的維修部分就代表著維修品質。如果不這樣做，設備或產品失效的機率就會倍數的增加，即使能在幾個月前偵測到異常防止失效，但是如果機率累績，終究還是會失效的。

Artesis的落地方案不能持續的優化檢測的模型，但是Artesis的落地方案可以擴充模型的欉集，一個準確的模型都有範疇的限制，因此通常會有多個模型欉集應付運行的範疇，模型範疇有三個維度:電流/電壓增益、頻率與功率因子，當運行超出範疇會顯示異常，如果運行狀況是正常的則須更新模型(Update)。Artesis的IOT方案包含生成式AI，可以針對各別設備做客製化的持續優化，目前不打算擴充到落第方案。

其實很難理解持續優化的用意，當模型的精準度已經超過90%(可能有少於10%的錯誤示警與漏檢率)，且包含無限的診斷視野，不知道為何還需要持續的優化?純AI的運算程式的模型精準度在6個月的診斷視野約在50%，這等同於擲筊。三個月診斷視野的精準度不會超過75%，通常會有很高的錯誤示警與漏檢率。如果要達到等同Artesis的精準度，可能要花幾十年的時間(根據IEEE與EPRI調查報告的異常種類的數量與異常造成失效的發生率)，這就好像是到麥當勞吃漢堡，等七分鐘就可以吃的不吃，要吃一個持續慢火烤熟的腐敗漢堡，住在買當勞等兩百年。設備都老舊到淘汰了，等同於等到人都死了。連小說都想不到的浪漫情節。想使用純AI模型達到Artesis的性能的難度遠超過用AI預測股市成為富翁，美國有間只請物理學家的基金，年收益超過20%。因此可以確定這是不可能的事，有能力的AI從業人員都去用AI炒股了。

不要迷信AI，如果不懂AI就去弄懂他，最好從基礎開始。目前AI在很多行業都可以取代從業人員，但是在預知保養這領域，五十年內還不可能。

FFT(Fast Fourier Transform)快速傅立葉轉換沒有解析波相(phase)，因此不適合用於定量分析，且無法運算，比較適合用於定性分析，在預知保養的用途為確認有無異常。PSD為Power Spectral Density功率普密度，已經轉成功率，平方積分了FFT，等於Autocorrelation Wiener-Khinchin theorem，根據Persaval Theorom PSD的單位為STD(Standard deviation)，也就是正規化了(Normalized)訊號的能量分布，由於FFT與PSD的解析度都是用多少條為單位，Artesis的高解析度設定為10000條，每條頻率的值代表著總訊號能量分布在這條頻率的比例，用STD來描述。因此就不需要解析波相，因為平方後沒有負向的波峰，波都是正向的，不會有破壞性的干擾，因為量測的是功率。因此PSD平台也可以運算，可以使用AI。

Artesis採用的RSD(Residual Spectral Density)就是經過運算的，扣除了模型的PSD，因此稱為殘餘值密度頻譜，殘餘值就是扣除模型的專有名詞。我之前稱之為RPSD(Residual Power Spectral Density)，後來原廠統一稱為RSD。

AI建立的模型沒辦法去除雜訊的機率很高，確認性的物理理論(Deterministic Solution)也不是這麼容易，需要配合AI做Deadbeat Observer。Deadbeat Observer不是死掉拍子觀察者，指的是把Singular Solution也就是節點Node轉換到座標的基點上。同時解了等同線路方程式與轉動運動方程式。這時候就有理論模型，也就是說我可以推算理論的電壓輸入所產生的電流輸出，系統以電壓作為系統輸入，電流做為系統輸出，這時候我在PSD上可以扣除理論值，因此RPSD或RSD就誕生了。MCSA天生有缺陷，無法量測到環境的振動，但是對於異常診斷的診斷視野卻幫助很大，由於環境振動也是很大的安全顧慮，所以MCSA不適合用於保護系統，但是比其他的傳感器還適合用於預知保養。問題又來了，雖然可以去除環境振動雜訊與噪訊，但是電壓的雜訊也不小，特別是周遭有變頻器，變頻器為非線性附載，因此使用MBFD(Model Based Fault Detection)MCSA三代，或是ESA二代即可扣掉電流上由電壓所產生的電流響應。扣掉電力的雜訊，剩下的就是分離異常訊號，異常訊號的特性是非線性，因此只要離散的用線性建立模型，也就是線性離散系統鑑別即可描述出正常的系統狀態，而偏離線性的的程度代表異常惡化的狀態，因此分離出異常訊號，並且保持可定量分析的特性。這還沒完，有些異常訊號是設備運行時或某些操作下會發出的可控的異常訊號，舉例來說，像是把馬達固定在懸吊避振系統，對於馬達來說這是個異常，稱作軟腳，Artesis使用AI分類異常訊號，並且建立各類異常的各別訊號指數，由於能監控的(中文的控式投擲的意思，也就是Project，制才是Control)是發展性異常，因此利用發展性異常的惡化指數模型，在Log座標上為斜槓的直線，用此特性可輕易的在趨勢圖上分辨出異常訊號。但是此類的訊號會造成部分異常種類診斷視野縮短，通常還會保有至少六個月的診斷視野，通常可達一年，像是懸吊系統會影響軟腳或零件鬆動、平衡與對心與轉子的異常指數的診斷視野(可能也會影響到軸承與定子)，這時候如果需要看維修的品質，可以在IQC或廠商的OQC建立個馬達測試平台。

