沖床之智慧異常偵測與即時監控系統

全文

(1)國立臺灣師範大學機電工程學系碩士論文指導教授：吳順德博士沖床之智慧異常偵測與即時監控系統 Intelligent Anomaly Detection and Real Time Monitoring of Press Machine. 研究生：方姿晴. 中. 華. 民. 國. 1. 0. 撰. 8. 年. 八. 月.

(2) 摘要隨著工業 4.0 時代的來臨，已經有許多智慧製造相關技術被運用在各行各業中。其中對台灣經濟影響甚鉅的，是逐漸從傳統產業走向現代化製程的的製造業。而各式機台設備，正是製造業最重要的生產核心。製造業的機台若因零件磨損，將造成機具故障生產中斷，甚至工安意外，對業主及操作者將造成巨大的損失。為避免這些狀況，通常業主會定期對機台作保養維護，採用定期維護之策略，其缺點不僅耗時耗力，而且一些預料之外的異常情形也經常發生，從而造成產線的生產力下降甚或引發工安意外。因此，本研究提出一個智慧異常偵測與即時監控系統來解決前述之問題。本系統包含兩個子系統，一是即時監控系統，另一個是智慧異常偵測系統。即時監控系統主要是處理一些特徵明顯且取樣率較低的製程參數，例如：電壓、電流、溫度以及壓力等，當系統參數超出某些預設閥值時，會自動透過 Line 機器人通知相關負責人。至於智慧異常偵測系統主要是處理一些特徵不明顯且訊號變化快速以及需要高取樣率的訊號，例如：機台的振動訊號等，本研究利用加速規及資料擷取卡擷取不同轉速下，不同皮帶鬆緊度的機台振動訊號，然後再以卷積神經網路進行分類器的建模，實驗結果顯示，利用機台的振動訊號，可以有效偵測皮帶過鬆或過緊之異常狀況，其準確率高達 98%以上。期望本研究智慧異常偵測與即時監控系統能夠提升台灣沖床機台的附加價值。. 關鍵字：振動分析、異常偵測、即時監控系統. i.

(3) Abstract With the advent of the Industry 4.0 era, many smart manufacturing related technologies have been used in various industries. Among them, the industry that has a great impact on Taiwan’s economy is the manufacturing industry, which is gradually moving from traditional to modern processes. This shift results in all kinds of machinery becoming the most crucial, core equipment in the manufacturing industry. If the parts of the machinery are abnormal or overused, accidents may even happen in the workplace and the productivity was decreased. It often results huge losses for the company. In order to avoid such situations, the company usually maintains its machinery on a regular basis, or inspected by experienced technicians. The aforementioned method is cost intensive, in addition, some unexpected fault of machinery often occurs. In regards to this, an intelligent anomaly detection and real time monitoring system is proposed to solve the aforementioned drawbacks.. The proposed system consists of two parts: a real time monitoring system and an intelligent anomaly detection system. The real time monitoring system deals with the signals with low sampling rate such as current, voltage, temperature and pressure. These signals are collected by the corresponding sensors and transmitted to server via programming logic device. The employees will receive an alarm message when the values of signal excess some predefined values. The intelligent anomaly detection system deals with the signals with high sampling rate such as vibration signals. The vibration signals are collected by accelerometers and transmitted to server via data acquisition device. The convolutional neural network ii.

(4) is used as a classifier to detect the anomaly of the belt of the press machine. The experimental results show the proposed intelligent anomaly detection system has a high accuracy (98%) to distinguish the different anomalies of belt. We hope that this study can improve the added value of press machine and contribute to the field of the smart manufacturing.. Keyword：Vibration analysis, Anomaly detection, Monitoring system. iii.

(5) 誌謝時光飛逝，兩年的碩士生涯即將告一段落，在此想感謝一路以來曾經幫助我的所有人。首先，非常地感謝在師大遇到了我的指導教授吳順德老師，在碩士期間對我的指導與督促，老師總是很用心且熱情地對待每位學生，不管有任何問題都可以找老師商討，也總是會得到最大的幫助與鼓勵，在研究過程中，老師也會從旁觀察，再利用引導的方式，適時地提出關鍵的建議，好讓研究得以順利進行。在此，十分地感謝王俊傑博士與呂有勝教授，百忙之中願意撥空擔任學生的口試委員，給予學生的指教與建議，讓本論文能夠更加完善。在求學期間，能夠遇到互相學習的夥伴是很好的事情。在訊號處理實驗室的成員我想感謝郭柏賢學長，對於我剛開始來師大念書的時候給予的協助，以及實驗遇到困難時教我如何善用方法解決；感謝辛承宣學長，教會了我很多學術上的事情，以及學習的態度是我最崇拜的；感謝我的同學楊松儒，在課業上的協助與平時事務上的幫忙；感謝我的學弟李旻祐、謝孟寰與嚴謹，在實驗上給予我的協助與幫忙，以上對於大家的幫忙，由衷地感謝與感恩。感謝我的大學指導教授呂全斌老師，即便已經畢業，仍然會保持聯繫，關心每一位畢業後分散在各地的大家，想當初如果沒有老師，從旁指引我方向，可能就不會有現在的我，心裡充滿著對老師的感謝與感動。最後，感謝我的家人，讓我無後顧之憂地在台北專於學術研究，期望未來有能力時，可以完善地照顧好家人及回饋社會。方姿晴謹誌於國立臺灣師範大學. 機電工程學系研究所. 中華民國一百零八年七月 iv.

(6) 目錄摘要 ......................................................................................................................... i Abstract ................................................................................................................... ii 誌謝 ....................................................................................................................... iv 目錄 ........................................................................................................................ v 表目錄 .................................................................................................................. vii 圖目錄 .................................................................................................................viii 第一章緒論 ........................................................................................................ 1 1.1 前言 ......................................................................................................... 1 1.2 研究動機與目的 ..................................................................................... 2 1.3 論文架構 ................................................................................................. 3 第二章文獻回顧與沖床背景之介紹 ................................................................ 4 2.1 文獻探討 ................................................................................................. 4 2.2 工具機零件與保養的重要性 ................................................................. 8 2.3 沖床之背景介紹 ..................................................................................... 9 2.4 沖床之傳動系統 ..................................................................................... 9 第三章人工智慧理論介紹 .............................................................................. 11 3.1 機器學習(Machine Learning) .............................................................. 11 3.2 深度學習(Deep Learning).................................................................... 12 3.3 卷積神經網路(Convolutional Neural Network)................................. 14 3.3.1 LeNet 模型 ................................................................................. 15 3.3.2 AlexNet 模型.............................................................................. 15 3.3.3 卷積層(Convolution Layer) ....................................................... 16 3.3.4 池化層(Pooling Layer) ............................................................... 17 v.

