應用故障預測技術強化建築物昇降
設備使用安全之研究
內政部建築研究所自行研究報告
中華民國 109 年 12 月
本報告內容及建議，純屬研究人員意見，不代表本機關意見
內
政
部
建
築
研
究
所
自
行
研
究
報
告
年
度
109
應用故障預測技術強化建築物昇降
設備使用安全之研究
研究人員：張怡文
內政部建築研究所自行研究報告
中華民國 109 年 12 月
本報告內容及建議，純屬研究人員意見，不代表本機關意見ARCHITECTURE AND BUILDING RESEARCH INSTITUTE
MINISTRY OF THE INTERIOR
RESEARCH PROJECT REPORT
A Survey on Prognostics and Health
Management of
ElectronicsTechnologies Applied to
Inspection of Elevators, Escalators,
and Moving Walks
By
I‐Wen Chang
December 31, 2020
目次
目次 I 表次 III 圖次 V 第 1 章 緒論 ... 1 第 1 節 研究緣起與背景 ... 1 第 2 節 名詞定義 ... 9 第 3 節 問題剖析與重要性 ... 15 第 4 節 研究目的與範圍 ... 19 第 5 節 研究方法與過程 ... 21 第 6 節 研究進度 ... 23 第 2 章 建築物昇降設備故障預測技術發展及應用資料蒐集分析 . 25 第 1 節 故障預測技術之發展沿革、構成、應用目的及經濟價值 ... 25 第 2 節 故障預測技術之感測器系統 ... 56 第 3 節 美國建築物昇降設備故障預測技術發展及應用 ... 62 第 4 節 歐洲建築物昇降設備故障預測技術發展及應用 錯誤! 尚 未定義書籤。 第 5 節 日本建築物昇降設備故障預測技術發展及應用 錯誤! 尚 未定義書籤。 第 3 章 我國建築物昇降設備故障預測技術應用需求推估 ... 87 第 1 節 建築物昇降設備保養法定檢查需求調查分析 ... 87 第 2 節 歷年建築物昇降設備重大事故案例保養問題評析 ... 90第 3 節 應用故障預測技術強化建築物昇降設備使用安全之適當 性 ... 93 第 4 節 應用故障預測技術強化建築物昇降設備使用安全之注意 事項 ... 97 第 5 節 建築物昇降設備引進應用故障預測技術強化建築物昇降 設備使用安全之法制課題 ... 100 第 4 章 結論與建議 ... 107 第 1 節 結論 ... 107 第 2 節 建議 ... 110 附錄一現行建築法昇降設備相關規定摘錄 ... 112 中華民國 109 年 1 月 15 日公布 ... 112 附錄二現行建築物昇降設備設置及檢查管理辦法 ... 118 附錄四內政部 79 年訂定發布之建築物昇降設備管理辦法 ... 129 附錄五內政部 83 年訂定發布之建築物昇降設備管理辦法 ... 131 附錄六內政部 84 年修正發布之建築物昇降設備管理辦法 ... 135 附錄七內政部 93 年修正發布之建築物昇降設備設置及檢查管理辦法 139 參考書目 ... 141
表次
表 1-1 建築物昇降設備組件耐用基準參考表 錯誤! 尚未定義書籤。 表 2-1 常見生命週期載重例... 35 表 2-2 歐洲建築物昇降設備標準 ... 71 表 2-3 日本昇降設備遠端監控及檢查項目 ... 80
圖次
圖 1-1 我國應保養及檢查昇降設備與具保養及檢查資格人數 . 錯誤! 尚未定義書籤。 圖 1-2 昇降機 ... 11 圖 1-3 自動樓梯 ... 11 圖 1-4 其他類似之昇降設備－自動人行道 ... 12 圖 1-5 內政部主管建築物昇降設備範疇 ... 10 圖 1-6 研究流程圖 ... 22 圖 1-7 研究進度甘特圖 ... 23 圖 2-1 故障預測技術之架構 ... 28 圖 2-2 故障預測技術於產品再利用之應用 ... 30 圖 2-3 破壞物理模型例子-馬里蘭大學高等生命週期工程中心法 . 32 圖 2-4 破壞物理模型例子-基於破壞物理所發展之預測方法 ... 34 圖 2-5 產品壽命消耗監控--馬里蘭大學高等生命週期工程中心法 36 圖 2-6 產品之剩餘壽命估算 ... 錯誤! 尚未定義書籤。 圖 2-7 產品載重特徵萃取 ... 37 圖 2-8 預測之不確定性處理程序 ... 38 圖 2-9 資料驅動預測方法之一般性程序 ... 50 圖 2-10 故障預測之綜合性方法例子 ... 55圖 2-11 用於支持物聯網之相關技術堆疊 ... 61 圖 2-12 將基於物聯網之故障預測技術融入預測性保固服務 ... 61
第
1章 緒論
本章首先說明研究緣起與背景、名詞定義，就問題進行剖 析，並說明研究之重要性，其次、說明研究目的、範圍與限制。 最後，說明所採取之研究方法、過程及各階段研究進度。第1節 研究緣起與背景
隨著都市化及高層建築物發展，建築物昇降設備(電梯)成 為都市生活之必要設備，我國建築法自民國 60 年 12 月將建築 物昇降設備納入管理，並明定設置建築物昇降設備應申請建築 許可。同法第 2 條及第 77 之 4 條規定略以，主管建築機關，在 中央為內政部；建築物昇降設備非經竣工檢查合格取得使用許 可證，不得使用；設備管理人，應定期委託領有內政部登記證 之專業廠商保養(相關條文詳附錄一)。 內政部依前揭法律授權訂定發布之「建築物昇降設備設置 及檢查管理辦法」(現行條文詳附錄二)訂有前揭專業技術人員、 專業廠商、檢查員、檢查機構之資格要件規定、昇降設備安全 檢查頻率；該辦法第 4 條明定，設備之管理人應委請專業廠商 維護保養，由專業技術人員每月實施保養，並作成紀錄表，按 月檢送當地主管建築機關。 壹、 監察院於 103 年糾正案請內政部參考先進國家標準強化建 築物昇降設備設備安全管理 鑒於建築物昇降設備使用之意外事故較多，監察院於 103 年提糾正案，認定當時有關專業廠商技術人員維護保養 建築物昇降設備數量之規定，欠缺學理及實務依據，亦乏 先進國家參考標準，未基於民眾使用安全之角度與設備形態、種類、功能及使用時間之差異性，適時檢討保養載重 量之合理性及妥適性1而提出糾正案2。 經內政部參酌其意見，採取訂定發布「建築物昇降設 備組件耐用基準參考表」(詳附錄三)提供管理人汰舊換新 參考、修正發布「建築物昇降設備設置及檢查管理辦法」 相關書表證、按季召開「各主管建築機關建築物昇降設備 及機械停車設備安全檢查結果抽驗執行情形檢討會議」及 訂定「內政部建築物昇降設備管理業務督導考核計畫」等 改善作為，經監察院 107 年同意糾正案結案存查3。 貳、 近 15 年昇降設備數量成長幅度遠高於保養人力宜引進適當 新技術降低設備保養對於人力之依賴 內政部建築研究所 108 年曾就歷年我國建築物昇降設 備重大事故原因調查分析發現，我國近 15 年應保養之昇降 設備數量成長幅度遠高於保養專業技術人員人數(詳圖 1-1) 4，而在我國邁向高齡化社會，既有公私有建築物為打造無 障礙環境而增設昇降設備之因素帶動需求下，此種成長趨 勢短期應無反轉改變之可能。 1同前註，頁 5。 2參考監察院 103 年 6 月 5 日 103 內正第 0020 號糾正案文，監察院網站： https://www.cy.gov.tw/sp.asp?xdURL=./di/RSS/detail.asp&ctNode=871&mp=31&no=394 3(最後點閱時間：2019 年 8 月 5 日），頁 1。 3參考監察院 107 年 09 月糾正案件結案情形一覽表，監察院網站： https://www.cy.gov.tw/sp.asp?xdURL=./di/RSS/detail.asp&ctNode=871&mp=31&no=394 3(最後點閱時間：2019 年 8 月 5 日）。 4 參見張怡文，《建築物昇降設備遠端檢查技術發展與應用調查研究》109 年 4 月增訂版， 內政部建築研究所自行研究報告，頁 12‐24，新北市(2020)。
