預知保養成功關鍵:診斷視野(或稱為預診視野)介紹

預知保養重點摘要:

一、預知保養可針對發展性異常進行估算故障時間，發展性異常惡化速度為指數模型。異常大多數為發展性異常。

二、預知保養系統必須可以清楚量化設備出廠的品質，可以追蹤早期的異常，可以避免異常造成其他異常發生(連鎖效應)，並且可以做為維修品質或是採購品質的依據。

三、要做到清楚量化設備出廠品質並且精準的量化設備目前的狀態，系統必須要處理雜訊、傳感器精度、異常訊號重疊、操作與負載變化並且於可同時定性與定量的平台進行分析。

四、批次生產需要避免設備進入連鎖效應區，如進入連鎖效應區，會造成維修間隔(MTBR)降低、設備壽命降低、並且造成1~6%的額外能耗。如可避免設備進入連鎖效應區才可以做到美國能源局所描述的降低保養花費25~30%。其次是利用看得到出廠狀態的診斷視野最佳化維修品質，並且用於增進維修能力。

五、連續性生產最少需要一年以上的精準診斷視野，如果有備載，最少需要六個月的診斷視野，才可以做到降低停工時間35~45%，並且增加生產力20~25%。其次是利用看得到出廠狀態的診斷視野最佳化維修品質，並且用於增進維修能力。

六、精準的預診需要處理系統的不確定性、系統模型的定義基礎的不確定性、惡化模型的不確定性、預測的不準確性與失效閾值的不確定性。

Artesis技術已解決上述問題，為業界最先進的預知保養系統。

診斷視野與預知保養

預知保養從字面來看，是個名詞片語，形容詞後面跟著一個動詞，主詞因該是設備。設備何時需要保養?預知有異常才需要保養，預防保養只是在不清楚運行狀況下所訂定的定期保養計畫，因此正確來說異常才是主角，我們在另外一則文章中有介紹，主要是以標準品來介紹，不然涉及太廣，但是也不能不討論。預知的部分我們將製程分成兩種截然不同的需求;連續性製程預知保養與批次製程預知保養，診斷視野在這兩種預知保養都扮演著主角的角色，如果要徹底的含跨預知保養，必須討論維修與診斷視野的關係，也就是預知保養系統與維修的關係。因為我們算是討論技術的部份，我們涉及這些工作發生的場景，也就是公司文化的部分有限，有空我們可以再討論，主要也是因為幾乎沒有台灣讀者對公司文化有興趣。

很多人對於診斷視野(Predictive Horizon)不熟悉，診斷視野可能是由美國太空總署所發起的，最早的資料是1990年代，後來(2020s)進展使用Kalman Filters 或是Particle Filters (Skewed distribution for each time state)，在轉動部件的研究發現通常都是Log normal distribution，也就證實了轉動部件的物理模型，在PHM(預診與系統健康管理學)研究指出，針對部件研究會準確很多，也就是我們所謂的分離各別異常種類訊號。其實早在1980年代美國太空總署就已經有了許多結論，而剛好Artesis 技術發明人正在美國太空總署進行相關研究，因此較業界偷跑了四十年。像是異常實體的物理模型採用指數模型，使用與Kalman Filters類似但是更複雜的系統鑑別進行物理實體模型建立(Deterministic model)；使用系統鑑別，順便去除雜訊的手法。目前因為線性代數的高手較少，因此使用Particle Filters，也就是Stochastic的手法，主要的認知是因為認為用系統鑑別會造成高很多的計算成本，但是其實美國太空總署早就使用比Particle Filters少很多的計算手法進行模型的收斂。目前的挑戰是要如何應付操作與負載的變化，因為這會因為需求而決定，因此最好的途徑是提供各別異常訊號的趨勢圖，且解析度要足夠。

精準的預診需要處理以下的問題:

系統的不確定性: 用Artesis的預診系統來解釋，就是必須要有設計資料與後續的運行資料，剛好在三相感應馬達驅動設備這些資料都較容易取得，設計資料就是馬達名牌，運行資料不外乎計算功率因素、電力頻率與電壓電流比，Artesis的數位分身都順便估算或量測這些參數，數位分身包含獨立線路等同方程式、合併線路等同方程式與轉動運動方程式。

模型基礎定義的不確定性: Artesis使用物理模型(Deterministic)，數位分身包含獨立線路等同方程式、合併線路等同方程式與轉動運動方程式，且當運行條件改變，需要使用者確認是否為預期的現象，如果是符合預期可以擴增模型範圍。有效降低了運行模型的不確定性。

