機械資訊 733期
翻譯/蔡淑芬
大阪機械服務中心提供
 
課題
 
透過監視物體發出的聲音及振動，建立檢測物體發生異常的機制。透過這樣的機制，我們可以進行設備中發生異常的檢測、產品的檢查、品質的分析等等。
 
解決方案
 
透過聲音、振動等資料的收集，利用FFT計算其「重心」。此外，其計算結果透過品質工學的MT法，判斷是否發生異常。這一連串的處理的系統過程，由LabVIEW建構而成。
 
透過LabVIEW建構使用機械學習的異常檢測系統，使得品質工學提高，可以準確判斷錯誤。
 
背景
 
製造設備的故障、不良的發生，總是會讓人覺得在某些時候就會發生。但是事實上，這些設備的零件在最開始時便存在著質的變化，累積超過某一個臨界值的時間點上，就會一下子明顯爆出不良品的狀況出來。這樣質的變化在逐漸發展的時候，經由變化所伴隨著聲音及振動也細微地產生變化。若是可以捕捉到這些變化，在故障或是不良發生之前就更換零件，以這樣的方式進行維護保養，應該可以把影響減到最小。因此，這樣的維護保養又稱為預測性保養(Predictive Maintenance)。
 
事實上，從以前就有許多想要透過監測聲音、振動做為設備異常的檢查。但是異常的發生狀況各式各樣，所表現出來的變化也不可能每次都相同，因此「檢測到超過臨界值振幅(功率，power)的聲音或振動就視為有異常發生」的這個方法，是缺乏實用性的。另外也不是每次異常都會造成聲音或振動的振幅提高，另外由於不一定都會有振幅的大信號產生，所以臨界值的設定也變得困難。進而因為臨界值設定的不適切，使得異常檢測的時間被延遲了，因此可能潛在性大量地生產出現品質差的產品。
 
由於不能單靠監測振幅作為檢測的方法，因此開始轉向注意聲音、振動的頻率。目前已嘗試透過聲音和振動的信號採樣，利用FFT進行頻率分析，作為異常的檢測。確實與其使用FFT作為聲音、振動振幅的監測，FFT更適合用來進行頻率的分析。但是使用FFT進行分析時，只會得到頻率—振幅成組的大量數據。這意味著找出監測振幅方法的這個課題並沒有解決。和監測振幅的情況一樣，可能會有各式各樣的異常發生，也無法預測頻譜(Spectrum)會有什麼樣的變化產生。由於以上原因，以監測聲音及振動為基礎作為異常檢測系統，若想要達到實用性的階段，還需要相當大的努力才能達到。
 
課題
 
我們公司(AMANO)也是嘗試籍由聲音及振動來檢測異常的公司之一。我們製造的產品包括使用在工廠的吸塵器。這一類的吸塵器當過濾網被堵塞住時，抽吸力會降低。因此，我們希望能夠建立一個可以在過濾網堵塞前就能檢測出的機制，以便建議使用者在適當的時間就能夠更換過濾網。也就是說，這是屬於預測性保養的對應方法。
 
「透過以LabVIEW作為開發環境，可以在一週左右實現包括GUI等在內的所有功能。若是選擇其他的程式語言或是開發工具的話，可能就無法完成系統了。」
 
—鈴木真人 AMANO株式會社 開發本部 時間開發部硬體開發課 主管筆者參與了此項技術的開發。具體來說，我們透過監測吸塵器風扇所發出的聲音，來判斷過濾網的堵塞程度。目前，我們利用了其他的方法實現了預測性保養，筆者之後也繼續以個人的研究探討有關以聲音作為異常檢測的方法。其結果是將採樣得到的聲音信號，利用FFT計算並取得頻譜(spectrum)的「重心」。在這裡所指的「重心」，是由頻率軸方向的坐標和振幅軸方向的坐標表示。
 
在這裡使用重心的概念的理由如下所述。如果有出現任何的異常狀況，FFT計算求得之結果所顯示的頻圖出現變化的可能性也隨著增大。但是，具體而言會出現什麼樣的變化並不十分清楚。舉例來說，聲音的主成分信號的振幅的增加或減少在正常的情況下，不存在頻率的發生、或是噪音地平(Noise Floor)的上升。因為我們直接是監測FFT的結果，因此較難準確地掌握異常發生的象徵。相對地，若是可以注意重心，那麼這個問題便可以解決。原本FFT的結果會跟著變化而有波動，但在正常的情況下，其重心通常會在特定的位置附近出現。另外，當聲音來源發生變化時，不管是哪一種類的變化，即使變化量只有一點點，其表現出來的重心也會產生很大的位移。因此，便容易被檢測出來。
 