(7) 3.3.5 Dropout ....................................................................................... 17 3.3.6 全連接層(Fully Connected Layer) .......................................... 18 第四章研究方法 .............................................................................................. 19 4.1 即時監控系統 ....................................................................................... 19 4.1.2 機台連線與通訊協定 ................................................................ 20 4.1.3 資料接收 .................................................................................... 22 4.1.4 資料庫與 Web browser ............................................................. 22 4.1.5 LINE BOT 官方機器人 ........................................................... 24 4.2 卷積神經網路之異常偵測系統 ........................................................... 25 4.2.1 採集資料 .................................................................................... 25 4.2.2 前處理 ........................................................................................ 26 4.2.3 建模 ............................................................................................ 29 4.2.4 訓練與驗證模型 ........................................................................ 30 第五章實驗結果 .............................................................................................. 31 5.1 通訊介面整合於 Line Bot 機器人發送異常訊號與 Web browser 數據可視化 ...................................................................................................... 31 5.2 沖床之智慧異常偵測 ........................................................................... 34 第六章結論 ...................................................................................................... 41 6.1 結論 ....................................................................................................... 41 6.2 未來展望 ............................................................................................... 41 參考文獻 .............................................................................................................. 42. vi.

(8) 表目錄表 2-1 影像測試結果 ....................................................................................... 6 表 2-2 保養管理 ............................................................................................... 8 表 3-1 學習方法之常見演算法 ..................................................................... 12 表 4-1 Modbus 與 Fatek 的通訊編碼 ............................................................ 21 表 4-3 儀器資料之欄位設計 ......................................................................... 23 表 4-4 數據資料之欄位設計 ......................................................................... 24 表 5-1 Channel 1 資料之混淆矩陣 .............................................................. 35 表 5-2 Channel 2 資料之混淆矩陣 .............................................................. 36 表 5-3 Channel 3 資料之混淆矩陣 .............................................................. 37 表 5-4 Channel 4 資料之混淆矩陣 .............................................................. 38 表 5-5 Channel 1~ Channel 4 資料之混淆矩陣 ......................................... 39 表 5-6 平均正確率 ......................................................................................... 40. vii.

(9) 圖目錄圖 2-1 熱壓機監控系統架構流程圖 ............................................................... 4 圖 2-2 監控異常檢測架構流程圖 ................................................................... 5 圖 2-3 輸送帶檢測系統的整體架構 ............................................................... 6 圖 2-4 軸承故障診斷系統架構流程 ............................................................... 7 圖 2-5 傳動結構 ............................................................................................. 10 圖 3-1 深度神經網路架構 ............................................................................. 13 圖 3-2 LeNet5 架構圖 .................................................................................... 15 圖 3-3 AlexNet 架構圖 .................................................................................. 15 圖 3-4 卷積層示意圖 ..................................................................................... 16 圖 3-5 二維張量最大池化示意圖 ................................................................. 17 圖 3-6 Dropout 結構圖 .................................................................................. 18 圖 3-7 全連接層示意圖 ................................................................................. 18 圖 4-1 型號 FBS40MCT PLC ....................................................................... 19 圖 4-2 加速規 ................................................................................................. 19 圖 4-3 即時監控異常偵測系統流程圖 ......................................................... 20 圖 4-4 主僕定位與通訊互動關係 ................................................................. 20 圖 4-5 Visual Studio 程式開發平台 ............................................................. 21 圖 4-6 三向交握(Three-way Handshake)示意圖 ......................................... 22 圖 4-7 CSV Table 格式 ................................................................................. 23 圖 4-8 數據處理流程 ..................................................................................... 23 圖 4-9 Token 序號 .......................................................................................... 24 圖 4-10 User ID ............................................................................................. 25 圖 4-11 機器學習之預防診斷系統流程圖 ................................................... 25 viii.

(10) 圖 4-12 訊號取樣示意圖 ............................................................................... 26 圖 4-13 取樣方向示意圖 ............................................................................... 26 圖 4-14 混疊效應示意圖 ............................................................................... 27 圖 4-15 前處理流程圖 ................................................................................... 27 圖 4-16 降取樣與訊號切割示意圖 ............................................................... 28 圖 4-17 標籤示意圖 ....................................................................................... 28 圖 4-18 模型架構圖 ....................................................................................... 29 圖 4-19 訓練與驗證模型的流程圖 ............................................................... 30 圖 5-1 欲監控 PLC 之暫存器設置介面 ....................................................... 31 圖 5-2 連線並監控之介面 ............................................................................. 32 圖 5-3 LINE BOT 設定介面 ......................................................................... 32 圖 5-4 設定欲監控的資料 ............................................................................. 33 圖 5-5 LINE BOT 通知訊息 ......................................................................... 33 圖 5-6 展現於 Web Browser 之數據表 ........................................................ 34. ix.

(11) 第一章緒論 1.1 前言在生活中，沖床加工扮演著不可或缺的角色。尤其在工業上，小至寶特瓶大至汽車板金都需要靠著沖床沖壓成型。因此沖床在加工製造業是非常關鍵的。但若當沖床在運作時有異常，時常必須等到故障、停止運作了才會被發現，這樣的情況會對整條產線造成不小的損失。就像人類需要定期的做健康檢查，而對於這些每天都在運作的工具機來說，也需要定期檢查，才能達到預防勝於治療的效果。先前學者曾提及機械在運轉情況下會發生漸進式的故障，也就是初期出現異常徵兆時，若未及時處理可能造成後續嚴重故障[1]。故我們應在機械出現微小異常時，便維護整理，以實現「預知保養」。. 工具機台本身都會記載著各種數據或是設定參數等，在這個大數據的時代，若是只靠人工方式記錄後再分析，不僅人工容易記錄錯誤，造成分析結果出現誤差，也會降低生產效率，若是有一套系統能有效的在機台運作時，將所有數據上傳到資料庫，再利用圖表方式，令使用者一看便知機台運作是否有出現異常，將會大幅提升生產效率，且錯誤率也會降低。因此，本研究一者為避免在沖床時因機械故障而導致後續程序中斷，二者同時可兼顧數據監控並達到異常時立即發送訊息告知機台人員，提早知道數據異常，以便後續處理，因此，開發了一套系統沖床即時監控與異常偵測系統，將上述兩者需求結合，必能減少許多的人力資源的花費，並且增加產能，帶來極高的效益。. 1.