系統惡化模型的不確定性: Artesis只針對發展性異常(Incipient Fault)進行診斷，建立各別異常訊號的各別趨勢圖，Artesis使用指數函數描述轉動機械的部件，很多研究證交叉實了此手法的可靠性。利用異常訊號為非線性與指數惡化模型分離異常訊號。指數函數在縱坐標上很清楚的是直線，因此也可以用於辨識訊號是否為發展性異常。

預測的不確定性: Artesis預測的系統範疇參數足夠支持準確的預測，使用Kalman filter(系統鑑別)取代Particle filters降低計算成本，因此準確性為業界最高。利用異常訊號為非線性與指數惡化模型分離異常訊號，不會被線性訊號干擾。

失效閾值不確定性:由於轉動設備通常在頻域進行分析，因此如果要在頻域進行分析必須要使用可以定性與定量計算分析的平台像是PSD，FFT不是可以定量分析的平台，Artesis系統每個頻段的閾值必須根據馬達模型參數而變化:電流電壓增益、功率因子、頻率等變化等。由於工廠運行的需求，這些參數每個時段都不同，因此Artesis閾值也會隨時間與各別異常種類而改變。利用異常訊號為非線性與指數惡化模型分離異常訊號，不會被線性訊號干擾。

由於Artesis是依據NASA對於異常的學術研究而設計的，包含診斷視野，但是學術開發的技術無法滿足實際的應用需求，缺乏工廠實際的經驗，但是透過與GE的合作，不但有了馬達生產數據、電廠的營運經驗，還傳承了設備狀態監控超過半世紀的經驗，GE營運範疇包含馬達設計生產、電廠的營運與設備狀態監控。因此對於診斷視野的運用與學術界的不同。

Artesis對於診斷視野的應用不是專注於設備剩餘壽命的短期估算精準度，而是分階段的使用不同的分析手法，並且閾值的設計理念也截然不同。很多廠商對於推估剩餘壽命只有在最後的2~3周才會收斂並且趨近於準確，這數據對於預知保養沒有實質的幫助，為何2~3周才會準確?主要是因為異常訊號通常發生時會偏離模型2~3個標準差，這時候如果沒有雜訊時數據很乾淨，超過8個標準差後，這時候約略是剩餘壽命六個月的時候，這時候是很重要的閾值，因為超過這個閾值，任何異常很容易觸發其他的異常，也就是進入連鎖效應區，如果運氣好沒有異常訊號重疊，通常有個惡化速度較快的異常會脫穎而出，然後很快的設備就會失效。不是所有狀況都是這樣，但是大部分都是會有這樣的死亡前徵兆或是迴光返照，訊號又回歸乾淨。

因為預知保養是依照設備狀態決定維修的工作，而維修的工作是避免設備進入連鎖效應區(Knock on effect)，而根據經驗，當設備各別異常狀態在偏離模型8個標準差時，三個月之後隨時可能失效，而這裡就是進入連鎖效應區。Artesis系統因為處理了雜訊的問題、異常訊號重疊、傳感器精準度與操作與負載變化的問題，因此可以看到很初期的視野，也就是有很長的診斷視野，在超過六個月前的精準度高達70%，如果沒有建立模型，很難得到精準六個月的診斷視野(MCSA部分請參閱Signal-Based Versus Model-Based fault Diagnosis. A trade-Off in complexity and Performance, Kyusung Kim)

除了上述問題，每個設備的設計不同，每個部件的設計也不同，連鎖效應時會發生多重連鎖效應的組合，每種組合的響應也不同，好在轉動設備的異常模型通常是指數，指數函數的特性就是當惡化狀態很嚴重時，惡化的速率會指數的增加，因此誤差的影響較小。

如果是為了避免庫存，首要的問題是叫貨時不能有任何的風險，為了避免幾個月的庫存而將產線陷於高風險是不智的決策，如果需要趕貨(Expedite)服務，價格往往高於庫存三個月的成本包含帳面成本，庫存在帳面上不好看。如果是國內運輸，需要兩周的緩衝，且費用是浮動的，如果是國外運輸，需要一個月的緩衝。除非使用高費率高效能的運輸公司的服務。費用浮動的更大。

診斷視野與閾值要如何設定才符合保養的精神?對於連續性生產來說一個月的診斷視野只能用來塞牙縫，完全沒有實質的幫助，只是將名稱從非計畫性停工轉換成計畫性停工，所造成的財損幾乎沒減少，而對於批次生產來說重點是用於最佳化維修能力與維修品質，停工不會造成任何明顯的財損，高診斷視野還可以幫助增加維修間隔(MTBR)，避免進入連鎖效應區，並且可以用於最佳化MTBR對應延長設備壽命與減少異常的額外能耗。因此標示出業界設備維修品質的中位數、高機率開始發生連鎖效應的閾值與異常發生初期較為重要。對於連續性製程，異常發生初期的監控可以避免生產停工，需要有等同於大修間隔的精準診斷視野。