MCSA的訊號主要來自轉子與定子的相對位移，影響空隙的磁路並且影響電流造成電流擾波，外部振動會造成轉子與定子的同時位移，相對位移很小，因此無法量測到外部的環境振動訊號。保護系統需要量測到環境的振動訊號，因此MCSA不適用，通常是使用便宜的加速規、溫度計等，監控單一物理量，使用固定單一物理量閾值。因此，保護系統也不適合用於預知保養，因為在持續生產的工廠內環境診動到處都是，會遮蔽設備的異常訊號，通常的診斷視野小於三個月，也就是只能在設備失效前三個月內診斷出是否有異常。無法用於監測維修品質，用於增加MTBR(Mean Time Between Repair)，並且增加設備的可靠度，失效機率增加以外，還會貢獻環境振動的程度，造成惡性循環，診斷視野越來越短，MTBR也越來越短，不但維修費增加，且大幅增加停工的機率，增加無法監控的突發性異常Abrupt Fault的發生機率，並且增加周遭設備的異常設備的錯誤示警。如果使用一代或是二代非模型性技術的MCSA也會有類似的狀況，只是較為輕微，主要是電力系統也同樣會產生類似現象。Artesis的技術有無限診斷視野，可以很輕易地避免相關問題。

很多儀器的量測結果不是也是用%或是PPM?這些有單位?這些不也就是單位?如果一堆法規也是用這些來衡量的，那為何不能用STD?(標準差)至少有合法性。這些怎麼不能做定量?那些用% 與PPM的不就是定量分析?如果真的這麼認為不行做定量，可能要請立法院立法囉。文學院的都不會這樣認為。

是的，這個問題問得好，100%的人第一次碰到這問題腦袋都轉不過來。PSD上的STD指的是各頻段條功率佔總訊號功率的比例，也就是功率在各條頻率頻段的分布，縱軸是Log軸。而趨勢圖的STD指的是偏離線性模型的程度，也就是狀態惡化的程度，因為發展性異常(Incipient Fault)有非線性的特性，越惡化會偏離線性模型越大。趨勢圖的縱座標也是Log。發展性異常另一個特性就是惡化的速度與惡化的狀態成正比，因此有指數的模型。當趨勢圖上的值很高，但是不惡化，也就是水平是趨近於直線，這時這很有可能就不是發展性異常。當趨勢圖呈現斜線上升的趨勢時，即使值很低，也依定是發展性異常，最好將電流與時功率的趨勢圖堆疊，確認不是負載變化，尤其是變頻器驅動的設備。

很多人使用RUL來描述，但是畢竟是會計學在用的名詞，拿來用於工程會造成很多困擾，因此NASA使用Prognostic Horizon診斷視野或預診視野，這需要跑到失效的歷史資料，用這些歷史資料去正規化，然後發現有跡可循，大部分異常都有共通點，除了轉子與電路相關的以外。可以在網路上找到很多NASA相關的資料。這部分為Artesis商業機密。即使不知道Artesis怎麼做的，本司只用診斷視野描述我們觀察到的經歷。量子力學只用來描述氫原子，因為這是數學的限制，目前無法描述三個獨立粒子的相互作用，雖然如此，量子力學還不是廣泛用於除了氫原子以外的元素原子。因此沒有什麼不可以的，怎樣都比使用RUL正當。

殘餘值指的的扣掉模型剩下來的數值，殘餘值是 AI與控制學常用的術語，跟電子、電力沒有直接的關係，不是殘餘電流!

