[发明专利]自动最佳化故障特征产生方法

说明书

本发明提供一种自动最佳化故障特征产生方法，经由本发明的流程，可以自动产生一个最佳化的通用故障特征，此故障特征可以提供给多种故障预测模型使用，以减少资料前处理的时间以及新模型开发成本。

技术领域

本发明涉及一种故障特征产生方法，尤指一种可自动产生最佳且在各种故障预测模型中均通用的故障特征的方法。

背景技术

工业4.0如暴风般强势地席卷而来，世界每一寸土无不狂热此一风潮，各领域相关业者摩拳擦掌，投入大量资源企图研发出跨时代的产品，期盼成为这个时代的驭风者。工业4.0正推倒着我们对过去的依倚；正颠覆着我们对现代的定义；正实现着我们对未来的希冀。

工业4.0终不脱离一个核心概念－「智慧化」，然而不同领域，相对地，对智慧化的阐述也各有不同。其中，制造业者的解释为「全无人化、全自动化」，意味着，制造业者期待在工业4.0完成全产线自动化生产。制造业者未来的蓝图，是用一座偌大的完全机械控制化工厂所绘成的壮美风景。但是，要达成完全无人化仍有一项难以克服的难题，即设备监控与故障排除，唯此阶段难以完全去除人力的介入。制造业者依然倾力研发相关设备监控与故障排除的方法，试图摆脱此瓶颈。

现今在设备监控上常使用关键参数(critical parameters,CP)搭配相关参数(associated parameters,AP)的辅助来判断设备的健康状态以及建立故障预测型，如美国专利申请号US 2016/0350671 A1揭示一种对系统及工艺进行动态更新及预测的模型，该申请案的特征在于通过多个感测器获取的数据，响应操作期间环境或监测数据的动态变化并动态地进行更新以生成新的概率模型，且可从目前使用中的概率模型中去除已被随后生成的概率模型所取代的概率模型。

不过，仅依单一关键参数常常无法完整且有效地诠释设备的健康状态，在此时需要其他相关参数的辅助。而要选择哪些相关参数，以及多少相关参数，目前并无一个有效或具有通用性的方法。

此外，预测模型开发需要极高的成本，不同的设备关键参数常常不一致甚至同类型零件的关键参数也不相同，其解决之道往往是更换一个新的预测模型、再开发一个新的预测模型或对原有的模型作大幅的修改，但这样的方式又要投入更多的资源来达到故障预测的目标。

因此，故障预测模型及相关的故障特征产生方法仍具有极大改善空间。

发明内容

本发明的目的之一在于解决过去在更换预测目标设备时，因缺乏关键参数或关键参数不适用既有故障预测模型，导致原有故障预测模型需要修改、甚至重新开发而导致成本浪费的问题。

本发明的另一目的在于提供一种故障特征，该故障特征具有高稳定性及通用性而适用在既有的故障预测模型。

为达上述目的，本发明提供一种自动最佳化故障特征产生方法，包括以下步骤：

步骤S1：将由至少一感测搜集器所搜集并储存的多笔初始资料进行筛选，形成一训练参数资料库与一测试参数资料库。

步骤S2：从该训练参数资料库与该测试参数资料库各自内含的该些初始资料中，分别区分出一关键参数以及一除了该关键参数之外的相关参数候选集合，再从该相关参数候选集合中鉴定出领先该关键参数的多个相关参数并对该些相关参数依一领先程度从一第一相关参数至一第n相关参数进行排序，其中n为一正整数。

步骤S3：从该训练参数资料库与该测试参数资料库中，分别将其中的该关键参数结合一个或多个该相关参数形成至少一训练自变数资料以及至少一测试自变数资料，并将该至少一训练自变数资料与一故障标记经一广义线性模型合成出至少一故障特征。

在一实施例中，步骤S3还包括根据该训练参数资料库中的该些资料建构产生该训练自变数资料中该关键参数与该些相关参数各自的权重。