圖 1-1 我國近 16 年應保養之昇降設備數量成長幅度遠高於保養 專業技術人員人數 (來源：本研究依據內政部及內政部營建署統計資料整理，2020) 為預防因保養人力不足，再次衍生過去相關機關已發 現之部分維護員未具專業技術人員登記證、部分設備保養 次數未符契約規範及未於期限內完成保養等缺失之違規行 為，建議引進適當新技術以降低昇降設備定期保養對於人 力之依賴5。 參、 現行昇降設備人力保養技術有其侷限，歷年我國昇降設備 重大事故原因調查發現，依建築法規定期委託專業廠商保 養設備仍發生事故 5 參見張怡文，《建築物昇降設備遠端檢查技術發展與應用調查研究》109 年 4 月增訂版， 內政部建築研究所自行研究報告，頁 12‐24，新北市(2020)。 0 200,000 400,000 600,000 800,000 1,000,000 1,200,000 1,400,000 1,600,000 1,800,000 92 年 93 年 94 年 95 年 96 年 97 年 98 年 99 年 100 年 101 年 102 年 103 年 104 年 105 年 106 年 107 年 108 年 每年應保養設備數量(次/年) 安裝維護保養專業技術人員人數(人)
美國機械工程師學會自 1937 年公布第 1 版「A17.2 昇 降機自動樓梯和自動人行道檢查指引」(Guide for Inspection of Elevators, Escalators,and Moving Walks)至今歷經 7 次改版 並整併相類似設備標準，為目前國際上最完整之昇降設備 安全保養檢查技術文件，詳盡說明昇降設備之保養檢查項 目、目的及重點。該指引表明旨在協助符合資格之檢查人 員進行每月及每年之例行檢查，並說明公認的是，檢查人 員在每次檢查期間將無法完成指引中指定的所有檢查程序， 由檢查人員依知識和經驗判斷潛在缺陷(It is recognized that inspectors will not be able to accomplish all the inspection procedures specified in this Guide, during each inspection. Qualified inspectors have the knowledge and experience to recognize potential deficiencies and to focus the inspection in those areas.)」6。 內政部建築研究所 108 年就歷年我國建築物昇降設備 重大事故原因調查分析發現，曾有依建築法相關規定，定 期委託建築物昇降設備專業廠商負責維護保養，惟仍發生 重大事故致人死傷之憾事7(詳表 1‐1)，顯示現行人力保養檢 查技術仍有其侷限性。 表 1-1 近 20 年我國昇降設備重大事故原因調查分析 編 號 設 備 種 類 故障 原因 發 生 時 間 傷 亡 情 形 依建 築法 規定 保養 司法裁判書摘述 裁判字 號 1. 昇 疑可 105 1 人 是 疑 電 控 系 統 之 可 程 臺灣高 6 see American Society of Mechanical Engineers, ASME A17.2Guide for Inspection of Elevators, Escalators, and Moving Walks(2014) at 1. 7參見張怡文，《建築物昇降設備遠端檢查技術發展與應用調查研究》109 年 4 月增訂版， 內政部建築研究所自行研究報告，頁 88‐98，新北市(2020)。
編 號 設 備 種 類 故障 原因 發 生 時 間 傷 亡 情 形 依建 築法 規定 保養 司法裁判書摘述 裁判字 號 降 機 程式 控制 器 (PLC) 故障 年 5 月 死 亡 式 控 制 器 (PLC) 發 生 誤 信 號 ， 但 無 法 確 定，因無法重現，也 無法查證。 等法院 106 年 上訴字 第 3346 號刑事 判決等 2. 昇 降 機 疑可 程式 控制 器 (PLC) 內繼 電器 故障 102 年 10 月 2 人 死亡 是 昇 降 機 維 護 保 養 依 繼 電 器 密 封 於 PLC 模 組 內 無 法 拆 解 之 現狀，依循業界慣例 於 PLC 燈號顯示正 常情況下，無發現繼 電器故障可能。建議 主 管 機 關 明 確 規 範 電梯或 PLC 之使用 年限，倘使用年限會 因使用環境、頻度、 方 法 等 影 響 無 法 明 確制訂，亦應設置計 算使用次數之裝置。 臺灣高 等法院 高雄分 院刑事 判決等 3. 昇 降 機 馬達 開關 接線 錯誤 等 97 年 1 月 1 人 死 亡、 1 人 傷害 設 備 安 裝 階 段 尚 未 使用 某 甲 設 計 及 安 裝 載 貨昇降機時，因裝設 馬 達 之 內 部 終 點 極 限開關接線錯誤、用 來 頂 極 限 開 關 環 繞 於 鏈 條 之 彈 簧 未 設 定極限停止裝置、馬 達 控 制 盤 內 部 載 重 保 護 器 設 定 值 偏 高、每停靠樓層停止 定 位 開 關 與 車 台 接 觸面太少等缺失，昇 降 機 馬 達 內 部 終 點 極 限 開 關 並 無 斷 源 作用。 100 年 11 月 11 日 臺灣高 等法院 等 4. 昇 降 機 穩壓 器故 障 98 年 12 1 人 傷害 是 電源穩壓器（AVR） 無 使 用 期 限 、 壽 命 等，故電子零件於檢 臺灣高 等法院 100 年
編 號 設 備 種 類 故障 原因 發 生 時 間 傷 亡 情 形 依建 築法 規定 保養 司法裁判書摘述 裁判字 號 月 測時功能正常，該零 件 將 於 何 時 發 生 故 障，實非昇降機保養 時所能注意，更無法 於 確 保 該 零 件 不 會 發生故障。 上易字 第 2798 號刑事 判決等 5. 昇 降 機 昇降 機施 工不 良致 構造 強度 不足 93 年 3 月 1 人 重傷 是 油 壓 缸 柱 塞 上 部 槽 輪 與 柱 塞 焊 接 處 斷 裂 應 係 起 因 於 承 製 廠 商 以 乙 炔 鑽 孔 及 焊接不良，造成槽鐵 強度不足所致。系爭 電 梯 於 不 應 斷 裂 處 斷裂，實難苛責保養 維護之人。 臺灣高 等法院 96 年 上易字 第 2144 號刑事 判決等 6. 昇 降 機 設備 使用 方式 錯誤 86 年 9 月 1 人 死亡 違 法 使 用 之 昇 降 機，且 不 當 使用 患 失 智 症 之 某 甲 於 違 規 營 業 之 安 養 院 單 獨 搭 乘 未 經 主 管 機 關 許 可 而 擅 自 使 用之昇降機，因不當 使用，以手用力將電 梯外門打開，致腳踩 空而墜落。 臺灣高 等法院 93 年 上 更 ( 二 ) 字 第 388 號刑事 判決等 (來源：本研究摘錄自內政部建築研究所，建築物昇降設備遠端 檢查技術發展與應用調查研究自行研究報告，2020) 肆、 國際昇降設備相關產業近 10 年積極發展應用整合物聯網大 資料分析等建築物昇降設備遠端檢查及故障預測技術，進 行非建築法規規定之自主檢查 台北市日本工商會於「2016~2019 年白皮書」對我國政 府政策建言略以，勞力密集之昇降機保養工作，人才招募 困難，隨著技術提升自動化產品成為全球趨勢，昇降設備 保養分為「檢查」以及「維修」2 項，由人力轉換為機器實