(12) 1.2 研究動機與目的近年來面對製造業殘酷的競爭，在專業人力資源短缺、客戶客製化需求增加等挑戰下，勢必要做一些改變才能不被市場淘汰，不只是人的能力必須提升，在工作的機台，也需要提升更好的能力，產能才能提升。一般工具機台可能一天工作時間都超過 12 小時，甚至是 24 小時不停運作，要如何確保機台正常運作以及讓產線順暢，這是非常重要且值得探討的問題。. 為了維持穩定的產線產能，本研究開發一智慧異常偵測與即時監控系統，本系統可以在機台運作的期間監控某些重要的機台參數，在參數異常時透過 Line 即時通知相關負責人，以維持機台的高妥善率，增進生產效率。另一方面，本研究利用加速規量取機台的振動訊號，並運用卷積神經網路 (Convolutional neural network, CNN)的特徵抽取與學習模型的特性，針對機台傳動系統中的皮帶鬆緊狀態進行分析，期望可以得到皮帶鬆緊度與振動特徵有無相關性，本研究所開發之系統以 Google Brain 團隊提供之開源函式庫 TensorFlow 進行實現，該函式庫擁有速度快、自由度高、開發容易、支援多平台等優點，並能使用 GPU 進行運算加速，減少開發過程中所需的模型訓練時間，配合上述自行設計的監控系統，當機台監控到的數據產生異常，將會透過手持裝置將異常的訊息發送給機台人員，達到預防診斷期望。. 實驗結果證實，本研究成功開發一異常檢測系統，也證實振動特徵確實與皮帶有相關性，期望該系統可以協助機台人員在緊急時刻，可以做出及時的維護以及保養。. 2.

(13) 1.3 論文架構本論文分為六個章節，分別為：第一章緒論，說明本論文的研究動機與目的；第二章文獻回顧與沖床背景相關知識；第三章研究方法與系統架構簡介；第四章說明整個實驗的架構及實驗結果的呈現；第五章總結整個研究的貢獻以及未來有可能發展的方向。. 3.

(14) 第二章文獻回顧與沖床背景之介紹本研究主要針對沖床加工的數據可視化且一有異常即刻發送訊息告知機台人員，並針對機台的皮帶做振動分析，找出振動訊號中是否與皮帶的鬆緊有相關性。本章節主要敘述過去針對在加工機台上所使用的監控系統。本章節將分為：(1)文獻探討；(2)工具機零件與保養的重要性；(3)沖床之背景介紹；(4)沖床之傳動系統。. 2.1 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 4.

(15) 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]。. 5.

(16) 表 2-1 影像測試結果 Type. Area Number. Test Result. Accuracy (100%). Tearing Region. 20. 18. 90. Scratch Region. 20. 12. 60. Deface Region Healthy Belt. Average Running Time(/s). 0.418 20. 9. 45. 40. 38. 95. 圖 2-3 輸送帶檢測系統的整體架構. Bo-Xian Guo 研究團隊發表於 2018 年的 Precision Machinery and 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. 6.

(17) 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. 7.

(18) 識皮帶的鬆緊度，當系統偵測皮帶異常時便立即進行皮帶更換，不需等到維護時間到才進行處理，以增進系統的妥善率。. 2.2 工具機零件與保養的重要性工具機台(Machine Tool)是所有工業中最重要的生產工具，在機台中各式各樣大大小小的零件都扮演著很重要的角色，即便是一個小螺絲釘都有可能在機台的運作過程中出錯，甚至是影響產品的品質。在過去對於機台的維護方式可能只有在定期檢測時，才發覺某些零件該換、該修理，或是直接等到機台發出異常聲音，甚至機台直接停止運作時，才知道有零件損壞，這種情況通常不只會造成產線運作不順暢，並且要額外花時間找問題。隨著時代的進步，現在的保養有了更進階的方式，稱為預知保養(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保養的目的。表 2-2 為傳統與現代的保養方式。表 2-2 保養管理保養方式損壞. 機台發出異常聲音/停機才知道零件已損壞. 定期. 定期更換零件. 預知. 透過感測器提前知道零件異常來源與狀況. 傳統. 現代. 8.

(19) 2.3 沖床之背景介紹沖床即為一種沖壓式的壓力機，加工方式主要是運用模具針對板材施以壓力，使其能夠塑形，得到所要求的形狀與精度，用途廣泛，從五金加工、電子、通訊、交通工具等，皆需要靠著沖床沖壓成形，也因此沖床在傳統產業上扮演的角色是不容小覷。從驅動上又可分為機械式與伺服沖床兩種，前者最常見的就是由馬達帶動的曲軸來使滑塊移動，不論是否有加工，飛輪都會持續運轉，待加工時再用離合器使飛輪帶動滑塊運轉；後者則由伺服電機來驅動，沒有飛輪與離合器，要加工時驅動器才會運轉，可以依加工特性決定滑塊在不同位置的速度曲線，進行較困難的加工。本研究使用的驅動方式為前者，以下將仔細介紹沖床的傳動系統。. 2.4 沖床之傳動系統傳動系統在機台中是機床組成的重要部分，主要作用是傳遞運動與力，其中馬達更是沖床的動力來源，而皮帶則是將馬達能量傳遞至飛輪，雖然看似不起眼，但卻是不可或缺的零件，如圖 2-5 為機台的傳動結構。. 9.

(20) 圖 2-5 傳動結構由於皮帶的負載量大，且運作時間長，磨損、鬆弛…等情況是不可避免的，基本上在機械零組件的定期保養是每個月檢查一次皮帶張度，以及每半年重新調整鬆緊度，為了得知皮帶的磨耗程度與鬆弛情況且達到預防的目的，本研究藉由安裝於機台上的加速規量取機台的振動訊號，並利用卷積神經網路進行建模分析，觀察振動訊號是否與皮帶的鬆緊度有相關性，並據此設計智慧異常偵測系統以達成預防保養的目的。. 10.

(21) 第三章人工智慧理論介紹人工智慧（Artificial Intelligence, AI）係指可以讓計算機、機器人或者產品模仿人類的能力，也是研究人類大腦在試圖解決問題時如何思考、學習和決定的方法，目的是讓機器可以仿照人類思維模式去運行。被譽為人工智慧之父的艾倫·圖靈於 1950 年發表了 Computing machinery and intelligence 一文章[9]，探討「機器是否能夠思考」，儘管思考本身是很難定義的事情，圖靈仍透過模仿遊戲(Turing Test)利用電腦模仿人類交談遊戲，來判斷機器是否像於一樣有著思考能力，這同時也開啟了人工智慧重要的思想來源，而現在人工智慧已經大量廣泛的應用在各種地方，例如：影像辨識、語音辨識、自然語言辨識…等等皆是。. 3.1 機器學習(Machine Learning) 機器學習主要是將大量的資料，再根據運行的規則，讓機器在訓練過程中，找到有用的函數(Function)或關聯性後，進行統計與歸納，並利用它來做預測。其中，機器學習的種類又分為以下四種：(表 3-1 為各學習方法之常見演算法). 1.. 監督式學習(Supervised Learning) 給定的訓練資料中，必須有資料特徵與紀錄明確標籤(Label)，而機. 器會透過有標記過資料的特徵去進行學習，以建構預測模型，此種方法也是訓練神經網路或決策樹時最常見的技術。 2.. 非監督式學習(Un-Supervised Learning). 11.