只是若只以重心為指標，並無法解決所有的問題。為了能和正常的狀況相比較，準確地進行臨界值判斷，也是多需要下點功夫。總之，重心若是在某個位置上是異常的話，相反地，在其他的某個範圍內可能就屬於正常，根據這樣的理論作為判斷的方法是有必要的。所以在這裡我們將介紹田口式品質工學的MT(Mahalanobis-Taguchi)法。MT法是有統計學者田口玄一所提出的「判別事物的方法」。
 
首先，先收集正常狀態的相關資料，並以此為基礎，定義為「均質特性群組」。在MT法中，此均質特性群組稱之為「單位空間」。此外收集的資料中，也可能存在幾個不同的「項目」。以FFT的重心來說，就具有頻率軸方向的座標及振幅軸方向的座標2個項目。在MT法中，項目的平均及標準差、項目間的相關係數為基準，可算出「馬氏距離(Mahalanobis distance)」的一次線性資料。這是各個資料從單位空間開始有多遠距離的指標(圖1)。若以馬氏距離(Mahalanobis distance)作為臨界值的話，可以得到新的資料(監測實際運作中裝置取得的聲音和振動數據)，並可以此判斷單位空間是否符合高精確度/信賴性(判斷的依據，可由設定的臨界值進行統計分析而得)。換句話說，以馬氏距離(Mahalanobis distance)為指標，確認單位空間是否遠離馬氏距離，可以精確地分辨出是處於正常狀態、或是異常狀態。另外，在這種方法中，將多個項目以馬氏距離(Mahalanobis distance)讓一次元資料的收集後，使為判斷依據，但是造成這個問題的原因是什麼(FFT頻譜有什麼樣的變化)，之後也可以再進行調查。
 
1.監測對象(各種裝置的零件等)在正常功能運作時，收集所產生的聲音及振動相關訊號為樣本資料。
2.取得的數據資料以FFT計算求得重心的座標值。
3.重複上述步驟取得多個重心座標數據。根據所收集的資料定義為單位空間。
4.實際運用在監測的對象物品時，取得操作時產生的聲音及振動數據資料。此外，並依序計算取得FFT重心及馬氏距離(Mahalanobis distance)。
5.將計算求得的馬氏距離(Mahalanobis Distance)與預定的臨界值作比較，判斷正常或異常。
依據上述步驟所做的，無非是基於機器學習(Machine Learning)來判斷良劣。在這個FFT-MT系統中，簡單透過FFT重心的訊息與品質工學MT法的結合，可以將判斷良劣的所需的計算量減少到最少。另外，根據以統計學的概率為基礎可以設定判斷值，在正常的狀況下判定為異常、在異常的狀況下，判定為正常的這樣情況的發生減到最少。此外，它具有能夠達到高度檢測力的特點，並且可以透過單位空間的設計來控制檢測的靈敏度。
 
解決方法(Solution)/效果
 
筆者決定開發一個模擬器來驗證FFT-MT系統的理論。在這個模擬器中，有一個發出信號的功能，可以模擬檢測對象的聲音。可以做的設定包括正常狀態發生時的信號、及異常狀態發生時的信號，如矩形波、三角波、鋸齒波等基本波形、基本波數、振幅、DC直流電偏移、噪音量等的設定。此外，也具備完成上述(1)~(5)步驟的功能。可以透過圖形客戶界面GUI (Graphical user interface)進行各種設定，並在螢幕上顯示FFT結果、重心位置、判斷結果等。我們使用National Instruments (NI)圖形開發平台“NI LabVIEW”來開發模擬器(圖2)。
 
和使用基本的程式語言不同，LabVIEW可以透過直接操作零件的安排來建構系統。能夠使用這樣的圖形開發手法是非常有魅力的。事實上，包括圖形客戶界面GUI等，我們可以在一週之內開發出FFT-MT系統的模擬器。能夠在這麼短的時間將其開發出來，是LabVIEW在信號處理、GUI等提供了眾多可實現的功能模組。估計若是選擇其他的程式語言或開發工具，可能就無法完成目前的系統了吧!
 
