#工業物聯網IIoT #工業4.0 #智慧工廠 #智慧製造 #人工智慧AI #馬達 #電流特徵分析
【電流特徵＋建立模型＋巡檢定位，多方會診設備健康狀態】
設備機台的維護有三個層次：事發修復、預防保養和預知保養。以構造簡單、成本低廉、應用廣泛的感應馬達為例，正確的預知保養並排除設備的初期故障，可節省 5～20% 能耗。理論上，馬達接近全載時效率最高，但實務上基於可靠度起見，寧可讓多台馬達以 50% 效率同時平行運轉，意謂有半數能源將被浪費！假如處於「半載運轉、但振動未達極限值」，效率會更低；且只量測振動無法評估設備運轉效能，須借助預知保養、依設備即時狀態進行維護。
此外，平行運轉會導致機組「掛點」的時間點相近，越早預知狀態、計算效率，以便及時修護或置換，越有助於備料、估算排程並避免額外損失，偏偏早期振動訊號的微幅上升難以察覺，唯有預知維護才能減少無預警停機。預知保養的檢測技術眾多、莫衷一是，各家互有長短、相輔相成。其中，「振動特徵分析」常用於檢知機械運作，目前業界大多參考 ISO 10816，對於不同的設備功率及基座安裝型式，訂有對應的振動速度方均根值上限及安全等級。
此法可以概括的得知機台的整體狀態，但無法進一步確認故障的成因，且無法預測突發式的故障。另一個方法是觀測振動頻譜，更能辨識問題環節；也有人會在機台安裝多個加速度計 (Accelerometer) 量測，然後從廠務端拉線至中控台、收集數據，但缺點是：硬體需求大、通訊成本高、須慎選量測點位置並排除環境嘈雜的干擾因素。振動頻譜分析在操作上常遇到的困境是：量測多少會干擾製程或現場工作，需要作業人員的配合，但現場人員對於頻譜分析未必有經驗。
這些消極方式僅能檢測會隨時間惡化的故障情形，無法應對突然跳機或已進入故障／失效末期、須立即處置者，且異常訊號易受干擾、數據分析需要專業奧援。於是，業界試圖從量測「電訊號」、冀透過「電壓／電流特徵分析」和以此為基礎的物理模型診斷設備，可直接從中央控制端擷取資料、省下設備端部署成本。高溫、高壓、粉塵皆容易引發感測器、致動器零部件或設備機構故障，可能是漸進、突然、間歇性發生，假如觀測時間不夠長，很難從設備端擷取訊號解析。
因此，建議以「電流特徵分析」對轉動設備進行長時間的連續監控，一旦檢知設備的異常情形，再輔以現場設備的「振動量測」或「頻譜分析」進行確認。電訊號十分敏感，且可估算能耗並回推電流負載率，監測供電品質。不過，訊號式終究只能檢驗設備機械異常，無法具體顯示異常狀況與能耗間的關係，用以維持設備運轉效率；若欲獲悉更明確的訊息或是早期預警，須輔以模型式診斷。電壓、電流可與振動檢測並行不悖，前者用以做連續性監測、發現異常後，再用手持式設備定位確認，遠較在各機台安裝許多加速度計更為實際。
延伸閱讀：
《「預知保養」防患未然，複合式檢測相得益彰》
http://compotechasia.com/a/feature/2018/1211/40617.html
(點擊內文標題即可閱讀全文)
#台灣科技大學機械工程系 #聆特科技