怎麼會沒辦法?已經有設備設計資料，馬達名牌上就是設計資料，設計資料都給了，為何還要脫了褲子放屁再學一次?很多 AI廠商喜歡趕流行脫了褲子放屁，我們比較傳統，找找看有沒有辦法拿到設計資料。有了設計資料只要用系統鑑別建立模型，檢查一下設計資料有沒有給錯，也就是看看數據會不會收斂。如果名牌上數據不足，很多沉水泵設計上很隨便，沒有轉速資料，這時需要用試錯法手動進行學習，可能會需要原廠支援，準確度會被影響，但是還是比業界的準很多。有了馬達名牌資料(設備設計資料)就可以推算馬達出廠預期的狀況，馬上就可以有無限視野。

我們去過很多的專案徵詢，業主要求模型要能持續的優化，也就是要求要脫了褲子放屁，不脫褲子就沒機會，不知道是不是因為天性猥瑣?脫了褲子放屁二十年的精準度都比不上設計資料強，因此選擇ESA或是MCSA才是比較簡單的路，因為有現成的設計資料可以做為基準線，但是如果不是模型式的ESA則建立模型時需要持續的優化，Artesis技術能馬上優化模型，引此運算的需求也降低了很多。Artesis的模型會很快的就很準確，但是會隨著設備的惡化而精準度降低，降再低也比所謂的要持續優化的精準很多。預知保養主要是要增加設備的可靠度，如果不能馬上應付澡盆圖的早期失效，基本上預知保養的效能基本上是只剩10%。因為早期曲線下的面積是失效穩態的300倍，且十年內無法偵測到早期異常，也就是不可能有六個月的診斷視野，任何異常惡化到六個月的診斷視野都會造成二次傷害(Knock on effect)，這會大幅增加任何異常發生機率，更會增加設備失效的機率(包含突發異常與間隔性異常)，也就是大幅增加設備的營運停工風險，二次傷害是設備老化或是澡盆圖末期曲線的根因。基本上這不是脫了褲子放屁，是脫了褲子還放不出來，這樣難道不會很難為情嗎?

如果看得到低頻的為何要去量測高頻的?高頻的振動波傳遞的距離較短，因此是天然的雜訊與噪訊屏障，但是 MCSA本身就量測不到轉動系統以外的雜訊與噪訊，天生的缺陷也是優勢。如果有噪訊或雜訊一定是電力系統帶來的，電力系統的雜訊與噪訊應該沒有所謂低頻的或高頻的，越高電壓的電力系統，局部放電的頻率通常越高，而且還是會有諧波，除非MCSA電力系統只有低頻的雜訊或是噪訊。通常量測高頻的都是加速規量測振動，因為低頻的環境振動傳導的距離很遠，因此環境噪訊與雜訊很多，導致於看不到三個月診斷視野的異常，需要看異常訊號所產生的諧波，通常功率較低，因此即使使用PSD也只能做定性分析，無法定量。Artesis MBFD技術沒有這些問題，因為模型可以去除電力的雜訊與噪訊，因此通常都會有無限診斷視野，要看到高頻的通常都是電力系統的問題或是很複雜的減速器或是很複雜的機械。Artesis提供10KHz的高頻範圍，幾乎沒有用過，通常500Hz以內都可以分析到大部分的異常，比較重要的是低頻的解析度，Artesis提供RSP(Residue PSD)10K條解析度。

不知道這是哪些白癡掰出來的文章?FFT的過程沒有解析波相(Waveform phase)，這是會造成破壞性的干擾，轉子很多特徵都在最高的低頻主峰上，這個主峰很容易被各種變化所影響，除非可以證明所有的影響都不會有破壞性的干擾，包含但不限於量測系統的FFT解析度、製程變化、電力系統的變化、周遭設備用電的變化等，不要再掰說系統是在穩態，工廠有操作Window(範圍)只要製程(注意喔!不限於目標設備的操作)有製程操作變化這主峰都會變動，在未知變化因素的峰值上進行定量分析難道不白癡嗎?就像是能站著量測不做偏要在拉力賽的賽車上量測距離。因此需要以電壓為系統輸入，電流為系統輸出建立模型，並且要對照負載狀態進行分析，且應該用PSD進行頻域分析。很明顯的就是瞎掰個文章出來進行詐騙的行為，不信的話我們支持你們做實驗去驗證，被他們騙了可以告他們。