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。雷射也能量測振動喔，都是電磁波，都量得到。

首先要確定Artesis是否適用，(Artesis只能用於三相感應馬達)，同步與非同步的三相感應馬達，同步的會需要馬達的詳細資料且可能有一兩項異常種類會重疊無法有效監測，以下為Artesis的一些限制:

• 不能用於直流馬達 (只能用在三相感應馬達)，可以看馬達銘牌。

• 單相馬達無法使用，看馬達有幾條電纜。

• 馬達的供電電壓與電流在擷取資料的6秒內之變化需小於15%，如超過，將會持續擷取直到擷取到小於的資料，如果運行時，經常的變化，需要了解詳細的運作模式，如果處於經常變化的模式，應用會有挑戰。可能需以專案或研發專案進行。變頻設備六秒內變化可支援到負載變異而造成電流45%的變異。

• Hydraulic coupling (液壓耦合器) 後端無法偵測。

• Journal bearing (滑軌軸承)會顯示在Misalignment/unbalance異常類別。

• Soft starter軟啟動器需要Bypass。(因為會切掉部分電流波型)，我們在台灣沒碰過。

• 變頻器驅動的變頻器載波低於2KHz，Inverter with chopping frequency under 2KHz，如果電力品質不好可能需要3KHz以上。長波穿透力很強，容易漏電，會容易發散。

• 如果馬達安裝在有懸吊的避振平台上，需注意馬達懸吊的振幅，如果頻率跟測試頻率重疊，則會產生白色雜訊，遇到這種雜訊則需調整示警閾值。

以下為範例:

低壓的(<690V)需要的資料

我們為了大幅降低學習或建模時間，我們會取得設備設計資料，從最容易取得的資料下手就是馬達銘牌資料，沉水泵馬達與泵一體所以通常都是泵銘牌，通常都沒有實際RPM資料(只有理論資料)。

• 額定頻率:60Hz  (我們更適合用於變頻驅動的，但是需要定頻半天建立模型)

• 額定電流:33A

• 額定電壓:3300V

• 轉速:約3500RPM (3450~3540) 依附載改變，這我們需要去估算實際的RPM，這會需要原廠遠端連線過來，我在台水的沉水泵維修廠那裏是有許多經驗，但是原廠遠端會比較準確。這必須要在現場作業最好加上原廠遠端網路連線。如果只需做馬達檢測好壞只需要10個iteration，約15分鐘。如果要預知保養(精準分析)，則需要跑12000個iteration。約7天，因為周末與平常的電氣品質不同，學習4000個iteration，優化8000個iteration。

• 低壓的馬達通常現場沒有比流器與比壓器，我們會需要馬達電纜線的外徑尺寸以便挑選合適的比流器。低壓的eMCM價格較便宜。

高壓的(>690V) 中壓電的我們也稱為高壓:高壓的通常現場都有比流器與比壓器，安裝會很簡單。只需要連接比壓器的端子，勾掛開口式比流器，我們最小的比流器為10A/100mA，專門給比流器二次側為5A的使用，如果是1A的，則需要纏繞8~10圈，有些公司規定的導線很粗，只能纏繞4圈，有碰過解析度不夠的問題，影響診斷視野，會建議要部份改線。把一段改成較細的導線。如果現場只有兩個比流器也可以，我們可以從兩相電去估算第三相，現場會使用Aaron連些方法。我們有時候必須要旁路緩啟動器，但是在台灣還沒碰過。

我們需要的資料如下:

• 與低壓馬達一樣的資料除了電纜外徑尺寸。

• 比流器資料:

  • 比流器是否為量測型? (我們也可以安裝在保護型的，只是過高電流的時候可能會損壞eMCM)

  • 比流器的精度是否為Class 0.5? (Class 1 也可以使用只是較為不準確) (比流器銘牌上都會有，資料也可能會有)

  • 有幾個比流器?