施「檢查」之例子非常多，在先進國家並已實施多年，24 小時不間斷持續運轉之昇降設備故障自動通報、透過機器 監控，比起只在每月固定時間進行之人員檢查，能避免技 避免人員檢查技術不足、新手失誤等人為風險8,9,10。 國家發展委員會於 108 及 109 年召開前揭白皮書部會 辦理情形研商會議，請內政部參考日本經驗，放寬現行僅 接受人工檢查方式及檢查次數之限制，推動無人化檢查之 技術標準等11,12。 內政部建築研究所 108 年亦就相關產業技術發展情形 進行調查，發現近 10 年國際相關產業已投入開發以整合應 用大量感測器、物聯網、大資料分析及故障預測等技術， 並實際應用於全球超過百萬部昇降設備，目前檢查結果僅 8參見台北市日本工商會，＜2016 對台灣政府政策建言＞，議題 13 關於重新檢視升降機 檢查維修制度，頁 78‐80(2016)。國家發展委員會網站： https://ws.ndc.gov.tw/Download.ashx?u=LzAwMS9hZG1pbmlzdHJhdG9yLzEwL3JlbGZpb GUvNjc5Ny8yNzQ2Ny80YTUzY2M5Yy02MzA0LTRkODAtYWU3OS1iYTE2ZDY2ODBhM2Quc GRm&n=MjAxNuaXpeWVhueZveearuabuCjkuK3mlofniYgpLnBkZg%3d%3d&icon=..pdf（最 後點閱時間：2020 年 7 月 30 日））。 9參見台北市日本工商會，＜2017 對台灣政府政策建言＞，議題 12 關於升降機檢查維修 制度之重新檢視，頁 77‐79(2017)。國家發展委員會網站： https://ws.ndc.gov.tw/Download.ashx?u=LzAwMS9hZG1pbmlzdHJhdG9yLzEwL3JlbGZpb GUvNjgxMy8yODIxNC8yODk2MmNhNi1iNjA5LTQwYmQtYmEzYi0zYTgyYzMzNDMyNTkuc GRm&n=5Y%2bw5YyX5biC5pel5pys5bel5ZWG5pyDMjAxN%2bW5tOeZveearuabuOS4rea Wh%2beJiC5wZGY%3d&icon=..pdf（最後點閱時間：2020 年 7 月 30 日）。 10參見台北市日本工商會，＜2018 對台灣政府政策建言＞，議題 19 關於昇降機檢查維 修制度之重新檢視（延續事項），頁 90‐91(2018)。國家發展委員會網站： https://ws.ndc.gov.tw/Download.ashx?u=LzAwMS9hZG1pbmlzdHJhdG9yLzEwL3JlbGZpb GUvNjkzMi8zMjEyNS8yOGNkMWI0ZC05YTYzLTQ4YTAtYjVjZS0zYjIxMjEwNTQ3NDIucGRm &n=MjAxOOW5tOeZveearuabuC5wZGY%3d&icon=..pdf（最後點閱時間：2020 年 7 月 30 日。 11參見國家發展委員會，(108)發法字第 1082000877 號函，檢送本會召開台北市日本工商 「2018 年白皮書」部會辦理情形研商會議紀錄，頁 22(2019)。 12 參見國家發展委員會，(109)發法字第 1092000786 號函，檢送本會召開台北市日本工商 「2019 年白皮書」部會辦理情形第１次研商會議紀錄，頁 6(2020)。
供廠商等自主參考，惟查廠商尚未公開設備故障預測分析 準確度等重要技術資訊13。 13 參見張怡文，《建築物昇降設備遠端檢查技術發展與應用調查研究》109 年 4 月增訂版， 內政部建築研究所自行研究報告，頁 150，新北市(2020)。
第2節 名詞定義
基於建築物昇降設備之用語較為專業，且相關管理法規有 其複雜性，為便於後續研究討論，本節先就相關用語定義如下： 1. 建築物昇降設備(以下簡稱昇降設備)：依建築法第 10 條、 第 28 條、第 77‐4 條規定，建築物昇降設備為「建築物設備」 之一種，須經直轄市、縣（市）主管建築機關或其委託受 理安全檢查機構或團體核發使用許可證者始能使用；並應 定期委託領有內政部核發登記證之專業廠商負責維護保養， 並定期向直轄市、縣 (市) 主管建築機關或其委託之檢查機 構申請安全檢查。同法第 7 條規定，建築物興建完成後增 設之昇降設備為「雜項工作物」，應先向直轄市、縣（市） （局）主管建築機關申請雜項執照14。 至於設於營建工地施工使用之「營建用升降機」，應 依勞動部職業安全衛生法規規定，經勞動檢查機構或中央 主管機關指定之代行檢查機構檢查合格始得使用，無建築 法規定之適用(詳圖 1-2)。 14參見張怡文，《建築物昇降設備遠端檢查技術發展與應用調查研究》109 年 4 月增訂版， 內政部建築研究所自行研究報告，頁 7‐9，新北市(2020)。建築物昇降設備 1.昇降機 2.自動樓梯 3.其他類似 之昇降設備 建築物設備 雜項工作物 內政部職掌 職業安全衛生法 適用範圍 建築法適用範圍 勞動部職掌 營建用升降機 圖 1-2 內政部主管建築物昇降設備範疇 (資料來源：內政部建築研究所，建築物昇降設備遠端檢查 技術發展與應用調查研究自行研究報告，2020) 2. 建築物昇降設備種類：內政部依建築法第 77‐4 條第 9 項規 定訂定發布之「建築物昇降設備設置及檢查管理辦法」(以 下簡稱昇降設備管理辦法)第 2 條第 1 款規定，建築物昇降 設備指設置於建築物之昇降機(詳圖 1‐3)、自動樓梯(詳圖 1‐4) 或其他類似之昇降設備(詳圖 1‐5)。
圖 1‐3 昇降機
(資料來源：作者拍攝，2019)
圖 1‐4 自動樓梯
3. 建 辦 人 4. 建 備 登 人 5. 建 昇 部 維 6. 建 管 保 準 圖 1-建築物昇降 辦法第 2 條 人或使用人 建築物昇降 備管理辦法 登記證，從 人員之廠商 建築物昇降 昇降設備管 部核發登記 維護保養之 建築物昇降 管理辦法第 保養，由其 準參考表」( -5 其他類 (資料來 降設備管理 條第 1 項第 人或經授權 降設備專業 法第 2 條第 從事昇降設 商人。 降設備專業 管理辦法第 記證，並受 之人員。 降設備保養 第 4 條規定 其專業技術 (詳附錄三 類似之昇降 來源：作者 理人(以下簡 第 2 款規 權管理之人 業廠商(以 第 1 項第 設備安裝或 業技術人員 第 2 條第 受聘於專業 養(以下簡稱 定，委請 術人員依內 三)等規定項 降設備－自 者拍攝，20 簡稱管理 規定，管理 人。 以下簡稱專 3 款規定 或維護保 員(以下簡 1 項第 4 業廠商， 稱保養)： 請專業廠商 內政部「 項目進行組 自動人行道 019) 理人)：依昇 理人指建築 專業廠商) 定，指領有 保養，並具 簡稱專業技 款規定， 擔任昇降 指管理人 商負責每月 昇降設備 組(零)件「 道 昇降設備管 築物之所有 )：依昇降 有內政部核 具有專業技 技術人員) 指領有內 降設備安裝 人依昇降設 月之昇降設 備組件耐用 「查核(檢查 管理 有權 降設 核發 技術 ：依 內政 裝或 設備 設備 用基 查)」，
