文獻探討

Zhang Wei 研究團隊發表於 2015 年的 IEEE 文章中[2]，針對熱壓機做了 一套控制系統，熱壓機最重要的就是控制溫度、壓力與時間參數，導致熱壓 機自動化的程度低，因此該研究團隊以 PLC 為控制核心，並利用 Kingview 提供了良好的人機介面，負責監控設備與儀表等數據，而該系統經實驗可以

有效提高熱壓機的自動化水平，並降減少人力支出。如圖2-1 為該系統的架

構流程圖[2]。

圖 2-1 熱壓機監控系統架構流程圖

5

Mikel Canizo 研究團隊發表於 2019 年的 IEEE 期刊中[3]，介紹了 CPS 虛實整合系統，其目的是針對工業機器在真實的工作環境中進行監控異常檢 測，並透過實現工業沖壓機實際應用情況下，提出有效解決方案並且進行驗 證。該研究團隊利用雲平台負責將收集來的數據進行管理、處理與存留，其 中雲平台又分為三層：服務、速率與批次處理層，也藉由雲平台提供的服務，

可達成有效性及充分性和可擴展性。如圖2-2 為該系統的架構流程圖[3]。

圖 2-2 監控異常檢測架構流程圖

Ming Li 研究團隊發表於 2011 年的 IEEE 期刊中[4]，針對礦用輸送帶以 機器視覺的架構做一智能檢測系統，由於在礦山環境惡劣，輸送帶經常發生 問題，因此該研究團隊使用影像處理加強圖像，增強條紋的對比度，再利用 Otsu 演算法進行影像二值化，該團隊選擇皮帶損傷區域的尺寸，位置和形狀 參數作為圖像識別的基礎，並選擇40 個健康和 16 個受損的皮帶圖像作為實

驗測試，共取了四個損壞特徵分別為撕裂、刮痕、汙損及健康，如表2-1 為

該系統的影像測試結果[4]，而結果顯示該系統在於撕裂部分可以有效地識

別，而破損或刮痕在影像辨識上則較不易判別。如圖2-3 為該系統的整體架

構圖[4]。

6 Manufacturing Technology[5]文章中，提到以 CNN 針對工具機台軸承做故障 診斷系統，該團隊利用軸承轉速的不同，將資料進行神經網路建置模型，並 透過深度學習的方法測試模型、訓練模型，實現了可以一次對多種轉速完成

7

訓練並依照訊號的種類進行分類，並且達成目的可得知軸承的損壞狀況以及 軸承的耗損狀態。如圖2-4 為該系統的架構流程圖[5]。

圖 2-4 軸承故障診斷系統架構流程

由上述文獻探討可得知，監控系統對於工業的重要性，也了解到目前在 工業上對於機台的維護及預防是不可輕忽的，這不僅會影響到生產力，人力 資源也是成本的一部分，有了有效的系統可以排除人力出錯問題，也可以讓 產線順利運作，因此本研究建置了一套監控系統，不同以往的是，現在人人 都有手持裝置，本研究期望當系統偵測到異常情況，可以透過手持裝置發送 訊息，如此一來可以免除機台人員時時刻刻在機台前巡視，且將數據儲存至

資料庫，並且透過 Web 化方式，遠端即可了解目前各機台的運作狀態；另

外，本研究也延續了先前學者所使用的卷積神經網路方式針對機台因皮帶鬆 緊度不同所產生的振動行為進行分析，期望可以利用量測到的振動訊號來辨

8 保養(Preventive Maintenance, PM)，與定期保養最大的差別在於，可以提前知 道零件出現狀況，可以立即解決問題，在不影響機台運作的情況下達到有效