基於容器化技術之智慧型預測保養系統(IPM_C)

預測保養(PdM)能透過建立模型來預測機台何時需要保養以便能提前規劃，以確保產線正常運作，避免無預警當機之發生。原IPM系統的預測保養模組內之剩餘使用壽命(RUL)演算法為以指數模型為基的方法，存在缺失，導致預測RUL不準確。透過時間序列預測架構(Time Series Prediction Scheme, TSP Scheme)來取代原IPM系統預測保養模組內的RUL演算法，得以讓IPM系統在應用上更為精確。本團隊所研發的智慧型預測保養(IPM)，藉由時間序列預測架構(TSP)克服上述缺失，並運用容器化技術可快速佈署、快速故障移轉及輕量化等優勢，搭配雲端運算，可快速展開至全廠生產機台並有效地管理，且能確保生產品質。

　　為避免生產設備意外停機，就需要適當的維護。定期檢查和保養是一個簡單的方法，而此種方法又稱為預防保養(PM)。儘管如此，這種方法並不具有成本效益，因為若定期檢查的頻率訂定過於頻繁，將造成設備檢查人力之浪費和機台產能之損失。反之，若檢查間隔拉得過長，也可能導致無預警當機的發生。而預測保養(PdM) 能透過建立模型來預測機台何時需要保養以便能提前規劃，以確保產線正常運作，避免無預警當機之發生。此舉亦可同時提高製程能力與稼動率。

　　鄭芳田教授研究團隊所研發成功的智慧型預測保養(Intelligent Predictive Maintenance, IPM)系統如圖1所示，為一可適用於各式不同產業的通用型技術。目前已成功應用於半導體封裝、面板、太陽能、鋁輪圈與吹瓶機產業，可在關鍵零組件尚未發生故障前，預測出其零件未來可能發生異常等現象，使機台維修人員可據以事先採取必要之防範措施，進而有效地提高自動化設備的使用效能及妥善率。

IPM系統架構由IPM建模伺服器、IPM管理伺服器、與多個IPM伺服器所構成，其中IPM伺服器內含多個旗艦型智慧機上盒(Cyber Physical Agent, CPA)，在CPA內可嵌入一個預測保養模組。IPM系統可針對全廠多個欲監控之標的設備進行健康狀態監控。例如工廠內的一部生產機台，其內具有多個標的設備，若欲對此生產機台所有標的設備之健康狀態進行監控，就可委由一個IPM伺服器內的多個CPA來擷取標的設備之感測器資料與監控該多個標的設備；然後，再應用各個CPA內之預測保養模組進行健康狀況的監控與剩餘壽命預測。最後，系統亦可分別提供全廠階層式的管理與設備介面，讓使用者觀看所監控之機台健康狀態與其剩餘壽命。

　　然而原IPM系統的預測保養模組內之剩餘使用壽命(RUL)演算法為以指數模型為基的方法，存在缺失，導致預測RUL不準確。透過時間序列預測架構(Time Series Prediction Scheme, TSP Scheme)來取代原IPM系統預測保養模組內的RUL演算法，得以讓IPM系統在應用上更為精確。而本團隊又應用容器化技術可快速佈署、快速故障移轉及輕量化等優勢，搭配雲端運算來精進IPM系統架構，使其快速地平行展開至全廠生產機台並有效地管理，且能確保生產品質。

圖1 智慧型預測保養(IPM)系統

具時間序列預測演算法之IPM_C系統可解決傳統預測性保養所遇到的問題：

(1)應用信息準則所建立的時間序列模型，可解決一般預測保養所應用的指數預測演算法之無法預防突然當機及估計趨勢驟變所導致之模型失準的問題；

(2) 本技術之IPM_C系統經證實可準確地預測機台剩餘壽命，並告知使用者機台將在未來何時故障及機台是否有老化現象，透過剩餘壽命的估算，最大限度地延長機台正常運作時間；

(3)提供預警機制(PreAM)來避免無預警當機，透過預警燈號，減少生產線停機的損失，與降低維護成本和最大化生產時間來降低維護預算；及

(4) 提供死亡相關指數(DCI)，透過預測死亡值與當下的變化，以數據化來呈現機台與失效模式的相似程度，並估計 機台進入死亡狀態的可能性。

　　群創光電與銓寶工業已成功導入IPM_C系統。在群創乾蝕刻機台中已成功導入於16個Turbo pumps健康狀態監控，未來將進行全廠約170個Turbo pumps健康狀態監控。在銓寶工業已針對吹瓶機之5個不同關鍵零組件進行導入，並完成平行擴展之程序，整體投資報酬率為363%，產品導入回收期為7.8個月。