依檢查結果進行設備「保養」及「維修」並作成紀錄，按 月檢送當地建築主管機關。 7. 建築物昇降設備檢查機構(以下簡稱檢查機構)：依昇降設 備管理辦法第 2 條第 1 項第 5 款規定，指內政部指定得接 受當地主管建築機關委託執行昇降設備安全檢查業務之機 構或團體；昇降設備安全檢查機構應檢核專業技術人員保 養處理情形，而依該維護保養紀錄表已明定機械室、車廂 及昇降路、機坑等保養項目實體規定 8. 檢查員：依昇降設備管理辦法第 2 條第 1 項第 6 款規定， 指領有內政部核發檢查員證，並受聘於檢查機構從事昇降 設備安全檢查之人員。 9. 電子預測及健康管理技術(以下簡稱故障預測技術)：電子預
測 及 健 康 管 理 技 術 (Prognostic and health management, PHM)，係指為確保產品在其使用生命週期間，具有依其預 期性能（即無故障且在指定之性能極限內）運轉之能力， 藉由產品中之嵌入式電子系統，持續蒐集分析產品於真實 環境運轉之條件及狀態資料，作為故障預測、維修決策， 甚至產品回收、汰換、零件物流管理等作為之參據。其中： (1) 「健康」定義：為退化或偏離預期產品運轉正常狀況 之程度。 (2) 「預測」則是根據當前及歷史健康狀態，對未來健康 狀況之預估。 由於該技術具有促使產品製造商提高產品使用運轉期 間 可 靠 度 及 運 轉 使 用 期 間 可 使 用 性 (Incentives for manufacturers to improve field reliability and operational availability)、強化保固(Increased warranties)、降低保固成本 (reduced warranty costs)、減輕產品故障引起之民事責任
(Reduction in liability due to product failure) 及提高客戶滿 意度等優點15，甚至支援持產品回收利用和使用壽命終止相 關決策。許多國外產業已開發或使用相關技術，應用於飛 機、汽車、鋰電池等產品中，進行接線健康管理、發動機(引 擎) 故障預測、電池剩餘壽命預測16。 15Pecht M. G. and Kang M., Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , at 1(2018). 16Pecht M. G. and Kang M., Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , at 5(2018).
第3節 問題剖析與重要性
由本章第 1 節之說明可知，現行我國建築法規以專業人力 每月保養昇降設備，並向建築主管機關申報，以維護設備使用 安全之制度，因產業人力及技術皆有其侷限，惟昇降設備數量 卻持續成長，因此，引進適當之故障預測技術，以減輕對於保 養人力之依賴有其必要性。 惟擬引進之故障預測技術是否可達成及如何達成提升我國 昇降設備保養能量、精進檢查品質，以符合建築法維護公共安 全之目的？作為內政部未來增修訂建築法規之參考。本節將就 相關問題進行剖析。 壹、 問題剖析： 1. 缺乏非保養期間之真實使用次數及環境條件資料，作為 昇降設備保養決策可靠依據 依據本章第 1 節錯誤! 找不到參照來源。近 20 年 我國昇降設備重大事故原因調查分析可知，經司法調查 程序後編號 1 之事故仍無法確定確切原因，編號 2、4、 5 之事故則是發生專業技術人員亦難以預測之故障，編 號 3 之事故則是發生在設備安裝施工過程中，編號 3、6 之事故則是違規使用並有使用者不當使用設備之行為， 尚無專業技術人員保養錯誤之情形。 值得注意的是，編號 2 事故之司法裁判書提及， 昇降設備之使用年限會因使用環境、頻度、方法等因素 影響，專業技術人員難以逕依昇降設備使用年限單一因 素，而作成更換組(零)件之保養決策，並建議內政部訂 定設備製造商應設置計算使用次數之裝置，以利判斷組 (零)件是否尚在安全範圍。綜上可知，建築法規及實務上均認定昇降設備之使用 年限並非專業技術人員按月保養時，判斷應更換組(零)件之 唯一因素，若真實使用環境條件、使用次數有高於或低於設 備設計假設條件，或有偶然破壞等非設計預期之因素，亦將 影響耐用基準參考表內各組件使用年限之判斷(詳圖 1-6)。 圖 1-6 昇降設備組件剩餘使用日數之推估 (來源：本研究繪製，2020) 按現行昇降設備管理辦法第 3 條及第 4 條規定，昇降 設備應每月實施保養，專業技術人員應查核「建築物昇降設 備組件耐用基準參考表」(詳附錄三)之安全裝置組件項目作 成紀錄，按月送當地主管建築機關。前揭參考表填表說明第 1 點及第 3 點敘明，專業技術人員應參考建築物用途、樓層 數、使用環境、機種、荷重、速度及使用頻率等填列參考年 限，組件更換時，年限應配合更新。惟專業技術人員每月保 養期間以外之真實使用環境條件、使用次數資料應如何蒐集 及紀錄並未規定。 0 20 40 60 80 100 120 140 160 0 5 10 15 20 25 30 35 某 組 件 剩 餘 使 用 日 數 假設設計條件 下之使用 高於設計負載 使用 低於設計負載 使用 發生偶然破壞 無法使用 距離前次保養完成後使用日數 保養週期30日
2. 設備內部電子零件故障專業技術人員難以預測 此外，查錯誤! 找不到參照來源。事故之故障均非 發生在前揭參考表規定之組(零)件，裁判書並提及部分 故障是發生在專業技術人員無法拆檢之內部電子零件， 因此，如擬藉增修訂該參考表，將事故中之組(零)件納 入相關檢查項目，由行政管制手段避免再次發生此類事 故，較不可行。 貳、 問題重要性： 由表 1‐1 進一步分析可知，過去我國大部分之設備重 大事故是發生於依建築法相關規定，定期委託專業廠商負護 保養之昇降設備，且 6 案中，有 3 案(50%)是專業技術人員 因缺乏非保養期間之真實使用次數及環境條件資料，作為昇 降設備保養決策可靠依據，或設備內部電子零件故障而無法 於保養期間預測之故障(詳表 1‐2)。 本章第 2 節已定義故障預測技術，係藉由在產品中嵌 入式電子系統，持續蒐集分析產品於真實環境運轉之條件 及狀態資料，藉由該真實環境運轉等資料預測產品未來狀 態之技術。基於該技術之此種特性，應具有避免過去已知 多數(50%)昇降設備重大事故之潛力。本研究爰擬探討引進 該技術，輔助專業技術人員於按月保養時，提升其查核(檢 查)設備之能力及品質之可行性，作為內政部未來增修訂建 築法規之參考。
表 1-2 近 20 年我國昇降設備重大事故原因統計 (來源：本研究整理，2020) 專業技術 人員亦難 以預測之 故障(缺 乏真實使 用及環境 資料、無 法預測內 部電子零 件故障) 專業技術 人員保養 錯誤 與專業技 術人員無 關因素 原因不明 事故數量(次) 3 0 2 1 3 0 2 1 0 1 2 3 4
第4節 研究目的與範圍