(22) 訓練資料可以不需要經過標記即可實作，機器會自行找尋資料中的特徵，並進行分類，此種方法不需要人工進行分類，可以大幅減少人力成本，但其結果就不像監督式學習來得準確。 3.. 半監督式學習(Semi-Supervised Learning) 介於監督學習與非監督學習之間，在訓練資料中有的有紀錄標籤，. 有的則無，機器會依據有標記過資料的特徵去辨識，及將剩下未標記的資料也進行分類，因為已經有辨識的依據，所以預測結果通常會比非監督式學習來得準確。 4.. 強化式學習(Reinforcement Learning) 機器不斷透過每次的正確或錯誤的學習，再根據反饋的好壞逐步地. 修正，以取得最大化的預期效益，而最後得到的結果當然也會越來越準確。表 3-1 學習方法之常見演算法學習方法. 常見演算法. 監督式學習 Supervised Learning 非監督式學習 Un-Supervised Learning 半監督式學習 Semi-Supervised Learning 強化式學習 Reinforcement Learning. 反向傳遞神經網路 Back Propagation Neural Network 分群演算法 K-Means Clustering 拉普拉斯支援向量機 Laplacian SVM 時間差學習 Temporal Difference Learning. 3.2 深度學習(Deep Learning) 深度學習是執行機器學習的技術，主要是利用模仿人腦的「神經網路」 (Neural Network, NN)來學習大量資料的方法，其中 NN 是由多個神經元所組 12.

(23) 成，一個神經元的基本組成是由變數、權重(Weight)、誤差(Bias) 與激勵函數(Activation function)。如圖 3-1 為一個深度學習神經網路(Deep learning neural network)基礎架構[10]，經由模型化的神經網路是由「輸入層」 (Input layer)、「隱藏層」(Hidden layer)與「輸出層」(Output layer)等所建構而成。. 圖 3-1 深度神經網路架構. 神經網路堆疊的越深，常常會導致梯度消失(Vanishing Gradient)的問題，而近幾年，梯度消失的問題因為預訓練方法[11]的提出已得到解決。運用高效能圖型處理器進行神經網路訓練的方法，也大幅縮短了網路的訓練時間 [12]。以下大略介紹對深度學習領域影響深遠的兩門技術： 1.. 預訓練方法梯度消失問題是由於深度神經網路利用反向傳播算法進行優化時，. 其用於估算模型完成度的誤差值，在接近輸出層之處雖然正常運作，但越接近輸入層，誤差卻越稀薄的狀況，這個問題導致了前段模型訓練上的困難，進而影響了這個模型的訓練效率。預訓練方法透過將深度神經網路中的每一層視為一個非監督式的單層神經網路，對其進行個別訓練. 13.

(24) 之後再利用反向傳播算法進行優化，藉此降低梯度消失問題對訓練過程的影響，有效提高了深度神經網路的訓練效率。 2.. 圖形處理器(Graphics Processing Unit, GPU) 隨著深度學習架構的逐漸成熟與訓練方法的改良，為了能讓深度習. 架構發揮更大的效益，利用 GPU 加速網路訓練速度的作法被提出，透過大規模的平行處理程序，可以將訓練速度有效提升，在 Raina, Rajat 等人發表的論文[12]中，使用 GPU 與雙核心 CPU 的訓練速度甚至達到 15 倍的差距。. 3.3 卷積神經網路(Convolutional Neural Network) 本研究使用的是深度學習網路架構中的 CNN，以卷積層配上全連接層的方式架構出網路，且透過卷積核對特定訊號敏感的特性，能夠找尋出資料的特徵。CNN 為眾多神經網路中的一種，對於圖像辨識擁有良好的效果，通常做法為在傳統的全連接層之前加入卷積層及池化層，網路透過卷積層擷取特徵，再透過池化層進行重新取樣，降低取得圖像的解析度，減少資料量。適用此方法的資料通常有降取樣之後趨勢不變以及同一特徵出現在資料中任何位置皆具有同等效力的特性。採用 CNN 可以改善傳統機器學習領域在訓練之前，需要透過各種方式擷取不同形式的特徵，並測試其對模型之效力，找尋有效特徵的繁複過程，在 CNN 訓練過程中，使卷積核特性不斷進行變化，找尋能夠濾出適當資料特徵的濾波器。訓練完成後，在 CNN 運算過程中，資料會與多個在訓練中選定的濾波器進行卷積取得特徵，之後傳入全連接層中更進一步的運算。. 14.

(25) 3.3.1 LeNet 模型如圖 3-2 為 Yann LeCun 於 1998 年在論文[13]中提出的 LeNet5 模型，也可以說是 CNN 的基礎架構，LeNet5 主要由輸入層(Input Layer)、卷積層 (Convolution Layers) 、降採樣層 (Subsampling Layers) 、全連接層 (Fully Connected Layers)及輸出層(Output Layers)所組成，主要特色在於其群眾共享及局部連結的概念，可大幅減少可控參數的數量與運算負擔，經由多層的特徵擷取取得之特徵，相較於手工擷取特徵，具有更好的判別能力。. 圖 3-2 LeNet5 架構圖 3.3.2 AlexNet 模型在 2012 年中，AI 之父 Hinton 的學生 Alex Krizhevsky 拿下了 ImageNet ILSVRC(ImageNet Large Scale Visual Recognition Competition) 的冠軍，而 AlexNet 對於 CNN 來說也是個重大的突破，如圖 3-3 為 AlexNet 的模型[14]，基本上架構與 LeNet 差異不大，最主要的特點在於模型加入了非線性激活函數(Activation function)的 Relu 函數、Dropout 及最大池化(Max Pooling)。. 圖 3-3 AlexNet 架構圖 15.

(26) 一個卷積神經層中會包含多個通道，模型運作時，資料會通過這些通道，每個通道皆包含一獨立的濾波器，資料會與各自通道的濾波器進行卷積計算，並將結果傳往池化層。公式如下： 𝑁𝑙−1 𝑙−1 𝑙−1 𝑥𝑘𝑙 = 𝑏𝑘𝑙 + ∑ 𝑐𝑜𝑛𝑣1𝐷(𝑤𝑖𝑘 , 𝑆𝑖 ). (3. 1). 𝑖=1. 𝑥𝑘𝑙 ：第 l 層的第 k 個通道的輸入 𝑏𝑘𝑙 ：第 l 層的第 k 個通道的偏移量 𝑆𝑖𝑙−1 ：第 l-1 神經層的第 i 個通道的輸出 𝑙−1 𝑤𝑖𝑘 ：從第 l-1 層第 i 個通道到第 l 層第 k 個通道的濾波器. 𝑐𝑜𝑛𝑣1𝐷(.)：一維卷積運算 3.3.3 卷積層(Convolution Layer) 卷積層是 CNN 最核心的部份，通常由數十到數百個 n x m 的卷積核 (Filter)組成，而卷積核中元素與影像中之對應位置相乘求和，每個卷積核中元素都會利用倒傳遞演算法(Back-propagation Neural Network) 得到最佳化，這些卷積核實際強化的影像模式也是由訓練過程中找出來的，所以卷積層可以針對不同的問題產生出不同的卷積核 (如圖 3-4 )。. 圖 3-4 卷積層示意圖 16.