預知保養策略確定後，蒐集資料建立預知保養計畫，計畫如果沒有包含維修的計畫或工作這就不能算是保養計畫。所謂策略就是計劃中有重要因素是未知的，因此依據價值觀的重要順序擬定應對計畫就是策略，也就是用可控的自我定位去應對未知。從異常的種類數量，可以推估維修的工作很廣泛，因此我們透過分化維修來描述維修。維修可以分化為維修能力與維修品質，維修能力與維修品質可以很清楚的用診斷視野來描述，維修是針對各別異常，診斷視野可以透過偏離正常的訊號來定義目前設備狀態，完整的診斷視野必須看得到設備新的狀態，設備新的狀態作為維修品質的目標，維修能力則是將設備異常還原到設備新狀態的能力。

設備新品狀態可以用多種各別異常訊號去定義，Artesis則是使用偏離理論模型的標準差去計算，使用馬達生產線上千筆新馬達的中位數去關聯。理論上是沒有瑕疵的，但是必須去除量測雜訊、並且控制操作與負載，剛好馬達生產線的品管實驗室測試可以很輕易的做到，如果在生產線就很困難。(有興趣可以參考預知保養懶人包) 

根據上圖，當診斷視野三個月時，很奇特的現象就發生了，不難發現為何會認為異常發生是隨機的，因為與維修失去關聯性，太多實際案例認為好的維修能力為浪費資源，通常會漸漸的只修到診斷視野那裏，這個案例為三個月，培養很強的維修能力被誤導為浪費資源。這種狀況的壞處是異常連鎖效應(Knock on effect)會造成MTBR縮短，異常的額外能耗，同時降低設備的壽命(有興趣可以參考批次生產預知保養指南) 

如果診斷視野增加到六個月，狀態沒有多大的改善，只有MTBR變長了。

從這種現象不難發現很多預知保養系統只是狀態監控，沒有針對維修保養的需求進行產品設計，通常只是賣振動規的DAQ配上個比較花俏的人機介面，剩下來就交給客戶自己解決，當然也有SCADA將服務製程的軟體加一些所謂的AI，掛羊頭賣狗肉。預知保養的前段，也就是蒐集物理資料，訊號處理這部分最需要使用AI，確保沒有垃圾進去垃圾出來的基本訊號處理原則，之後再使用AI才會有意義，如果真的有心開發會從異常研究開始著手，然後針對通用或標準品的部件進行開發，然後再去處理特殊的專屬部件，不因該直接處理特殊的專屬部件。

Artesis傳承了擁有超過半世紀經驗的Bently Nevada，Ge美國奇異公司與Artesis合作打造了專門針對維修保養需求的功能，Artesis提供了新馬達的業界中位數的異常訊號強度，這是蒐集了超過千萬筆的新馬達數據。負載端的設備部件通常訊號強度不會超過馬達，除非是設計時就存在的轉動訊號，這些訊號很容易辨識，即使不容易辨識也可以從新設備那裏取得。

上圖的綠色虛線比較不清楚，仔細看還是看得到，caution那條線的下面。那就是上千萬筆新生產馬達數據的中位數。

以上的圖就比較清楚了。那綠色虛線就是幫客戶設定維修能力的目標，最好能修到跟新的一樣，但是卻不見得是維修品質的目標，有時候可能花費太高或是很耗時，維修品質是需要最佳化的。如果目前維修能力不足但是診斷視野看得到，只要高階主管有參與，維修能力的改善只是時間的問題。如果沒有高階主管參與，不但維修能力不會改善，診斷視野也不會被拿來當一回事。未來台灣產品如果要出口到美國，不但有關稅的障礙，還會有預知保養落後的障礙，因為Artesis的系統從裡到外幾乎都是美國技術的結晶，Artesis在美國一天的銷量是台灣一年的好幾倍。

如果不使用預知保養系統，維修能力是否可以達到綠色的虛線?答案是肯定的，在台灣碰過兩家，有一家就是因為維修能力太好最後決定不做了，因為維修能力太好變成他們的致命傷，因為他們靠著國營單位的為期維修標案，但是國營單位沒有任何的維修能力，看不到他們的價值，無能的政府下令徹底執行最低標。另外一家是大成飼料，我們曾經跟綠色生產力基金會合作，他們想要確認我們的診斷視野，因此找了台灣第一名的高手驗證我們的技術，廠長有特異功能，只要用手摸就可以斷定馬達的好壞，像是挑西瓜一樣，他們算是有預知保養系統，只是是一個有機系統。他說他都是買二手馬達，很多二手馬達經過老師傅修理，比新的還耐用，他說他是繳了很多學費才練就這身本領的，如果使用Artesis的系統就不需要繳學費了。