依據本章第3節之問題定義，本研究擬就昇降設備故障預測 技術發展及應用情形進行調查，並探討引進該技術強化設備使 用安全之可行性，以因應本章第1節所說明近15年我國昇降設備 數量成長幅度遠高於保養人力等問題，提供內政部回應監察院 請內政部加強昇降設備使用安全管理建議，以及台北市日本工 商會「2016~2019年白皮書」 提出推動無人化檢查技術之政府 政策建言之參考。 研究目的如下： (一) 完成國內、外昇降設備故障預測技術發展及應用資料之盤 點。 (二) 完成國內昇降設備故障預測技術之應用需求推估，探討引 進精進保養品質，避免重大事故發生之可行性， (三) 完成引進昇降設備故障預測技術必要性之專家意見訪談， 並蒐集專家相關意見。 (四) 提出內政部建築物昇降設備管理參考建議。 (五) 提出本所後續研究課題建議。 研究範圍及限制： 現行建築法及管理辦法並未直接敘明昇降設備管理之目 的，惟查 93 年 11 月建築法第 77‐4 條增訂規定之理由說明，係 配合行政程序法之施行，將現行「建築物昇降設備管理辦法」 有關昇降設備及機械停車設備使用管理及維護之規定，提昇至法律位階17。查內政部前於 79 年 2 月以職權命令方式訂定發布 「建築物昇降設備管理辦法」，第 1 條明定，為加強建築物昇 降設備之管理，以維護公共安全特訂定本辦法(詳附錄四)。 由於並非所有的設備故障都會影響設備使用安全，例如： 昇降設備組件耐用基準參考表(詳附錄三)中之馬達(電動機) 功 能係將電能轉化成動能，以驅動昇降機相關裝置拉動車廂，某 些情況下該組(零)件故障可能僅是造成設備無法使用，未必影響 使用安全；基於內政部將昇降設備納入管理旨在維護公共安全， 爰不納入本研究探討範圍。 囿於研究人力經費及期程限制，職業安全衛生法所稱營建 施工中之「營建用昇降機」及故障預測技術對於保養人員實施 保養作為時之危險預防效果等，雖均有值得探討之重要性，惟 非屬內政部主管業務，不列入本次研究範圍。 17 參見立法院法律系統建築法法條沿革，立法院國會圖書館網站： https://lis.ly.gov.tw/lglawc/lawsingle?0009037C33500000000000000000032000000007 00FFFFFD00^01158060121000^00053001001 (最後點閱時間：2020 年 12 月 7 日）。
第5節 研究方法與過程
本研究蒐集、比較國內外昇降設備故障預測技術發展及應 用資料、推估我國應用需求；另透過專家學者訪談，蒐集應用 昇降設備故障預測技術，以提昇我國昇降設備保養能量及品質 之可行性及建議，據以研提內政部建築物昇降設備管理參考及 本所後續研究建議。研究過程及內容如下： (一) 文獻探討 廣泛蒐集國內外相關學理、標準、案例等參考資料，分析 技術之適用範圍及限制，彙整學理基礎，歸納昇降設備故 障預測技術近期發展及應用成果。 (二) 需求及效益調查分析 參考最新國內、外重要建築物昇降設備保養及檢查標準、 歷年我國重大傷亡事故調查資料，依據現行我國昇降設備 管理辦法之三級管理制度，分析應用昇降設備故障預測技 術，對建築物所有權人、使用人、管理人、專業廠商、專 業技術人員、檢查員、檢查機構及建築主管機關可產生之 影響。 (三) 專家訪談 訪談國內專家學者意見，蒐集應用昇降設備故障預測技術， 提昇我國建築物昇降設備保養能量及品質之認同度、可行 性及建議。 (四) 綜合歸納 綜整以上文獻及訪談結果，提出我國建築物昇降設備應用 遠端檢查技術之必要性、可行性建議供內政部建築物昇降 設備管理業務參考及提出本所後續研究課題建議。研究流程如圖 1-7 所示。
圖 1-7 研究流程圖
第6節 研究進度
本研究自109年3月起至12月底止，辦理期程共計10個月， 研究進度如圖 1‐8所示。 第 1 月 第 2 月 第 3 月 第 4 月 第 5 月 第 6 月 第 7 月 第 8 月 第 9 月 第 10 月 1. 蒐集分析 國內、外文 獻及案例 ＊ ＊ ＊ ＊ ＊ ＊ ＊ ＊ ＊ ＊ 2. 推估應用 昇降設備 故障預測 技術之需 求及效益 ＊＊ ＊＊ ＊＊ 3. 專家訪談 ＊＊ ＊＊ 4. 提出內政 部建築物 昇降設備 管理參考 建議 ＊＊ ＊＊ ＊＊ 5. 提出本所 後續研究 建議 ＊ ＊ ＊ ＊ 6. 完成成果 報告 ＊ ＊ 預定進度％ (累積數) 10 25 35 45 55 65 75 85 95 100 圖 1-8 研究進度甘特圖 (資料來源：本研究整理)第
2章 建築物昇降設備故障預測技術發展及應用資
料蒐集分析
本章就所蒐集國內、外昇降設備故障預測技術發展及應用之目的、 適用範圍、限制及案例進行調查分析，瞭解學理及相關國內外建築物 昇降設備應用遠端檢查技術發展現況，俾供後續評估我國推動效益、 可行性及必要性之參據。第
1節 故障預測技術發展沿革及應用目的
壹、 發展沿革 「可靠度」(Reliability)是為了評估機械設備等產品在生命週 期中，按預期性能（即無故障且在指定之性能極限內）運轉之能 力，1965 年以來已嘗試發展出就飛機等機械設備產品之可靠度 進行預測建模之方法。這些建模方法主要是假設系統之零件具有 一定之獨立故障率，藉由蒐集故障資料進行建模，再依據品質、 運轉及環境條件進行修正18。然而普遍之共識是，這些可靠度預 測建模方法絕不能使用，因為它們在預測實際之故障方面不準確， 甚至提供極具誤導性之預測19。因此，目前逐漸改以故障預測技 術(Prognostic and health management, PHM)進行預測。目的是保 護產品完整性，避免性能不足、性能衰退，發生意外造成不利影 響。技術內容可分為以下 2 大部分： 1. 預測：透過蒐集機械設備等產品當前衰退程度、載重歷史以 及預期未來之運轉和環境條件下，估計故障之進度來預測系 18 See Pecht M. G. and Kang M., Introduction to PHM. In Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , 1‐2 (2018). 19 See Pecht M. G. and Kang M., Introduction to PHM. In Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , 1‐2 (2018).統之剩餘使用壽命（Remaining useful life, RUL assessment） 20。 2. 健康管理：是從健康監控和預期產品之未來使用條件，評估 之健康狀況，以制訂決策和採取措施21。甚至可結合記錄機 械設備等產品壽命使用狀況之資訊模組及綠色通訊埠(Green ports)技術，使製造商在了解機械設備等產品生命週期使用 情形之情況下，判斷是否可重複使用組 (零) 件、產品性能 衰退情形，將報廢之產品回收、維修、翻新、再製造、零件 重複使用、材料回收等，負起使用後電子廢棄物之生產者責 任（Extended producer responsibility, EPR）22。 貳、 故障預測技術之構成 完整之故障預測技術通常含有：感測、異常檢測、診斷、 預測和決策支援 5 大程序(詳圖 2‐1)： 1. 感測：是為蒐集產品隨時間變化材料衰退、零件或整個產品 之環境載重歷史記錄23。 2. 異常檢測：透過識別實際與標稱之健康行為間之偏差來識別 產品異常，以提供故障先兆。異常不一定表示故障，因為操 作和環境條件變化會影響感測器資料而顯示異常行為或意 20 See Pecht M. G. and Kang M., Introduction to PHM. In Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , 1‐2 (2018). 21 See Pecht M. G. and Kang M., Introduction to PHM. In Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , 1‐2 (2018). 22 See Pecht M. G. and Kang M., Introduction to PHM. In Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , at 5 (2018). 23 See Pecht M. G. and Kang M., Introduction to PHM. In Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , 2‐3 (2018).
