本發(fā)明有關于一種預測系統(tǒng)與方法，且特別是有關于一種機臺零件剩余壽命預測系統(tǒng)與方法。
背景技術：
：生產(chǎn)制造預估是未來巨量數(shù)據(jù)的前五大垂直應用市場，約占10％。根據(jù)研究報告顯示，重要資產(chǎn)設備的故障是影響公司營運風險最關鍵的因素，若能成功利用數(shù)據(jù)分析來管理和維護資產(chǎn)設備，即可有效提升效率，進而可使大幅提高企業(yè)的競爭力。設備預診斷及健康管理技術藉由分析機臺數(shù)據(jù)來監(jiān)控和評估設備/零件的健康狀態(tài)，并根據(jù)健康狀態(tài)來決定出最佳的維護或更換時機，減少非預期性停機與維修頻率。若能夠準確預測出零件的剩余壽命時，就可以事先規(guī)劃維修排程，然而部分機臺的零件故障數(shù)據(jù)少，且老化故障模式具有高度的變異性，導致難以訓練出準確度高的預測模型。如何在少量的故障數(shù)據(jù)下，還能夠準確預測出零件剩余壽命，，是值得研究，以發(fā)展出符合現(xiàn)況需求的技術。技術實現(xiàn)要素：本發(fā)明有關于一種機臺零件剩余壽命預測系統(tǒng)與方法。根據(jù)本發(fā)明的一實施例，提出一種機臺零件剩余壽命預測系統(tǒng)。機臺零件剩余壽命預測系統(tǒng)包括一數(shù)據(jù)擷取單元(dataacquisitionunit，DAQunit)、一特征擷取單元、一對應函數(shù)生成單元、一相似度比對單元及一剩余壽命計算單元。數(shù)據(jù)擷取單元(dataacquisitionunit，DAQunit)用以取得一實時感測數(shù)據(jù)。特征擷取單元根據(jù)實時感測數(shù)據(jù)產(chǎn)生一估算樣本特征，并根據(jù)數(shù)個歷史感測數(shù)據(jù)產(chǎn)生數(shù)個訓練樣本特征。對應函數(shù)生成單元根據(jù)此些訓練樣本特征建立一對應函數(shù)。該對應函數(shù)表示此些訓練樣本特征與 至少一預測信息的對應關系。相似度比對單元根據(jù)此些訓練樣本特征，產(chǎn)生與估算樣本特征近似的k個近似樣本特征。剩余壽命計算單元根據(jù)此k個近似樣本特征，透過該對應函數(shù)取得對應于此k個近似樣本特征的k個預測信息中的至少一個，并根據(jù)此至少一預測信息，計算出一預測剩余壽命。根據(jù)本發(fā)明的另一實施例，提出一種機臺零件剩余壽命預測方法。零件剩余壽命預測方法包括以下步驟。取得一實時感測數(shù)據(jù)。根據(jù)實時感測數(shù)據(jù)產(chǎn)生一估算樣本特征，并根據(jù)數(shù)個歷史感測數(shù)據(jù)產(chǎn)生數(shù)個訓練樣本特征。根據(jù)此些訓練樣本特征建立一對應函數(shù)，該對應函數(shù)表示此些訓練樣本特征與至少一預測信息的對應關系。根據(jù)此些訓練樣本特征，產(chǎn)生與估算樣本特征近似的k個近似樣本特征。根據(jù)此k個近似樣本特征，透過該對應函數(shù)取得對應于此k個近似樣本特征的k個預測信息中的至少一個，并根據(jù)此至少一預測信息，計算出一預測剩余壽命。為了對本發(fā)明的上述及其他方面有更佳的了解，下文特舉較佳實施例，并配合所附圖式，作詳細說明如下：附圖說明圖1繪示金屬有機物化學氣相沉積(metalorganicchemical-vapordeposition，MOCVD)機臺的感測曲線圖。圖2繪示機臺零件剩余壽命預測系統(tǒng)的示意圖。圖3繪示機臺零件剩余壽命預測方法的流程圖。圖4繪示周期編號的歷史感測數(shù)據(jù)的示意圖。圖5繪示基底集合的示意圖。圖6繪示脫機后臺系統(tǒng)的示意圖。圖7繪示線上實時系統(tǒng)的示意圖。