结合传感器、大数据及AI演算法 打造自主化主轴

国立中正大学机械工程学系特聘教授郑志钧。

当前许多制造业者，皆期待推动生产机具智能化，以提高生产效率、品质或降低对高端生产设备使用之技术门槛(例如减少对于老师傅的倚赖)；所以亟思找寻一套好方法，将人工智能(AI)、物联网(IoT)、数据分析等技术融入机台，展现良好智能化功效。

国立中正大学机械工程学系特聘教授郑志钧表示，回顾近十年生产机具技术演变，在机构部份改善幅度很有限，反观控制、传感、数据处理端则进步较多。大体来说，近十年来OT端(含MES)诸如加工参数优化等进化，其中一部分是拜OT和IT融合所赐，另一股助力来自CT通讯技术，靠着网际网络、无线传感等技术蓬勃发展，有效解决过往拉线不易、带宽不足等难题，让大量数据得以被更有效率地累积。

郑志钧接着说，一旦将传感器装入OT设备，所能采集的数据量较从前急遽攀升，即可适时引进IT人协助，经由大数据分析技术来反映OT制程或机器的问题，经由分析找出问题症结点，满足机台稼动、产线或整厂监控、优化加工、品质管控等需求。换言之，现在任何源自IT或CT的新技术诞生，都会对OT造成影响；例如即将商转之5G，以5G搭配8K影像，便可望让瑕疵检测更容易实施。

谈及现今正夯的AI，大约可划分为三大支脉，分别是监督式学习、非监督式学习与强化学习。监督式学习就好比大学生念书解题、往往都有标准答案可循；反观非监督式学习，像是研究生做研究，经常遭遇没有答案可循的题目，其研究进展端看研究成果之进展是否有逻辑性，而在制造业场域，运用非监督式学习技术的机会相当多。

藉由AI预诊，随时监测加工机轴承健康状态

比方说加工机主轴(Spindle)的状态监测，其中因轴承损伤故障而导致主轴送修比例高达六成以上，亦即做好主轴轴承健康状态监测与预诊，可以掌握六成主轴问题，而主轴轴承健康状态中之正常磨耗监测是非监督式学习的典型应用情境。

郑志钧指出，许多加工程序都有一定复杂度，一般是非单机所能完成，需要透过网络串联不同加工机台，因此机台联网目的，除了涵盖现在大家常提到的数据累积外，其实也包括派工的最佳化。机台一旁会带有「Edge Layer」、一般是一台工业电脑(IPC)，由它协助采集数个机台数据，进行初步分析与过滤，甚至实时回馈给控制器，有用之数据才会传至云端，此乃因为不管PLC或CNC控制器，执行运动控制或插补等作业的负载已相当吃重，实在无力兼顾数据蒐集与分析作业。

常见的情景是，由数据撷取(DAQ)装置将类比数据转为数码数据，由Edge Layer进行数据过滤后上传云端；可以想见，今后随着5G时代来临，Edge Layer角色势必愈来愈重要。事实上目前许多工厂都有能力把数据送上云端，但重点在于数据的可靠度是否足够、如何做分析，尤其捕捉到的数据与要观察之物理现象(例如轴承磨耗状态甚至损坏判定)，必须有较大的关联度才有意义，所以前端所用的传感器类型(例如尺寸、灵敏度、带宽等)、DAQ是否适合，无疑至关重大。

加工机主轴必须走向智能化甚至自主化，例如使用户随时掌握其健康状态；若仅撷取电流、电压等数据，其往往由于受到Noise干扰、灵敏度不足或离传感端过远等，所以需要借助额外传感器(例如加速规、温度计等)，累积足够量数据，方能实现主轴的健康预诊，还可一并监看加工与刀具磨耗状况，适时提出加工参数调整、预估刀具更换时机与机台预防性保养等。

「展望下一步，我们期望能创造『自主化主轴』，」郑志钧说，自主化主轴的多项智能中，主轴预诊即是其中一项，亦即机器具有自己预诊自己的能力，例如以主轴预诊而言，假设研判主轴轴承或重要零组件该做替换，便主动下单采购或安排保养以免影响整线稼动。总括而论，实现主轴智能化需要靠传感器，此取决于OT人知道有哪些物理量与轴承损坏相关，故由OT人负责开立传感器与DAQ规格，以达在适当的灵敏度、分辨率、带宽条件下(结合CT)，采集到可靠的信号，接着结合对应的演算法(IT人员)产生数据模型，由系统根据模型做推论，随时反映轴承的健康状态与剩余寿命。