外。但異常資訊對於產品健康管理仍有其重要性，因為它可 能代表出現意外之使用24。 3. 診斷：由之感測器資料中提取與故障相關資訊，例如：故障 模式、故障機制、損壞數量等。這些是提供給維護計畫及物 流管理之重要資訊25。通常是使用內建測試（Built‐in test, BIT）， 並分為：操作期間須暫停設備正常操作之中斷內建測試 （Interruptive built‐in test, I‐BIT）方法，或是在不影響正常操 作情況下，連續自動地監視設備之連續內建測試（Continuous built‐in test , C‐BIT）方法。 由於內建測試容易產生誤報，導致不必要之昂貴更換、 重新認證、延遲運轉及系統可用性等損失。但某些時候也有 理由相信許多故障可能確實發生，但屬於間歇性之發生，因 此，內建測試仍致力於發展減少假性故障指示之技術26。 24 See Pecht M. G. and Kang M., Introduction to PHM. In Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , at 3 (2018). 25 See Pecht M. G. and Kang M., Introduction to PHM. In Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , at 3 (2018). 26 See Pecht M. G. and Kang M., Introduction to PHM. In Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , at 4 (2018).
27 S 28 S 4. 預測 (Re 提供 狀況 5. 決策 性之 用性 查和 和後 (資料來 See Pecht M. G Electronics: F See Pecht M. G Electronics: F 測：指在 maining u 供之其他資 況以及環境 策支援：故 之機械等產 性、延長機 和維修機械 後勤支持2 圖 來源：本 G. and Kang M Fundamentals G. and Kang M Fundamentals 適當之時 useful life, 資訊，例如 境因子27 故障預測技 產品故障 機械維護週 械等以降低 28。 圖 2-1 故 本研究翻譯 M., Introductio s, Machine Le M., Introductio s, Machine Le 時間區間內 , RUL asse 如：維護 。 技術是為 、通過減 週期、及 低生命週 故障預測技 譯自 Pecht on to PHM. In arning, and th on to PHM. In arning, and th 內預測機械 essment) 護歷史記錄 為了進行適 減少機械停 及時採取維 週期成本、 技術之架構 M. G. and n Prognostics a he Internet of n Prognostics a he Internet of 械等產品 ，通常需 錄、過去和 適當之決策 停機時間以 維修作為、 改善系統 構 d Kang M, and Health M Things , at 3 ( and Health M Things , at 3 ( 品之剩餘壽 需要感測器 和未來之運 策以防止災 以提高系統 藉由減少 統品質、設 , 2018) anagement o (2018). anagement o (2018). 壽命 器未 運轉 災難 統可 少檢 設計 f f
參、 故障預測技術之應用目的及經濟價值 機械等產品設計人員通常根據加速之測試結果，以最壞情 況推估假設之使用率、使用環境和生命週期條件為參數，預估機 械使用壽命和保固年限。原則上，如果假定條件和實際使用條件 相同，則該機械在設計壽命內應該是可靠的，但真實之使用和環 境條件可能與假設的條件有很大差異，為了提高評估機械等產品 剩餘壽命及可靠度之正確性，產品應配備壽命消耗監視器(Life consumption monitors, LCMs)，在此情況下，即使以更高之使用 率和苛刻之條件使用機械，仍可在兼顧預期以外之維護或故障、 維護安全之情況下達成節省成本或延長機械使用壽命之效果 29(詳圖 2-2)。 肆、 故障預測技術原理及類型 故障預測技術主要是應用評估機械等產品性能衰退及可靠 度等多種學科知識進行建模，目前已發展出許多故障預測方法， 依據原理可分為：破壞物理模型故障預測法、內建故障前兆偵測 器法、機器學習資料驅動故障預測法及整合以上各種方法優點， 就不同途徑之預測結果相互比較以提高準確度之複合法等，各方 法之原理及構成將於接下來之章節說明比較。 29 See Pecht M. G. and Kang M., Introduction to PHM. In Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , at 5 (2018).
（a （b （c (資料來 ）按設計 ）比設計 ）低於設 圖 2-2 來源：本 計條件之使 計預期更嚴 設計預期使 故障預測 本研究翻譯 使用 嚴格之使用 使用條件 測技術於產 譯自 Pecht 用條件 產品再利用 M. G. and 用之應用 d Kang M,, 2018)
第2節 破壞物理模型故障預測法
壹、 原理及構成 破壞物理（Physics‐of‐failure, PoF）模型方法，原理係以物理 學知識為基礎，根據機械等產品生命週期載重加載條件、幾何及 材料等特性，推估個別破壞部位之應力，評估產品性能衰退、可 靠度、故障發生影響範圍30。實際構成方式是透過將感測器資料 與破壞物理模型整合應用，依據產品偏離預期正常運行條件（即 系統的「健康狀況」）或辨識性能衰退情形，預測未來狀態31。 由於該方法可以即時蒐集生命週期載重條件，因此，可以根據真 實環境和操作條件不斷更新預測結果，基於對機械等產品性能衰 退機制了解，可以從生命週期的開始就開發適當的健康監控系統， 計算產品的剩餘壽命，直到系統出現故障為止32。 破壞物理（Physics‐of‐failure, PoF ）模型例子如圖 2‐3 所示。 首先。第 1 步是虛擬壽命評估，將設計資料、預期生命週期條件、 故障模式、機制和效果分析（Failure modes, mechanisms, and effect analysis, FMMEA），藉由虛擬壽命評估，可以決定關鍵故障 模式和機制之優先性。此外，現有之感測器資料、內建測試結果、 維護和檢查記錄及保固資料可用於識別可能之故障情形。再根據 以上資訊，決定故障預測之監視參數和感測器位置。根據蒐集之 運轉和環境資料，可以評估產品之健康狀況。還可以從破壞物理 模型中計算出損壞估算值，以獲取剩餘壽命。最後，將故障預測 30 See Pecht M. G. and Kang M., Introduction to PHM. In Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , at 2 (2018). 31 See Cheng S., Raghavan N., Gu J., Mathew S. and Pecht M. G., Physics‐of‐Failure Approach to PHM. In Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , at 61 (2018). 32 See Cheng S., Raghavan N., Gu J., Mathew S. and Pecht M. G., Physics‐of‐Failure Approach to PHM. In Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , 75‐76(2018).貳 及對 資料 力作 中， 33 S 34 S 資訊用於 性33。 (資料來 、 優點 破壞物 對於系統之 料，納入故 作用於材料 ，故障模式 See Pecht M. G Electronics: F See Pecht M. G Electronics: F 於預測維 來源：本 物理模型預 之材料、 故障預測考 料上造成 式、機制和 G. and Kang M Fundamentals G. and Kang M Fundamentals 維護和決策 圖 2-3 破 本研究翻譯 預測方法之 幾何及載 考慮因素 成破壞之過 和效果分析 M., Introductio s, Machine Le M., Introductio s, Machine Le 策，以最小 破壞物理模 譯自 Pecht 之主要優點 載重條件（ 素，需要了 過程，如圖 析（Failure on to PHM. In arning, and th on to PHM. In arning, and th 小化生命週 模型例子 M. G. and 點是，利 （例如熱 了解物理、 圖 2-4 所示 modes, m n Prognostics a he Internet of n Prognostics a he Internet of 週期成本或 子 d Kang M, 利用已知物 、機械、電 電氣、化 示34。圖 mechanism and Health M Things , 6‐7 ( and Health M Things , at 7 ( 或最大化可 , 2018) 物理知識， 電氣、化 化學和機械 2‐3 及圖 ms, and ef anagement o 2018). anagement o (2018). 可用 ，以 化學） 械應 2‐4 ffect f f