【符號說明】110：數(shù)據(jù)庫120：對應函數(shù)生成單元130：數(shù)據(jù)擷取單元140：特征擷取單元141：字典訓練器142：稀疏編碼器150：相似度比對單元160：剩余壽命計算單元1000：零件剩余壽命系統(tǒng)1000A：脫機后臺系統(tǒng)1000B：線上實時系統(tǒng)a1、a2、ai+1、ai+2：訓練樣本特征at：估算樣本特征atop1、atop2、atopk：近似樣本特征C1、C2、Ca1、Ca2：周期編號Catop1、Catop2、Catopk：近似周期編號CF：預測信心度L1、L2、L3：曲線RUL1、RUL2、RULi+1、RULi+2、RULa1、RULa2：訓練剩余壽命U1、U2：基底集合RULatop1、RULatop2、RULatopk：近似剩余壽命RULt、RULt’：預測剩余壽命S301、S302、S303、S304、S305、S306、S307、S308、S309、S310、S311：流程步驟X1、X2、X3、Xi+1、Xi+2：歷史感測數(shù)據(jù)Xt：實時感測數(shù)據(jù)具體實施方式為使本發(fā)明的目的、技術方案和優(yōu)點更加清楚明白，以下結合具體實施例，并參照附圖，對本發(fā)明作進一步的詳細說明。本發(fā)明可針對各種機臺的零件(例如半導體或發(fā)光二極管制造機臺的粒子過濾器(particlefilter))進行剩余壽命預測(remainingusefullifeprediction，RULprediction)。請參照圖1，其繪示金屬有機物化學氣相沉積(metalorganicchemical-vapordeposition，MOCVD)機臺的感測曲線圖。 以金屬有機物化學氣相沉積機臺為例，曲線L1為粒子過濾器執(zhí)行完一次行程(run)所搜集到的感測數(shù)據(jù)(sensordata)(即dp.filtervalues)。當感測數(shù)據(jù)的中的最大值超過30時，即代表粒子過濾器需要被更換掉。曲線L2為從粒子過濾器全新到被更換掉的一個周期(cycle)所搜集到的感測數(shù)據(jù)。曲線L3為對每個行程所搜集到的感測數(shù)據(jù)的最大值的紀錄曲線。金屬有機物化學氣相沉積機臺的粒子過濾器的剩余壽命預測就是預測在幾個行程之后，感測數(shù)據(jù)的最大值會發(fā)生超過30，后續(xù)將以曲線L3作為實施例詳細說明。請參照圖2及3，圖2繪示機臺零件剩余壽命預測系統(tǒng)1000的示意圖，圖3繪示機臺零件剩余壽命預測方法的流程圖。機臺零件剩余壽命系統(tǒng)1000包括一數(shù)據(jù)庫110、一對應函數(shù)生成單元120、一數(shù)據(jù)擷取單元(dataacquisitionunit，DAQunit)130、一特征擷取單元140、一相似度比對單元150及一剩余壽命計算單元160。數(shù)據(jù)庫110用以儲存各種數(shù)據(jù)，例如是一硬盤、一內(nèi)存、一可攜式儲存裝置或一云端儲存中心。對應函數(shù)生成單元120用以根據(jù)各種數(shù)據(jù)生成一函數(shù)。數(shù)據(jù)擷取單元130用以擷取各種數(shù)據(jù)。特征擷取單元140用以根據(jù)數(shù)據(jù)擷取特征。特征擷取單元140包括一字典訓練器141及一稀疏編碼器142。相似度比對單元150用以進行相似度比對。剩余壽命計算單元160用以進行各種計算程序。對應函數(shù)生成單元120、特征擷取單元140、相似度比對單元150及剩余壽命計算單元160例如是一電路、一封裝芯片、一電路板或儲存數(shù)組程序代碼的儲存裝置。數(shù)據(jù)擷取單元130例如是傳感器、傳輸線、或無線傳輸裝置。首先，在步驟S301中，由數(shù)據(jù)庫110取得數(shù)個歷史感測數(shù)據(jù)X1、X2、...、Xi+1、Xi+2、...。請參照圖4，其繪示周期編號C1的歷史感測數(shù)據(jù)X1、X2、X3、...及周期標號C2的歷史感測數(shù)據(jù)Xi+1、Xi+2、...的示意圖。每4個行程切割為一筆歷史感測數(shù)據(jù)。歷史感測數(shù)據(jù)X1、X2、X3、...、Xi+1、Xi+2、...各對應于一歷史剩余壽命RUL1、RUL2、RUL3、...、RULi+i、RULi+2、...。歷史剩余壽命RUL1、RUL2、RUL3、...、RULi+1、RULi+2、...可表示成剩余行程次數(shù)值或剩余百分比數(shù)值。舉例來說，某一周期執(zhí)行完第19次行程后即更換掉粒子過濾器，歷史感測數(shù)據(jù)為執(zhí)行完第5次行程時，所剩余行程次數(shù)值為14，剩余百分筆數(shù)值為73.6％(＝14/19)。