接下來我們討論如果沒有預知保養系統，可能有很強的維修能力，但是卻有很差的維修品質，這樣營運的下去嗎?答案是肯定的，為何營運的下去?從剛剛的例子來看，在最低標的環境下生存，只有很差的維修品質才能存活，因為很差的維修品質花費低，且不用負擔較高的電費與設備壽命降低，且品質做得越爛反而賺錢，原來還有比錢多事少離家近還棒的生意，到時候甩鍋給競爭對手還需要提高售價，說不定又再賺一筆。當然，這是特例。我們常常碰到客戶設備報修，廠商根本沒修，只是把機殼螺絲鎖緊，振動值就降到安全營運的標準。當然，這招碰到Artesis的系統不管用，因為加速規是安裝在機殼上，而Artesis是量測由軸所傳遞的振動訊號，如果使用Artesis的量測，振動訊號值反而更高，因為機殼被暴力固定住，振動是鋼體互相撞擊所產生，如果被撞擊的目標有自由度，撞擊力道較小，如果是撞擊固定目標，撞擊力道反而增加，這樣運行不但會成生更多能耗，還會嚴重降低設備壽命。設備廠商與維修廠商的立場跟業主是對立的，廠商希望業主每天送修，業主希望永遠不要送修，如果預知保養系統常常錯誤示警，廠商可樂了!如果認為廠商會在乎業主的停工與維修費飆高就是太天真啦! (有興趣可以參考批次生產預知保養指南)

台灣在設備維修方面是半導體的相反，是吊車尾的，很多地方都有設備維修保養的展覽，只有台灣沒有，這會是生產力五分之一的競爭力(生產力=Output/Input)，未來會趨近於零關稅，在地價與保養缺陷的夾殺下，成熟的連續性生產會沒有競爭性。

如果有足夠的診斷視野且預知保養策略由有能力的高階主管直接推動，這是唯一能翻轉現況的可能性，維修能力與品質可能會有很多的結果。

由上圖可以很清楚的了解維修能力與維修品質如何掌控，除了維修後異常訊號的大小，維修後的異常惡化速度也很重要。如果預知保養系統無法隨時簡易的偵測到早期的異常，很難用於改善維修品質，診斷視野成為了維修品質的限制，不使用診斷視野很短的預知保養系統或許會更好，無法改善維修品質就是失敗的預知保養。畢竟有完美的維修品質為何需要預知保養?問題就是因為維修品質達到完美很困難因此需要看得到維修品質。

對於連續性生產的預知保養要確保設備維修品質不會造成停工，理論上是品質越高越好，而批次生產的預知保養要確保策略最佳化:

最理想的是下圖紅線，但是最好要與綠線的花費做比較: 

如果需要最佳化維修品質，必須要將所有維修的工作與事件作紀錄，並且必須與花費或成本連結，最好是使用數位化的系統，像是CMMS與EAM系統，畢竟對於預知保養情境的洞悉會比預知保養本身重要，那是比診斷視野更重要的視野，就是營運的經濟學，這是較抽象的，因此數據的紀錄非常重要，畢竟計畫會比策略靠普很多。

建立好的維修品質需要經費，另一個診斷視野的好處是很容易將計畫預算視覺化，這是一個先有雞還是先有蛋的問題，因此我們這些文章是提供計畫撰寫者一個雞蛋，用這個雞蛋去擬定完整的預知保養策略，之後申請預知保養系統的經費，有了預知保養系統就可以利用精準且具有長距離的診斷視野去美化預知保養計化，為何要美化預知保養計化?預知保養如果沒有精準且長距離的診斷視野，如果做出早期的診斷結果，這會像是一個詛咒，詛咒工廠會產生巨額財損，再紅的長官詛咒久了也會變黑，如果提供足夠的數據解釋預知保養節省了多少花費，或是放馬後炮，這樣才會越做越紅，並且完整的呈現了進行預知保養員工對公司的貢獻，有了貢獻或許長官會想了解這些員工花了多少功夫，長官了解了就有可能加薪囉。

對於批次生產的，因為停工不會造成損失，因此不用取得停工財損的數據，花費的數據大部分都在部門內可輕易取得，但是對於連續生產的就比較困難，往往不清楚要跟財務部門要那些數據，因此我們這裡又提共了一個粗略的解釋:

要注意的是，如果造成客戶巨額的損失，客戶會永遠記在心裡面，隨時想辦法找更好的廠商，開發一個客戶需要龐大的資源，因此不能不去算這些損失，除非你客戶是慈悲的上帝，那也要常常禱告請求他免了你的債。

最後祝你們能夠成功部署預知保養!