analysis, FMMEA）目的是確定產品之關鍵故障機制和故障部位。量化 每種潛在之故障模式，並根據發生情況、嚴重程度等進行排序。
圖 2-4 破壞 (資 壞物理模型例 資料來源：本 例子‐基於破壞 本研究翻譯自 壞物理所發展之 Kown, D., 201 之預測方法 16)
參、 技術之限制及應用注意事項 圖 2‐4 中，生命週期載重監視(Life Consumption Monitoring, LCM) 是為了將現場測量之實際載重曲線與破壞模型結合使用，評估暴露於 累積載重所導致之性能衰退。這是因為機械等產品生命週期之熱、機 械、電氣、化學等各種載重或載重（詳表 2‐1）組合作用，可能會導 致機械等產品的性能下降、物理退化、並縮短其使用壽命，機械等產 品衰退之程度和速率取決於暴露於此類載重之程度和持續時間（使用 率、頻率和嚴重性）35。 表 2-1 常見機械產品生命週期載重例 載重或載重 載重或載重條件 熱(Thermal) 穩定狀態(Steady‐state temperature)溫度、溫度範圍、溫度循環 (temperature cycles)、溫度梯度、升溫速率、散熱 機械 (Mechanical) 壓力大小(Pressure magnitude)、壓力梯度(pressure gradient)、振 動(shock load)、衝擊載荷、聲級(acoustic level)、應變(strain,)、 應力(stress) 化學(Chemical) 腐蝕性與惰性環境(Aggressive versus inert environment)、濕度、 化學性污染(contamination)、臭氧(ozone)、環境污染(pollution)、 燃料外洩(fuel spills) 物理(Physical) 輻射(Radiation)、電磁干擾(electromagnetic interference)、高度 (altitude) 電氣(Electrical) 電流(Current)、電壓(voltage)、功率(power)、電阻(resistance) (資料來源：本研究翻譯自 Pecht M. G. and Kang M, 2018) 35 See Pecht M. G. and Kang M., Introduction to PHM. In Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , at 8 (2018).
圖 22-5 機械等產 (資料來源 產品壽命消耗監 源：本研究翻 監控‐‐馬里蘭大 翻譯自 Pecht M 大學高等生命 M. G. and Kang 命週期工程中 g M, 2018) 中心法
徵萃 載重 Loa 輸入 36 Se 圖 2-萃取演算法 重信號並處 ad）、載重 入到疲勞損 (資料來 ee Pecht M. G Electronics: F 6 是為了長 法嵌入到 處理，以 重變化率 損害累積 圖 來源：本 G. and Kang M Fundamentals 長時間不 到感測器模 以提取周期 （Ramp ra 積模型以預 2-6 機械 本研究翻譯 M., Introductio s, Machine Le 不間斷蒐集 模組的例子 期範圍（Ra ate）和停留 預測剩餘壽 械等產品載 譯自 Pecht on to PHM. In arning, and th 集資料，並 子。使用感 ange）、周 留時間（ 壽命36。 載重特徵萃 M. G. and Prognostics a he Internet of 並將機械等 感測器在現 周期平均 Dwell tim 萃取 d Kang M, nd Health Ma Things , at 10 等產品載重 現場監視時 均載重（M e）等資料 , 2018) anagement of 0 (2018). 重特 時間 ean 料，
確定 種 條件 機電 足夠 37 Se 值得注 定性納入考 ：測量、參 圖 2 (資料來 前述測量 件轉換為應 電系統（m 夠精度之測 ee Pecht M. G Electronics: F 注意的是 考量，以 參數、破壞 2-7 破壞物 來源：本 量之不確 應力之準 microelec 測量結果 G. and Kang M Fundamentals ，使用破壞 以評估其對 壞標準和未 物理模型估 本研究翻譯 確定性主要 準確度可能 tromecha 果。 M., Introductio s, Machine Le 壞物理模型 對剩餘壽命 未來使用條 估算剩餘壽 譯自 Pecht 要是來自將 能不足，此 anical syste on to PHM. In arning, and th 型來計算 命之影響。 條件不確 壽命具有 M. G. and 將機械等產 此種方式應 em,MEMS Prognostics a he Internet of 算剩餘壽命 。不確定性 確定性（詳 有預測不確 d Kang M, 產品運轉及 應透過開發 S）感測器 nd Health Ma Things , at 13 命，必須將 性來源分為 詳圖 2‐7）3 確定性 , 2018) 及環境載重 發更準確之 器等，以提 anagement of 3 (2018). 將不 為 4 37。 重 之微 提供
其次，是真實運轉及環境條件組合下監視資料之載重特徵參數提 取過程(詳圖 2‐6)的準確度，可能較實驗室更加不規則。此外，計算 累積損害採用之模型本身可能也有不準確之處，因為累積損害是理論 假設，真實損害並不總是累加的，它沒有考慮真實不同故障因素之間 之相互作用，導致損壞模型可能過於簡化和過於樂觀；另某些衰退的 信號隱藏或潛在存在於感測器中的雜訊中，在這種情況下，由於沒有 明顯的衰退趨勢，沒有任何異常之預先信號，發生事件往往是突發性 的和災難性的，在這種情況下，需要採用其他故障預測方法，以早期 了解衰退趨勢；另有某些故障機制有所謂的「潛伏期」(incubation tim)，會有一段表現無故障之時期38 。 值得注意的是，當故障機制及其相關模型建立得很好時（這需要 數年甚至數十年的時間才能被研究團體接受），破壞物理模型可視為 壽命估計的直接工具。尚有一些新的故障機制未得到充分探討，還有 一些其他的故障機制，其根本原因難以釐清，因為它可能具有原子級 或微觀結構的起源難以識別。在這種情況下，我們別無選擇，只能使 用經驗模型來適應資料趨勢，充其量只是結合部分物理學之模型。另 外，在某些情況下，如果蒐集到之感測器資料量很少，則應該考慮使 用結合其他資料處理方法，在蒐集到新的感測器資料時，更新模型參 數值等複合式預測方法39。 38 See Cheng S., Raghavan N., Gu J., Mathew S. and Pecht M. G., Physics‐of‐Failure Approach to PHM. In Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , 78‐79 (2018). 39 See Cheng S., Raghavan N., Gu J., Mathew S. and Pecht M. G., Physics‐of‐Failure Approach to PHM. In Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , 80‐81(2018).