接著，在步驟S302中，利用字典訓練技術(dictionarylearning)，特征擷取單元140的字典訓練器141根據(jù)此些歷史感測數(shù)據(jù)X1、X2、X3、...、Xi+1、Xi+2、...產(chǎn)生至少一基底集合U1、U2、...。字典訓練技術例如是K-SVD技術或線上字典訓練技術(onlinedictionarylearning)。請參照圖5，其繪示基底集合的示意圖。基底集合也是4個行程的感測數(shù)據(jù)。透過基底集合的線性組合，可以組合出任一歷史感測數(shù)據(jù)X1、X2、X3、...、Xi+1、Xi+2、...的近似值。然后，在步驟S303中，利用稀疏編碼技術(sparsecoding)，特征擷取單元140的稀疏編碼器142根據(jù)此些歷史感測數(shù)據(jù)X1、X2、X3、...、Xi+1、Xi+2、...產(chǎn)生數(shù)個訓練樣本特征a1、a2、...、ai+1、ai+2、...。稀疏編碼技術例如是matchpursuit技術、orthogonalmatchingpursuit技術或Lasso技術。各個歷史感測數(shù)據(jù)X1、X2、X3、...、Xi+1、Xi+2、...系為此些訓練樣本特征a1、a2、...、ai+1、ai+2、...的其中之一與基底集合U1、U2、...的線性組合。舉例來說，訓練樣本特征a1為矩陣[0，0.5，1，0，0，1，...]，歷史感測數(shù)據(jù)X1系為訓練樣本特征a1與基底集合U1、U2、...的線性組合。訓練樣本特征a2為矩陣[0，0，1.5，0，0，1，...]，歷史感測數(shù)據(jù)X2系為訓練樣本特征a2與基底集合U1、U2、...的線性組合。然后，在步驟S304中，對應函數(shù)生成單元120根據(jù)此些訓練樣本特征a1、a2、...、ai+1、ai+2、...建立一對應函數(shù)，此對應函數(shù)表示此些訓練樣本特征a1、a2、...、ai+1、ai+2、...與至少一預測信息的對應關系，預測信息包含此些訓練剩余壽命RUL1、RUL2、RUL3、...、RULi+1、RULi+2、...及此些周期編號C1、C2、...。各個周期編號C1、C2、...對應于不同操作周期。舉例來說，訓練樣本特征a1對應于訓練剩余壽命RULa1及周期編號Ca1，訓練樣本特征a2對應于訓練剩余壽命RULa2及周期編號Ca2，依此類推。然后，在步驟S305中，數(shù)據(jù)擷取單元130取得一實時感測數(shù)據(jù)Xt。接著，在步驟S306，特征擷取單元140的稀疏編碼器142根據(jù)實時感測數(shù)據(jù)Xt產(chǎn)生一估算樣本特征at。然后，在步驟S307，利用相似度比對技術，相似度比對單元150根據(jù)此些訓練樣本特征a1、a2、...、ai+1、ai+2、...，產(chǎn)生與此估算樣本特征 at近似的k個近似樣本特征atop1、atop2、...、atopk。相似度比對技術例如是k-nearestneighbor技術。請參照表一，其表示估算樣本特征at與訓練樣本特征a1、a2、...、ai+1、ai+2、...的相似度。透過估算樣本特征at與所有訓練樣本特征a1、a2、...、ai+1、ai+2、...進行相似度的計算后，針對相似度進行排序，即可得到最近似的k個近似樣本特征atop1、atop2、...、atopk。比較相似度估算樣本特征at與訓練樣本特征a10.569估算樣本特征at與訓練樣本特征a20.301估算樣本特征at與訓練樣本特征a30.0301......表一接著，于步驟S308中，相似度比對單元150根據(jù)k個近似樣本特征atop1、atop2、...、atopk，透過對應函數(shù)取得對應于k個近似樣本特征atop1、atop2、...、atopk的k個預測信息中的至少一個，例如是對應于此些近似樣本特征atop1、atop2、...、atopk的k個近似剩余壽命RULatop1、RULatop2、...、RULatopk及k個近似周期編號Catop1、Catop2、...、Catopk。然后，在步驟S309中，剩余壽命計算單元160根據(jù)此些預測信息(例如是近似剩余壽命RULatop1、RULatop2、...、RULatopk)計算出一預測剩余壽命RULt。在此步驟中，剩余壽命計算單元160對此些近似剩余壽命RULatop1、RULatop2、...、RULatopk進行一加權平均運算，以計算出預測剩余壽命RULt。