台灣AI產業應用研究(2)-使用感測器數據來預測液壓系統故障
NTT DATA 擁有 AI 及智慧製造顧問團隊，並藉由自動化機器學習解決方案 IDI+（Intelligent Data Insight+），為客戶提供完整的 AI 解決方案導入顧問，協助客戶實現智慧製造及 AI 落地方案。
一、台灣工具機產業
工具機可分為金屬切削及金屬成型兩大類，在工具機產業的上下游，可以其零組件來區分，上游業者主要有鋼鑄鐵元件、傳動元件、五金零件、精密軸承、油壓及空壓零件、電控元件等；下游業者主要是工具機的應用產業，包含電子業、國防工業、機械製造業、國防工業、綠能產業等。
其中包括電動車、半導體、5G 設備的需求成長，也會帶動工具機產業的持續發展。台灣的工具機產業要在這個浪潮繼續佔有一席之地，除了把握自身的優勢之外，也積極透過人工智慧及物聯網等新技術，來提昇工具機的競爭力。本文將透過案例介紹與實作，來分享工具機產業業者如何透過 AI 來提昇機具的效能。
二、液壓系統故障預測
在製造業中最適合使用 AI 來解決的問題主要有以下四大種類：瑕疵檢測、自動化流程控制、預測性維護及原料組合最佳化，本文要探討的是「預測性維護」這項任務。在工廠裡，任何生產設備隨時都有可能發生故障，有些設備的故障成本很高，若在生產過程中損壞，會降低良率及產率。此外，有些耗材的成本較高，定期更換雖然能夠保證生產品質，但也會提高耗材的成本；但如果等到耗材損壞才更換，就會造成良率及產率下降。
因此，如果能透過生產過程中所記錄的相關資料，如機台資料（馬達轉速、電壓）、感測器資料（溫度、濕度）等，來預測生產設備的故障，進而判斷設備目前是否需要維修，藉由這些資料來預測機台狀況，將能夠大幅降低生產成本，也避免良率與產率降低。
在製造業中時常會需要使用液壓系統，但液壓系統的元件故障容易造成壓力不穩或失壓，進而影響生產品質。若能提前預測液壓系統元件的故障，將能大幅降低相關業者的生產成本。本文將探討如何使用 AI 來預測液壓系統元件的故障，並會以開放資料來做簡易的 demo。
三、用 AI 解決問題
想要預測液壓系統元件的故障，我們可以透過在液壓系統中透過感測器所蒐集到的資料，例如馬達功率、體積流量、壓力、溫度、振動頻率、冷卻效率、冷卻功率等感測器資料，來訓練一個深度學習（Deep Learning）的分類模型，針對每個週期所記錄的感測器資料來預測重要元件的狀態類別，進而判斷液壓系統是否故障。
我們可以將這樣的預測問題，轉變成一個分類（Classification）問題，依照感測器的數據來為重要元件的狀態進行分類，再依照分類結果來判斷液壓系統是否故障。
四、建議做法
我們將透過由 UCI Machine Learning Repository 提供的資料，使用液壓系統中感測器的資料（取樣頻率、馬達功率、壓力計、體積流量、溫度、振動頻率、冷卻效率、冷卻功率），來對四個重要元件的狀態進行分類，包括冷卻器、控制閥、液態泵及蓄壓器，以下將會分成 4 個步驟來進行預測模型的訓練。
1. 資料集準備
我們的訓練資料選擇使用液壓系統搜集的溫度資料：TS1.txt、TS2.txt、TS3.txt、TS4.txt，取樣頻率為每秒一次。共有 8820 筆 60 維的資料，我們將 80% 作為 training data，20% 作為 testing data。
我們使用四個重要元件（冷卻器 Cooler、控制閥 Valve、液態泵 Pump、蓄壓器 Accumulator）的狀態數據作為特徵（features）及系統穩定狀態（Stable Flag）來作為 label data。本文將使用冷卻器 Cooler 的狀態資料來作為示範，Cooler 有三種狀態：
3: close to total failure
20: reduced efficiency
100: full efficiency每個狀態的 label 數分佈為：
2. 模型建置
我們使用卷積層（Convolution Layer）及池化層（Pooling Layer）的組合來建置 CNN（Convolutional Neural Network）模型，下圖為模型架構。
3. 模型訓練與驗證
接著我們使用上一步驟建立的 CNN 模型來訓練資料，以下為我們的模型訓練設定：
- batch size: 16
- epoch: 10
- loss='categorical_crossentropy'
- optimizer='adam'
- validation_split=0.2
- verbose=2訓練過程：
4. 模型訓練結果
接著，將訓練好的模型對 testing data 做驗證：
從下方模型的 metric 可以看出，Cooler 三種狀態（3/20/100）的預測結果都很好：
從 Confusion Matrix 也可以看出分類預測的結果非常好：
五、結論
在工業4.0概念的推動下，工業製造開始與自動化設備、人工智慧、大數據雲端運算、智慧聯網等技術結合，發展成智慧製造的概念。以大數據雲端技術為基礎，搭配人工智慧與智慧聯網技術，輔以原有的自動化設備，以達成智慧工廠的願景。
本文藉由液壓系統故障預測的案例分享，讓讀者能對人工智慧的技術及在製造業的應用，有更深的認識與了解，若對於文章內容有任何問題，或是想更近一步了解 NTT DATA 的自動化資料科學解決方案 IDI+，都歡迎至粉絲專頁與我們聯繫，謝謝。