  • 比流器的比值? 如100A/5A

• 比壓器:

  • 比流器的精度是否為Class 0.5? (Class 1 也可以使用只是較為不準確) (比壓器銘牌上都會有，資料也可能會有)

  • 有幾個比流器?

  • 比壓器的比值? 如3300V/110V

如果是變頻器驅動的會需要現場設定與調適:

建立模型時必須定頻最好在負載較穩的時候進行，最好能定頻半天，只少要三個小時。

設定時需要讀取變頻器供電頻率(eMCM也可以量測到，但是最好是以變頻器的為準)並且依照額定的頻率估算轉速。

其他就是安裝的問題，電盤內是否有空間?eMCM(WxHxL:62mmX94mmX110mm, 320g)，需要供電100‐240 VAC / 120-370VDC(最好加個Breaker開關)，可以固定在鋁軌上，還有個顯示器，通常鑽個洞在電盤門板上 (65mm直徑的圓洞)(顯示器120mmX105)突出面板14mm，深38mm，也可以製作架子安裝在電盤內部。我們會安裝軟體在貴司的電腦上，eMCM可以使用4G 5G連線到電腦，通常都是用ethernet cable連線(俗稱網路線)，但是我們目前都用大同的網路線，國內唯一符合國際標準的網路線，很多網路線都沒辦法連線或造成連線的問題。中油煉研所使用Siemens的工業網路線跑得很順，但是價格不便宜。Router的部分不管有線與無線，我們都建議使用Moxa的。

電壓量測的導線需要加裝個1A的保險絲!

現場電腦的需求:

OS: Windows 11~Win 10都可以。

CPU:Intel i5 或更好。

DRAM:OS最低需求的一倍。

Storage:建議最少500G，根據連線的eMCM數量擴充。這會跟資料存取的設定有關。最少一台一年200M

預設的頻寬需求為~50bps(平均)/eMCM表頭

最大頻寬需求為~10.7 kbps(平均)/eMCM表頭

預設的資料儲存量:~0.2 GB /年/eMCM表頭 (每天4組PSD or RSD or RPSD)(每15分鐘一筆趨勢資料)(每十秒一筆電力資料)

最大的資料儲存量:~42.52 GB /年/eMCM表頭 (每分鐘一筆PSD or RSD or RPSD)(每1分鐘一筆趨勢資料)(每十秒一筆電力資料)

取得資料請特別注意防範感電安全，不要急，安全第一!

Artesis 是最適合沉水泵的預知保養儀器，因為是安裝在馬達控制室，不需要對泵做任何的處置。沉水泵是靠輸送異體冷卻，因此滑差會比較大，約在3%左右，會跟運行的負載狀況有關，全負載時較大，負載黏稠度越大也會越大，通常都在1~6%左右，小馬達的滑差較大，小馬達全負載時會高達10%。我們可以粗略的用殘餘值功率普密度的主峰去觀察猜得值過高或過低，這需要多花一些時間進行設定。

別再問這了，就是這樣，沒什麼為什麼的。如果人家問你為何給你小孩起他的名字是有緣由的，1是沒有更深層的含意的，要瞎掰個緣由很容易穿幫。

處理LTI的數據時邊界條件可以用很多種方法，我們使用的RPSD計算過程就可以處裡，也可以使用ARX，線性模型的時候既然是用系統鑑別就都不需要額外使用Window function。

我不是完全清楚為何要用到Window function，不是不知道為何要用Window function平坦化，而是為何要用這種破壞資訊的方法。如果剛好切到異常訊號不就成為漏檢?很明顯的是定性分析的手法而不是定量分析，所以要把波幅最大的訊號轉換成LTI，我們取的是電流與電力波型，沒有必要取得最大區段的波幅，我們取得60~90秒的波型，不需要轉成LTI，本身就是LTI訊號。當然通訊與運算會需要較多負擔，但是定量分析會比定性的有更多分析的意義。很訝異的是AI拿這個定性的量測去做定量分析，會有多大的意義?Garbage in=Garbage out.

