智能应用 影音
DTResearch
DForum

智能制造聚焦三大应用领域

从上百项关键参数找蛛丝马迹 预测性维护技术难度高

预测性维护几乎成为智能机械商机中的基本需求。李建梁

传统上一般工厂在检测机械零件是否该汰换的作法,大多都是凭借经验法则,用最保守的方式由工厂师傅预测零件的汰换时机,「可能还可以使用,但因时间到了就立刻汰换」的情况却往往造成零件不必要的浪费。因此在工业4.0的发展下,预测性维护的应用可为传统制造流程带来莫大的改善。

生产设备是制造现场的第一线,更是制造业者的「生财工具」,因此即便是任何微小的故障也可能为业者带来极大的损失。虽然过去工厂皆会进行例行性的保养作业,不过传统的作业方式可能会带来几种损失,例如使用寿命还未到极限却提早更换,若不幸汰换的是昂贵的设备就会突增成本,另一种损失则是设备尚未到检修时间却已出现异常而不自知,在此情况下仍继续运行恐怕产生连锁效应影响产品良率。

业者要如何确保生产设备在非岁修的其它时间内不故障呢?去年台塑重工便透过工研院协助,从单机智能化开始做起导入预兆诊断系统,选定部分加工机台率先导入,透过设备联网并装置传感器,搜集各机台运行时的状况,包括电压、电流、温度、振动、转速等参数,透过机台回报的数据搭配AI预兆诊断系统,便可提前发现设备异常,分析哪里些情况会发生错误,并预测再发生的机会,提前掌握。

工研院信息与通讯研究所智能制造服务系统副组长张维仁指出,只要可预先掌握,就能趁早订购备品、实时进行维修,以免非预期停机影响出货。预测性维护几乎成为智能机械商机中的基本需求,不过在技术方面而言,未来也充满著变量与挑战。

高科大金属产品开发技术研发中心主任林栢村则是观察,目前以物联网技术为基础所发展的智能化应用中,如设备稼动率监控、用电量管理等,都是属于「数据信息管理」层面的应用妇误,其技术难度不高,且台湾也已经发展的相当完善,智能化能力不输德国。

不过一旦涉及产业专业知识的应用开发,尤其是加工技术的Know how,短时间并不易大规模开发,「仍需要时间慢慢磨出来」。如同林栢村与研究团队开发的冲压模具健康监诊系统,在模具上的适当位置安装传感器,实时监控模块生产时的震动或成形力的讯号,藉由建立正常与异常之讯号模型比对,监视模具异常并预测使用寿命。

这项技术虽已在市场上商品化,但未来团队仍须针对技术加以精进,象是监诊系统透过传感器感应异常讯号,但最关键的是每颗传感器安装的位置与数量,找对最敏感、最能影响加工质量的关键因子,才是整段技术开发中最困难的部分。

例如半导体产线的资料参数就多达400~500种,要从中找出真正影响机台健康的参数,便是开发预测性维护服务的第一道关卡。由于这涉及产业Know how,除了业者本身,供应商难以完全参透,因此制造业者与解决方案开发商之间必须经过一次次的磨合与讨论、反复地验证与测试,才能顺利找出反应设备健康的关键因子,提升系统预测结果的准确率。 

  •     按赞加入DIGITIMES智能应用粉丝团
更多关键字报导: 工研院 高雄科技大学 智能机械