(27) 3.3.4 池化層(Pooling Layer) 池化層接收到卷積層所傳來之資料後，開始進行池化程序，所謂池化，就是將資料依照給定之參數區分為若干區域，在每個區域中依照指定方式選出其中一個資料成員來代表該區域，常用的方式有最大池化，平均池化…等，依照需求而定，目前較為常用的最大池化，如圖 3-5 即為二維數列採用最大池化法的示意圖，該範例中取兩個張量成員為一區域，並取區域中數值大的一員代表該區域保留至輸出張量中，並傳到下一層繼續運算。. 圖 3-5 二維張量最大池化示意圖. 與傳統人工神經網路相同，除了輸入層及輸出層這兩個資料的接口神經元數目需要配合資料格式之外， CNN 神經層中的神經元數目都是可以由建構者決定的。. 3.3.5 Dropout 在訓練神經網路的時候經常會遇到過擬合 (Overfitting) 的問題，而 Dropout 的用意就是為了防止過擬合的情況發生，其方法是藉由每次在訓練的過程中，隨機使固定比例的神經元失效，藉此避免模型過度貼近訓練資料， 17.

(28) 導致失去一致性。此方法有效的原因在於，當每個小批次的訓練樣本饋入網路中學習並進行 Dropout 後，都是在訓練原本網路內的某種子網路，而原本的網路就變成是這些子網路的集合體，整個過程可將其視為訓練出很多個子網路以進行分類。藉由 Dropout 方法，有效的緩解過擬合的發生，在一定程度上達到正規化的效果。如圖 3-6 為 Dropout 網路結構[15]。. 圖 3-6 Dropout 結構圖 3.3.6 全連接層(Fully Connected Layer) 全連接層的部分是將池化後的結果平坦化之後接到最基本的神經網絡，因為全連接層有許多參數的矩陣運算，故可以在迭代過程成逐漸修正出模擬現實狀況的模型。. 圖 3-7 全連接層示意圖 18.

(29) 第四章研究方法本研究方法分為兩個架構，一為即時監控系統，二為以卷積神經網路為基礎之智慧異常偵測系統。即時監控系統主要是處理一些特徵明顯且取樣率較低的製程參數，例如：電壓、電流、溫度以及壓力等。至於智慧異常偵測系統主要是處理一些特徵不明顯且訊號變化快速以及需要高取樣率的訊號，例如：機台的振動訊號等。即時監控系統採用永宏(Fatek)的可程式控制器 (Programming Logical Controller, PLC) FBS40MCT(如圖 4-1)[16]做為資料傳輸設備。至於智慧異常偵測系統，則使用 PCB Inc 356A03 壓電式三軸加速規[17]與 352C33 單軸加速規(如圖 4-2)[18]來量取沖床的振動訊號、並以 NI 的資料擷取卡進行資料傳輸。以下會針對兩項系統做詳細說明。. 圖 4-1 型號 FBS40MCT PLC. 圖 4-2 加速規 (a) 型號 356A03 (b)型號 352C33. 4.1 即時監控系統由於本系統主要依附在 PLC 的架構下，藉由 PLC 透過 Modbus TCP 通訊協定，將儲存在 PLC 內部記憶體位置的資料傳送到 PC 端，到 PC 端之後有三種走向，一是由 PC 端將收集來的資料輸出成 CSV 檔案，讓資料可以直接以檔案的方式匯入資料庫；二是由本研究自行開發的異常偵測系統，監控 19.

(30) 製程參數是否有超出預設閥值的異常現象，若是有，則會透過 Line 發送異常訊息，若無則繼續監控；三則是可以在 Web 上透過圖形化方式，來觀看機台各項數據，如圖 4-3 為即時監控異常偵測系統的流程圖。以下將一一介紹該系統之研究方法各項步驟。. 圖 4-3 即時監控異常偵測系統流程圖 4.1.2 機台連線與通訊協定在 PLC 之通訊架構上， PLC 是被定位為僕系統(Slave)而任何與 PLC 連線之週邊設備均為主系統(Master)，也就是說任何週邊設備與 PLC 間之通訊是由主系統(週邊設備)來主動發出命令，而僕系統(PLC)只有在收到命令訊息後才依該命令之要求回應訊息給主系統，而不能主動發出訊息給主系統，如圖 4-4 之關係圖[19]所示：. 圖 4-4 主僕定位與通訊互動關係 20.

(31) 本研究以開源使用的 PLC 通訊協定 nModbus 來實現模擬連線程式，軟體系統使用 Visual Studio[20](如圖 4-5)平台來做為程式開發。. 圖 4-5 Visual Studio 程式開發平台. 為了能與 Fatek 的 PLC 進行溝通，硬體連線及通訊參數設定需雙方一致，故必須要有 Modbus 與 Fatek 的通訊編碼(如表 4-1)。表 4-1 Modbus 與 Fatek 的通訊編碼 Modbus protocol. Fatek protocol. Description. 00001~00256. Y0~Y255. Contact output. 01001~01256. X0~X255. Contact input. 02001~04002. M0~M2001. Internal relay. 06001~07000. S0~S999. Stepper relay. 09001~09256. T0~T255. Timer. 09501~09756. C0~C255. Counter. 40001~44168. R0~R4167. R class register. 45001~45999. R5000~R5998. Hold/read register. 46001~48999. D0~D2998. D class register. 49001~49256. T0~T255. Timer. 49501~49700. C0~C199. Counter (16 bit). 49701~49812. C200~C255. Counter (32 bit). 21.

(32) 4.1.3 資料接收本研究利用 TCP/IP 為主要通訊來接收資料， TCP 為一種連接向 (Connection oriented)的通訊協定，以三向交握(Three-way Handshake)方式建立虛擬連線(Virtual connection)[21]，而 TCP 在協議通訊前，通訊的雙方都必須建立連接才能夠進行溝通，這樣的作法一則可以確保連線是安全的，二則可以確保資料在傳輸中的正確性，以及傳輸速率的控制，綜合以上因素可以說 TCP 協議具有高度的穩定性與可靠性。(圖 4-6 為三向交握示意圖). 圖 4-6 三向交握(Three-way Handshake)示意圖 4.1.4 資料庫與 Web browser 為了將收集到的資料整理成有用的數據，本研究利用 MySQL 資料庫做為資料儲存的地方並結合 PHP 網頁化的模式。將儲存在 PLC 內部記憶體位置的資料傳輸至 PC 端，並透過 PC 將資料轉成 CSV Table(如圖 4-7)，使資料庫可以直接匯入，以此方式確保即便在資料遺失時，仍可於 CSV 檔中找到所需數據資料。圖 4-8 為數據處理流程。. 22.