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。

用FFT主要是有已知的頻率，然後去看那些頻段有沒有峰值，是定性分析，不適合用於雜訊高的應用，MCSA就是雜訊高的應用，資料長度不一樣就會有不同的解果，基本上根本不合適。PSD則是量測功率的定量分析，用於隨機的狀態，結果是統計的結果，因此用STD在縱坐標，注意了，縱座標不是功率/Hz，功率/Hz只是一種觀察的想像方式，你不能透過積分得到那時間的所有訊號功率，除非你可以得到無限高的頻率，這是辦不到的，所以不可能是功率/Hz。

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。

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或是變異數?(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。

首先先去看看ISO20958:2013上面怎麼寫的，電流頻譜看不到電力品質，無法由電壓與電流的相對變化了解變頻器給的指令，馬達的運作範圍可以用頻率、功率因子與電壓/電流比(增益)來清楚地描述，這樣就很清楚了。有使用MCSA的客戶問我，他不相信我們的產品可以看到變頻器的變化，我回他說量測三相電壓很難嗎?去量不就有了?不清楚他們買MCSA到底想要量啥?那變頻器驅動直接接電的線路驅動MCSA與ESA就是一樣的了?當然不是囉，電壓不是一直都不會變的，像是電網線路上如果有非線性負載、單相吃電過多造成三相不平衡、局部放電、變壓器、電容、電感出了問題都會造成諧波與三相不平衡，這些雜訊或是噪訊(White noise)都會影響頻譜的，諧波還會造成設備過載，造成發熱。諧波通常是非線性負載所造成，非線性負載吸取脈衝的電量，像是電腦、伺服器、有變電的電器像是印表機、電視等、LED與CFLs照明、電話充電器、變頻器、直流電馬達控制器、電焊、電車充電器等。諧波會造成馬達的軸電流產生軸承電弧破壞軸承，還會產生扭轉振動造成軸斷裂，很大的轉動軸一樣會被弄斷。當然，這些異常是突發性異常，Artesis也會監測，Artesis為模型式ESA，量測真實電壓包含諧波與電壓與電流的相角差(Power factor)，可以從實功去監測負載的變化(假的是用電壓與電流去算其他的參數)。非線性負載會造成突波、電壓波型變形(系統阻抗、諧波、功率電器、變頻器與電壓不平衡也會造成)、額外的頻率(諧波)，諧波會造成線路熱點、中性線高電流、設備降額等頭痛問題。所以即使是線路區動(非變頻驅動)MCSA與ESA也不在一個檔次，可以說差多了，ESA可以用功率因子了解負載的變化。順便說一下諧波有零序諧波: (h=3n n=1,3,5...)，正序諧波:(h=3n+1 n=0,1,2,3...)，負序諧波:(h=3n-1 n=1,2,3...)，零序諧波不會相三相電相互抵消，他們會相互加累造成很危險的中性線電流，負序諧波會造成馬達無法啟動、增加阻力、產生扭轉振動(Artesis沒量測過扭轉振動但是可以看諧波)、扭轉振動會造成額外的應力於轉子、定子框架、軸承與轉動軸，這些振動會影響分析結果，會被誤判為軸承或是不對心異常。電器電路問題佔所有問題的1/3或更高，機械問題只佔1/3，這就代表MCSA的效能比ESA最少差個1/3，如果跟Artesis相比的效能可能不到Artesis的一半。Artesis比其他的ESA功能強很多，Artesis利用設備設計資料建立起完整的模型包含運動模型與電路等同模型(同時解析)，利用發展性異常非線性的特性分離異常訊號，不會被電力的雜訊所干擾，因此可以在殘餘功率普密度(功率普密度上扣掉模型值分離雜訊)進行準確的異常訊號偏離正常值的定量分析。並且可以輕易的透過參數的變化得知定量分析的結果。Artesis因此有無限診斷視野可以量測與量化新設備或是維修的品質，無限診斷視野的精準度也高出非模型式許多，因此效能高出一倍以上。