透過這個模擬器，可以用來驗證FFT-MT系統原理。另外，我們也建了一個和模擬器連接的收集信號硬體裝置，實際監測聲音及振動(圖3)。此硬體裝置可以使用任何的廠牌。當然，若是採用NI製的硬體裝置，搭配LabVIEW的使用，應該可以讓開發的生產性提高。此外，FFT-MT系統的計算量也可能達到最少。因此無需離線執行，透過在PC上的運算，幾乎可以即時得到結果。由此看來，也可以應用於預測性保養(Predictive Maintenance)。
 
已經有幾個使用FFT-MT系統的例子。適用的範圍包括：產品的檢驗、生產設備的預測性保養、品質的分析分法等多方面應用，以下將介紹具代表性的實例。
 
這是某家公司實際製造的音響設備。此產品的音質本身直接影響產品的品質。以往，是以人工直接試聽全部產品(全數檢查)，用聽覺判斷音質決定產品的良劣。這樣的聽覺檢查需要有數十位檢查員才能完成，因此這家公司便考慮將此項檢查自動化。因為是音質相關的檢查，公司決定採用FFT，但卻無法選擇並建構出適合的檢查系統。因此，筆者建議該公司使用FFT-MT系統。使用這種系統檢查後，在以往使用的方法檢查的樣品中，一樣可以把良品鑑別為良品、把不良品鑑定為不良品。但FFT-MT系統不僅是判斷產品的良劣，更可以分析原因。若是有連續的不良品產生的話，FFT-MT系統便可以找出生產設備的問題原因。
 
生產旋轉機械公司的實例。公司以往在旋轉機械的出貨檢查中，以旋轉次數是否能夠得到正確的扭力(Torque)作為檢查的重點。為了執行這樣的檢查，需要有相對應的規模設備。為了能代替這樣的檢查方法，於是導入了FFT-MT系統。在收集良品運作產生的聲音時，同時建立一個單位空間，超出此單位空間，則判斷不良品。這樣的話，準備一個麥克風，單純地進行旋轉操作，就可以進行非接觸式的檢測。如此一來，也不需要厚重的檢查裝備，亦可以大幅縮短檢查的時間。廢除現有的檢查方法是未來的方向，目前是新舊方法檢查結果的比較階段，比較的結果是新的方法是完美的。
 
此為某縣實驗工廠中，研究探討因車床加工生產的產品導致的表面粗糙惡化情形，希望能夠加以掌握。目的是希望在加工過程中，車刀惡化前可以早一步檢出，並即時更換，以防止大量不良品的產出。在這個實例中，不是注意聲音，而是監視振動以達到預測性保養。透過計算切削動力計上車床在X、Y、Z軸方向的振動，得到的數據資料以FFT-MT系統作判斷。即使產品表面粗糙度只差3μm，也可以檢測出來，判定有異常的情況發生。
 
若長時間對塑膠材料施以力量的話，會因為應力緩和現象而出現回復力及彈性變差。在本公司採用FFT-MT系統來作其品質分析。在假設應力緩和發生的同時，聲音及振動的傳導特性也隨著改變的情況下，採用FFT-MT系統來加以驗證。具體來說，使塑膠材料接觸擴音器，並使其振動發出聲音。在擴音器背面安裝加速度傳感器(Pick Up)，以收集振動的相關數據。在此狀態下，先以FFT-MT系統定義振動相關的單位空間。接著在高溫環境上，持續對塑膠材料進行加速試驗。在這之後取得FFT-MT系統的振動數據資料，可以得到「馬氏距離(Mahalanobis Distance)」。總之，因為應力緩和的原因，新產品明顯有不同傳導特性的狀態顯示出來。在這個實例中，使用FFT-MT系統也達到以非破壞檢查方法的可能性了!
 
今後的展開
 
經由以上的說明，如果使用FFT-MT系統可以達到以機器學習為基礎的預防性保養。另外也可以用作產品檢查的方法、品質分析方法等。FFT-MT系統是筆者個人努力而開發出來的系統，若有可能適用的用途，也希望可以自由地加以活用。在工業領域中，大數據(Big Data)及物聯網IoT (Internet of Things)的概念引起了極高的注意。但是僅僅透過資料的大量收集、或增加連接網路的相關設備來得到期待的結果是不可能的。如何分析所收集到的資料、以及其分析結果可以用來做什麼？或者從連接到網路的設備收集了什麼樣的訊息、又如何加以分析、且又如何回饋(Feedback)？這些才是重要的。MT法也可以說是大數據分析非常有效的方法。根據其分析的結果，可以進行判定、判別、診斷、認識及預測，更進一步，可以分析結果為基礎從而制定相關的流程，這樣也可以使得大數據及物聯網可以真正地開花結果了吧!
 
資料來源：NATIONAL INSTRUMENTS