(33) DataID 0 0 1 1 0 1 0 1 0 1 0 1 0 1. Time 11/15 09:31:48.2297 11/15 09:31:48.4227 11/15 09:31:48.6686 11/15 09:31:48.6966 11/15 09:31:48.6796 11/15 09:31:48.8566 11/15 09:31:48.9255 11/15 09:31:48.9895 11/15 09:31:49.2014 11/15 09:31:49.2654 11/15 09:31:49.4504 11/15 09:31:49.5153 11/15 09:31:49.7043 11/15 09:31:49.7653. Data 32767 32767 1 1 32767 3 32767 4 32767 7 32767 9 32767 12. 圖 4-7 CSV Table 格式. 圖 4-8 數據處理流程在資料庫的設計上主要分為儀器與數據兩個部分作為區分，表 4-2 為儀器資料的欄位設計，及表 4-3 為數據資料的欄位設計。表 4-2 儀器資料之欄位設計名稱 Factory ID Device ID Name IP Address Port Device Type Slave ID Communication Type Switch Connect Success. 資料型態 varchar int varchar varchar int varchar int varchar varchar varchar 23.

(34) 表 4-3 數據資料之欄位設計名稱 Data ID Time Data. 資料型態 varchar datetime int. 4.1.5 LINE BOT 官方機器人根據尼爾森媒體(Nielsen)的調查，12-65 歲的台灣民眾將近 91%，也就是將近 1,700 萬人都在使用 LINE[22]通訊軟體，這也代表我國人民對於使用 LINE 軟體是非常尋常的事情。而 LINE 從 2016 年開始提供免費「LINE BOT API 試用」帳號(LINE BOT API Trial Account)申請，這讓任何人都可以在 LINE 的平台上開發聊天機器人的多元應用[23]。本研究為了能夠解決在機台遇到異常狀態時，能夠及時的將訊息告知負責的機台人員，盡快進行修繕作業並排除問題，決定使用 LINE BOT 來實現此功能。以下為 LINE BOT 功能步驟： Step 1. 至 LINE 官網申請帳號後，並取得 Token 序號與 User ID(如圖 4-9 與. 圖 4-10)。. 圖 4-9 Token 序號. 24.

(35) 圖 4-10 User ID Step 2. 申請 Azure 雲端運算平台帳號。. Step 3. 建置 Vis ua l St u di o ( 20 15 ) C# 專案環境，下載並使用. Studyhost.Example.Linebot 套件，進行程式的編輯設定與修改。 Step 4. 將程式發佈至 Azure 雲端運算平台，並將專案的 URL 綁至 LINE. BOT 的 Webhook URL 欄位，此欄位是紀錄機器人程式的位置，LINE 則會將使用者的訊息往欄位指定的地方傳送過去。. 4.2 卷積神經網路之異常偵測系統本系統主要是透過加速規對不同軸向，所取得之訊號做分析，共有四個步驟(如圖 4-11 為該系統之流程)，以下將會一一介紹。. 圖 4-11 機器學習之預防診斷系統流程圖 4.2.1 採集資料本研究共取得四組資料為加速規不同之軸向，連續取樣 30 分鐘，初始取樣頻率為 25600Hz，如圖 4-12 黃圈處為三軸加速規分別為 Channel 1、 Channel 2 與 Channel 3，取樣方向參考圖 4-13，紅圈處則為單軸加速規為 25.

(36) Channel 4。取樣時，本研究使用以下 13、25、38 與 50rpm 四種不同的轉速模擬皮帶鬆弛情形，其中 13rpm 代表正常之訊號，而 25、38 與 50rpm 這三種轉速各有皮帶過鬆、正常以及過緊三種現象，合計共有十種情況進行後續分類。. 圖 4-12 訊號取樣示意圖. 圖 4-13 取樣方向示意圖. 4.2.2 前處理前處理主要為四個步驟，分別是濾波、降取樣、訊號切割與紀錄標籤，由於本研究所使用的機器學習方法為 CNN 神經網路，而 CNN 屬於監督式學習，故將資料做標籤(Label)，接著將資料切割成多筆的樣本資料，但是又礙於神經網路計算時資料量過於龐大，可能會造成速度緩慢、收斂困難或過度擬合(Overfitting)等問題發生，所以必須降取樣來避免上述問題，但是在降取樣時，會有混疊效應(如圖 4-14 )[24]的問題發生，若是發生混疊效應則可能會造成部分訊號失真的情況，故一開始取得訊號前必須進行濾波，而以下 26.

(37) 也會詳細介紹，如何在進行以上四個步驟時，解決所發生的問題及解決方法。如圖 4-15 為前處理流程圖。. 圖 4-14 混疊效應示意圖. 圖 4-15 前處理流程圖. Step 1. 濾波：本研究採用 Butterworth 零相位低通濾波器[25]，此濾波器在. 濾除高頻訊號上有良好的表現，一來可以保留所需的低頻訊號，二來不會有相位誤差的問題產生，也符合本研究需求，故本研究採用此濾波器來進行濾波。 Step 2. 降取樣與訊號切割：降取樣與訊號切割：由於本研究初始採樣頻率. 為 25600Hz，故有 46080000 的資料點，本研究作法是以 0.4 秒為一單位， 27.

(38) 將資料作切割，切割後剩餘 10240 個資料點，但是對於神經網路來說資料量還是太大，故採 1/10 的降取樣，讓資料點剩餘 1024 個，總共獲得 4500 筆資料。如圖 4-16 為降取樣與訊號切割示意圖。. 圖 4-16 降取樣與訊號切割示意圖. Step 3. 記錄標籤：如圖 4-17 為標籤示意圖，總共紀錄 10 種情形，每組標. 籤後面皆有 1024 個資料點，標籤最主要的用意是需要讓模型知道答案，才能有個依據去分辨屬於哪個類別，而該標籤也會讓後續的神經網路做學習用。. 圖 4-17 標籤示意圖. 28.