在一實施例中，加權平均運算系根據(jù)反比于或正比于預測信息的關系進行。舉例來說，近似剩余壽命RULatop1、RULatop2、...、RULatopk的加權系數(shù)正比于周期編號Catop1、Catop2、...、Catopk的重復次數(shù)。舉例來說，請參照表二，其表示三個近似剩余壽命RULatop1、RULatop2、RULatop3與三個周期編號Catop1、Catop2、Catop3的情況。近似剩余壽命周期編號RULatop1＝18Catop1＝13RULatop2＝13Catop2＝13RULatop3＝17Caop3＝1表二周期編號Catop1、Catop2皆為13，重復了兩次。故近似剩余壽命RULatop1、RULatop2的加權系數(shù)應為近似剩余壽命RULatop3的兩倍。故預測剩余壽命RULt可以按照下式(1)計算。接著，在步驟S310，剩余壽命計算單元160更計算一預測信心度CF。預測信心度CF相關于預測信息的變異程度(例如是此些近似剩余壽命RULatop1、RULatop2、...、RULatopk的一變異程度)。近似剩余壽命RULatop1、RULatop2、...、RULatopk的變異程度越大時，預測信心度CF越低。以上述表二為例，預測信心度可以下式(2)進行計算。然后，在步驟S311中，剩余壽命計算單元160根據(jù)預測信心度CF調(diào)整預測剩余壽命RULt為預測剩余壽命RULt’。舉例來說，請參照表三，其表示前一次與這一次預測剩余壽命RULt的情況。由于前一次的預測信心度CF較高，故以前一次預測剩余壽命RULt(＝15.8)減一次作為調(diào)整后的預測剩余壽命RULt’(14.8)。表三在一實施例中，零件剩余壽命預測系統(tǒng)1000可以分為脫機后臺系統(tǒng)1000A與線上實時系統(tǒng)1000B。請參照圖6及圖7，圖6繪示脫機后臺系統(tǒng)1000A的示意圖，圖7繪示線上實時系統(tǒng)1000B的示意圖。脫機后臺系統(tǒng)1000A包括數(shù)據(jù)庫110、對應函數(shù)生成單元120及特征擷取單元140。脫機后臺系統(tǒng)1000A用以執(zhí)行步驟S301～S304。線上實時系統(tǒng)1000B包括對應函數(shù)生成單元120、數(shù)據(jù)擷取單元130、特征擷取單元140、相似度 比對單元150及剩余壽命計算單元160。脫機后臺系統(tǒng)1000A用以執(zhí)行步驟S305～S311。根據(jù)上述實施例，零件剩余壽命預測系統(tǒng)1000及脫機后臺系統(tǒng)1000A可以從零件的歷史感測數(shù)據(jù)X1、X2、...、Xi+1、Xi+2、...，訓練出基底集合U1、U2、...，再將歷史感測數(shù)據(jù)X1、X2、...、Xi+1、Xi+2、...表示成訓練樣本特征a1、a2、...、ai+1、ai+2、...。然后，可以訓練剩余壽命RUL1、RUL2、RUL3、...、RULi+1、RULi+2、...及周期編號C1、C2、...作為預測信息，來建立訓練樣本特征a1、a2、...、ai+1、ai+2、...與此些訓剩余壽命RUL1、RUL2、RUL3、...、RULi+1、RULi+2、...及周期編號C1、C2、...的對應關系，例如是「訓練樣本特征a1對應于訓練剩余壽命RULa1及周期編號Ca1，訓練樣本特征a2對應于訓練剩余壽命RULa2及周期編號Ca2，依此類推」。零件剩余壽命預測系統(tǒng)1000及線上實時系統(tǒng)1000B可以將實時感測數(shù)據(jù)Xt表示成估算樣本特征at，并找出與此估算樣本特征at近似的k個近似樣本特征atop1、atop2、...、atopk。再利用k個近似剩余壽命RULatop1、RULatop2、...、RULatopk，以加權平均方式計算出預測剩余壽命RULt及預測信心度CF。最后，再根據(jù)預測信心度CF，來調(diào)整預測剩余壽命RULt。綜上所述，雖然本發(fā)明已以較佳實施例公開如上，然其并非用以限定本發(fā)明。本發(fā)明所屬
技術領域：
中具有通常知識者，在不脫離本發(fā)明的精神和范圍內(nèi)，當可作各種的更動與潤飾。因此，本發(fā)明的保護范圍當以權利要求的保護范圍為準。當前第1頁1 2 3