(39) 4.2.3 建模本研究使用的是深度學習結構中的 CNN 網路，該網路經常應用於圖像、視頻、時間序列訊號、音頻訊號及文本數據等相關研究，且都有相當不錯的表現。藉由 CNN 的卷積核特性，在迭代過程中找出訊號的特徵，用以輔助分類，此特性可免去傳統研究之訊號特徵抽取。在此，本研究使用的模型包含了三層卷積層與三層的全連接層(如圖 418 為模型架構)，每次卷積後都會進行池化，共計三次，池化後資料長度會壓縮 2 倍，接著將池化後的結果平坦化，最後連接到全連接層，全連接層有著許多參數的矩陣運算，將在迭代的過程中，逐漸修正出可以模擬現實狀況的模型。. 圖 4-18 模型架構圖 29.

(40) 4.2.4 訓練與驗證模型本研究將從指定轉速的振動訊號中隨機抽選其中一半的資料，作為資料訓練集(Training Data)，另一半的訊號作為測試集(Testing Data)。透過上述 CNN 的架構經計算誤差、調整權重等步驟後會先把模型保留，如果模型驗證結果是良好的，就會保留下來當模型採用，若是驗證不佳，則回到前面步驟去做修正，例如參數的調整或是重新採集資料等方式。如圖 4-19 為訓練與驗證模型的流程圖。. 圖 4-19 訓練與驗證模型的流程圖. 30.

(41) 第五章實驗結果在此將實驗分成兩項結果呈現，分別為：(1)通訊介面整合於 Line Bot 機器人發送異常訊號與 Web browser 數據可視化；(2)沖床之智慧異常偵測。詳細實驗結果與說明如下。. 5.1 通訊介面整合於 Line Bot 機器人發送異常訊號與 Web browser 數據可視化圖 5-1 為欲監控 PLC 之暫存器的設置介面，在圖的左下方+、-符號為新增/刪除機台，而右上方是可以設定機台的名稱、IP 位置與 COM Port…等等，而輸入完後，可以選擇要監控的暫存器資料並設置格式、資料型態與長度等相關資訊。圖 5-2 為連線並監控畫面。. 圖 5-1 欲監控 PLC 之暫存器設置介面. 31.

(42) 圖 5-2 連線並監控之介面在程式連線之後，就可以使用 LINE BOT 功能，圖 5-3 為 LINE BOT 設定介面，需輸入使用者名稱與使用者 LINE 的序號，點選新增使用者按鈕，即可加入通知名單。接著點選右下方 LINE BOT Controller 按鈕，及切換頁面至設定欲監控的資料(如圖 5-4)。. 圖 5-3 LINE BOT 設定介面 32.

(43) 接著輸入資料名稱、監控值與監控時間等項目後，點選新增監控按鈕，視窗會顯示已新增的監控資訊(如圖 5-4)，同時 LINE BOT 會發出訊息，可於手持裝置上查看(如圖 5-5)。. 圖 5-4 設定欲監控的資料. 圖 5-5 LINE BOT 通知訊息 33.

(44) 圖 5-6 展現於 Web Browser 的數據圖表，可以根據時間設定查看歷史數據與選擇設備的 ID 做篩選，展現出的圖表也可以選擇列印或是儲存，為日後方便查閱。. 圖 5-6 展現於 Web Browser 之數據表. 5.2 沖床之智慧異常偵測針對 Channel 1~ Channel 4 分別為 13、25、38 與 50rpm 四種轉速做訓練，以下表格是混淆矩陣分類後的輸出結果，表 5-1 至表 5-4 為 Channel 1~ Channel 4 結果，表 5-5 為所有資料去建模的結果，表 5-6 則是利用下列公式計算出的平均正確率。. 正確率(Accuracy)的公式如下： Accuracy =. 正確類別總數. 34. (5.1).

(45) 表 5-1 Channel 1 資料之混淆矩陣預測 13 13. 實際. 25. 38. 50. 25. 38. 50. 正常. 過鬆. 正常. 過緊. 過鬆. 正常. 過緊. 過鬆. 正常. 過緊. 正常. 220.22. 0.00. 2.53. 2.25. 0.00. 0.00. 0.00. 0.00. 0.00. 0.00. 過鬆. 0.19. 221.55. 0.53. 2.59. 0.00. 0.09. 0.00. 0.05. 0.00. 0.00. 正常. 10.58. 0.00. 211.64. 2.78. 0.00. 0.00. 0.00. 0.00. 0.00. 0.00. 過緊. 0.00. 0.03. 2.39. 222.51. 0.00. 0.02. 0.00. 0.00. 0.05. 0.00. 過鬆. 0.00. 0.00. 0.00. 2.25. 222.71. 0.00. 0.00. 0.04. 0.00. 0.00. 正常. 0.00. 0.01. 0.02. 2.35. 0.25. 220.04. 0.01. 2.32. 0.00. 0.00. 過緊. 0.00. 0.00. 0.00. 2.25. 1.33. 0.13. 220.16. 0.87. 0.17. 0.09. 過鬆. 0.00. 0.42. 0.00. 2.28. 1.13. 0.6. 0.44. 220.02. 0.11. 0.00. 正常. 0.01. 0.00. 0.00. 2.47. 0.00. 0.00. 0.25. 0.06. 217.83. 4.38. 過緊. 0.00. 0.00. 0.00. 2.25. 0.00. 0.00. 0.00. 0.00. 0.48. 222.27. 35.




(49) 表 5-5 Channel 1~ Channel 4 資料之混淆矩陣預測 13 13. 實際. 25. 38. 50. 25. 38. 50. 正常. 過鬆. 正常. 過緊. 過鬆. 正常. 過緊. 過鬆. 正常. 過緊. 正常. 890.87. 0.10. 9.03. 0.00. 0.00. 0.00. 0.00. 0.00. 0.00. 0.00. 過鬆. 0.59. 888.20. 10.26. 0.82. 0.02. 0.08. 0.01. 0.02. 0.00. 0.00. 正常. 0.39. 0.52. 896.48. 2.60. 0.00. 0.01. 0.00. 0.00. 0.00. 0.00. 過緊. 0.00. 0.22. 15.16. 884.32. 0.00. 0.08. 0.22. 0.00. 0.00. 0.00. 過鬆. 0.00. 0.00. 9.00. 0.00. 890.92. 0.08. 0.00. 0.00. 0.00. 0.00. 正常. 0.00. 0.00. 9.14. 0.55. 0.87. 888.35. 1.09. 0.00. 0.00. 0.00. 過緊. 0.00. 0.00. 9.00. 0.28. 0.21. 1.31. 888.69. 0.28. 0.05. 0.18. 過鬆. 0.00. 0.00. 9.02. 0.00. 0.55. 0.14. 1.74. 879.00. 2.80. 6.75. 正常. 0.00. 0.09. 9.15. 0.49. 0.02. 0.27. 1.11. 2.18. 882.42. 4.27. 過緊. 0.00. 0.00. 9.02. 0.03. 0.03. 0.02. 0.37. 1.58. 2.42. 886.53. 39.

(50) 表 5-6 平均正確率平均正確率 Channel 1. 97.73%. Channel 2. 78.54%. Channel 3. 94.56%. Channel 4. 94.81%. Channel l ~ Channel 4. 98.62%. 由實驗結果可見，在 Channel 2 的建模獲得了比較差的準確率，此一結果代表了 Channel 2 之振動特徵與皮帶鬆緊度關聯性較小。由此結論本研究可以認為若需要建立模型可考慮以其他方向之振動訊號進行建模。其中 Channel 4 是單一個取樣方向，正確率達到了 94%以上，可見已經有蠻好的正確率了，這裡可以探討的是，本研究取多個不同軸向的 Channel 去訓練，其實是可以從中找到較好的取樣方式。其他三種取樣方式所獲得的數據訓練出來的模型，其平均準確率皆達到 94%以上。若以最後所有資料去建模的結果，其平均準確率更是達到 98%以上。. 40.

(51) 第六章結論 6.1 結論本研究實現了穩定的資料擷取程式與網路通訊間的橋梁，讓機台能夠透過網路與使用者的電腦進行通訊，確保儲存機台資訊的完整。若是機台參數超出某些預設閥值，使用者能即時透過 LineBot 收到訊息通知，同時我們也會將機台參數呈現於 Web 瀏覽器，並採用圖表方式呈現，以利相關人員瀏覽。另一方面本研究提出以卷積神經網路為基礎之沖床皮帶鬆緊度異常偵測技術。實驗顯示本研究所提出之方法可以有效分辨在不同轉速、不同鬆緊度下的皮帶行為，其平均準確率高達 98%以上。. 6.2 未來展望本研究以卷積神經網路進行皮帶的鬆緊度的分析，實驗結果顯示，在不同的轉速條件下，本系統依然可以準確偵測皮帶是否過鬆或過緊。未來，我們希望可以將此方法應用於沖床其他零組件(例如馬達)是否異常的偵測上，另外，智慧異常偵測系統目前尚未與 LineBot 整合，因此無法即時將神經網路判識的結果即時通知機台負責人，這是未來要解決的課題之一。. 41.

(52) 參考文獻 [1] [2]. [3]. [4]. [5]. [6] [7] [8] [9] [10]. [11] [12]. [13]. 蔡有藤, 陳宗傑, and 廖哲賢. "機械系統性能衰退預測與故障診斷之研究." Journal of Technology, vol. 27, no. 3, pp. 121-129, 2012. Z. Wei and W. Xiaowen, "Research on hot-pressing machine control system based on PLC and Kingview," The 27th Chinese Control and Decision Conference (CCDC), Qingdao, pp. 5644-5648, 2015. M. Canizo, A. Conde, S. Charramendieta, R. Miñón, R. G. Cid-Fuentes and E. Onieva, "Implementation of a Large-Scale Platform for Cyber-Physical System Real-Time Monitoring," in IEEE Access, vol. 7, pp. 52455-52466, 2019. M. Li, B. Du, M. Zhu and K. Zhao, "Intelligent detection system for mine belt tearing based on machine vision," 2011 Chinese Control and Decision Conference (CCDC), Mianyang, pp. 1250-1253, 2011. 郭柏賢,辛承宣,李旻祐,and 吳順德. "以卷積神經網路為基礎之軸承故障診斷系統 ," Conference on Precision Machinery and Manufacturing Technology (PMMT), pp. A028-2-A028-6, 2018. 百度文庫 , " 機械沖床培訓教材（基本編） ." Available:https://wenku.baidu.com/view/3ce5fe8fa58da0116d17491a.html R. Baheti, and H. Gill, "Cyber-physical systems," The impact of control technology vol. 12, no. 1, pp.161-166, 2011. Boyer, Stuart A, " SCADA: supervisory control and data acquisition, " International Society of Automation, 2009. Turing, Alan M. "Computing machinery and intelligence, " Parsing the Turing Test. Springer, Dordrecht, pp.23-65, 2009. Quora, " What is the difference between Neural Networks and Deep Learning?, " Available:https://www.quora.com/What-is-the-differencebetween-Neural-Networks-and-Deep-Learning G. E. Hinton, "Learning multiple layers of representation," Trends in cognitive sciences, vol. 11, no. 10, pp. 428-434, 2007. R. Raina, A. Madhavan, and A. Y. Ng, "Large-scale deep unsupervised learning using graphics processors," in Proceedings of the 26th annual international conference on machine learning, pp. 873-880, 2009. Y. Lecun, L. Bottou, Y. Bengio and P. Haffner, "Gradient-based learning applied to document recognition," in Proceedings of the IEEE, vol. 86, no. 11, pp. 2278-2324, Nov. 1998. 42.

(53) [14]. A. Krizhevsky, I. Sutskever, and G. E. Hinton, "ImageNet Classification with Deep Convolutional Neural Networks," In Advances in neural information processing systems, pp. 1097-1105, 2012. [15] Medium, "Machine Learning Python Keras Dropout Layer Explained," Available: https://towardsdatascience.com/machine-learning-part-20dropout-keras-layers-explained-8c9f6dc4c9ab [16] 永宏電機 F a t e k , " F B s - 4 0 M C T 可程式控制器 , " Av ai l a b l e : h t t p : / / w w w. f a t e k . co m / t w / p r o d . p h p ? a c t = v i e w & n o = 1 2 [17] PCB Piezotronics, " 型號 356A03 三軸加速規 ," Available: https://www.pcb.com/spec_sheet.asp?m=356A03 [18] PCB Piezotronics, " 型號 352C33 單軸加速規 ," Available: https://www.pcb.com/spec_sheet.asp?m=352C33 [19] 永宏電機 , " 永宏 PLC 通訊協定 ," Available: http://www.phelipu.com.tw/download/FATEK_Communction_Prot ocal.pdf [20] M i c r o s o f t V i s u a l S t u d i o , 官方網站 , A v a i l a b l e : https://visualstudio.microsoft.com/zh-hant/ [21] NotFalse 技術客, TCP 三向交握 (Three-way Handshake), Available: https://notfalse.net/7/three-way-handshake [22] Wikiwand, 取樣定理 , Available: https://www.wikiwand.com/zhmo/%E9%87%87%E6%A0%B7%E5%AE%9A%E7%90%86 [23] Julius O. Smith, " Introduction to Digital Filters: With Audio Applications," Available:https://ccrma.stanford.edu/~jos/filters/Zero_Phase_Filters_Even _Impulse.html [24] 陳佳新, " Chatbot 開發指南：使用 LINE Bot PHP SDK 打造問答型聊天機器人," Available: https://www.appcoda.com.tw/line-chatbot-sdk/ [25] TechOrange 科技報橘, "讓聊天不只是人跟人之間的事," Available: https://buzzorange.com/techorange/2016/09/30/line-bot-api/. 43.

(54)