第3節 內建故障前兆偵測器法
壹、 原理及構成 前一節已介紹破壞物理模型係為因應機械等產品真實條件之 壽命與實驗室或設計條件下之壽命大不相同之操作環境因素（例 如溫度、濕度等）不確定性問題而發展之故障預測技術，。本節 接續介紹根據此一破壞物理模型技術，進一步所發展出之「內建 故障前兆偵測器」(canaries)法。 內建故障前兆偵測器是一種產生性能功能衰退和即將發生故 障資料之預警設備(詳圖 2-8)40。該方法係配備內建故障前兆偵 測器於機械等產品中之積體電路(IC)或印刷電路板（PCB）等電子 裝置中，應用機械或內部特定組(零)件運轉之實際環境、幾何形 狀、材料屬性和故障機制等資料及破壞物理模型進行資料分析41， 基於物理理論，將內建故障前兆偵測器測試結果外推到實際設備 上42 ，以產生故障前兆預警或估算機械等產品之剩餘使用壽命。 40 See , Dasgupta, A., Doraiswami, R.,Azarian, M.,Osterman, M.,Mathew, S., and Pecht, M., The Use of "Canaries" for Adaptive Health Management of Electronic Systems, Semantic Scholar website, https://www.semanticscholar.org/paper/The‐Use‐of‐%22Canaries%22‐for‐Adaptive‐Health‐of‐D asgupta‐Doraiswami/a4432ca13259a963f47be5eb45157a0e3d90a6c3 (last visited Dec. 8, 2020). 41 See Pecht M. G. and Kang M., Introduction to PHM. In Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , at 14 (2018). 42 See Cheng S., Raghavan N., Gu J., Mathew S. and Pecht M. G., Physics‐of‐Failure Approach to PHM. In Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , at 79 (2018).圖 2-8 內建故障前兆偵測器例子 (資料來源：Dasgupta, A.et al., 2010) 貳、 優點 與前一節應用破壞物理模型不同的是，此種方法是透過在機 械或內部特定組(零)件嵌入偵測器，偵測使用期所承受之預期載 重和意外載重資料，在機械或內部特定組(零)件即將達到指定目 標值，但尚未達到之稍早時間點，即提供故障預測43。 內建故障前兆偵測器大致上有 3 種類型，消耗型內建故障前 兆偵測器(Expendable canaries)透過設計加速衰退，以產生故障前 兆預警；觀測型內建故障前兆偵測器(Sensory canaries)透過觀察 性能衰退表現，以產生故障前兆預警。共軛型內建故障前兆偵測 器(Conjugate‐stress canaries) 透過生命週期歷史應力測量記錄及 故障模型來推估消耗壽命及剩餘壽命44。 43 See Pecht M. G. and Kang M., Introduction to PHM. In Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , at 14 (2018). 44 See , Dasgupta, A., Doraiswami, R.,Azarian, M.,Osterman, M.,Mathew, S., and Pecht, M., The Use of "Canaries" for Adaptive Health Management of Electronic Systems, Semantic Scholar website,
此種技術之應用實例包括：保險絲和斷路器是電子產品中用 於感測過多電流消耗，並斷開電力之典型例子。電路中之保險絲 可防止零件遭受過度之電壓瞬變或過度之功耗、防止電力短路。 其他例子如，恆溫器可用於感測臨界溫度限制條件，並關閉產品 或關閉系統之一部分，直到溫度恢復正常為止。在某些產品中， 可以結合使用自檢電路，以檢測異常情況，並進行調整以恢復正 常狀態或啟動開關裝置以補償故障45。 此外，內建故障前兆偵測器亦可以破壞物理模型整合使用， 以提高估算的準確性，並考慮不斷變化之載重條件等重要因素46。 尤其是針對前一節所提及，某些衰退信號隱藏或潛在存在於感測 器中的雜訊中，由於沒有明顯的衰退趨勢，沒有任何異常之預先 信號因而難以破壞物理模型法進行故障預測，在這種情況下，採 用具有更薄的電介質故障前兆偵測器測試結構(a canary test
structure with thinner dielectrics)可早期了解衰退47。 參、 技術之限制及應用注意事項 先前提及，內建故障前兆偵測器將測試結構的結果外推到實 際設備上，暗示一旦內建故障前兆偵測器發生故障，實際設備就 將接近壽命。然而，是否可適用基於物理理論的外推規則時，應 先考慮內建故障前兆偵測器測試結構設計與真實設備的相似性。 https://www.semanticscholar.org/paper/The‐Use‐of‐%22Canaries%22‐for‐Adaptive‐Health‐of‐D asgupta‐Doraiswami/a4432ca13259a963f47be5eb45157a0e3d90a6c3 (last visited Dec. 8, 2020). 45 See Ramakrishnan, A., Syrus, T., and Pecht, M., Electronic hardware reliability.In: Avionics Handbook, 2281‐2315. Boca Raton, FL, USA: CRC Press (2000). 46 See Cheng S., Raghavan N., Gu J., Mathew S. and Pecht M. G., Physics‐of‐Failure Approach to PHM. In Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , at 77 (2018). 47 See Cheng S., Raghavan N., Gu J., Mathew S. and Pecht M. G., Physics‐of‐Failure Approach to PHM. In Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , 78‐79 (2018).
有時，內建故障前兆偵測器測試結構可能會因其按比例縮小尺寸、 不同的幾何形狀或材料而有出乎意料之破壞模式或機制。在這種 情況下，不能直接用內建故障前兆偵測器蒐集到的資料外推實際 設備的剩餘壽命48 。 48 See Cheng S., Raghavan N., Gu J., Mathew S. and Pecht M. G., Physics‐of‐Failure Approach to PHM. In Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , at 79 (2018).
壹 49 Se
第
、 原理及構 機器 電腦可以 電腦可以 (training 此種性能 斷系統( 練資料集 dataset 2‐9)。 (資料來 ee Kang M an Managemen 85‐86 (2018)第4節 機
構成 器學習(M 以從資料 以從學習 g dataset) 能評估稱 (diagnosti 集中的故 )，自動學 圖 2-9 來源：本研 d Jameson, N t of Electron ).機器學習
Machine Le 料處理經驗 習故障例子 )中學會分 稱為準確性 ic system 故障模式(d 學會判斷機 基於機器 研究翻譯自 . J., Machine nics: Fundame習資料驅
earning)使 驗中學習某 子（或稱觀 分辨故障， 性(accuracy based on etecting f 機器等產品 器學習技術 自 Kang M Learning :Fun entals, Machi驅動故障
使電腦無需 某些任務和 觀察值或 並就結果 y)。基於機 ML techn failure pa 品之故障特 術的故障診 M and Jam ndations. In Pr ne Learning, a障預測法
需明確程式 和度量某些 樣本）的 果正確性作 機器學習技 nique)，會 atterns in 特徵(Feat 診斷系統 eson, N. J rognostics and and the Intern法
式即可學習 些性能。例 的訓練資料 作績效評估 技術的故障 會透過偵測 the train ture)49 (詳 J., 2018) d Health net of Things , 習， 例如， 料集 估， 障診 測訓 ning 詳圖 ,機器學習演算法根據是否在人類的監督下進行學 習 訓 練 而 分 為 監 督 、 無 監 督 、 半 監 督 和 強 化 學 習 (supervised, unsupervised, semi‐supervised, and reinforcement learning)等 4 大類。可以透過線上學習 (online learning)或批次處理(batch learning)離線學習增 加學習成效(learn incrementally)，或只是以及它們是通 過簡單地將新資料點與已知資料點進行比較，或是透過 檢測訓練資料中的模式建立預測模型(detect patterns in the training data and build a predictive model)50。 1. 監督式機器學習故障預測及預測設備剩餘壽命： 在監督學習中，提供機器學習演算法的訓練資料應 包括所需的解決方案，稱為標籤(labels,)，分類是典型 的監督學習任務。故障診斷系統是分類的一個很好的例 子：它經過許多變量或特徵及其分類（例如故障或健康） 的訓練，學習對新變量或特徵進行分類(詳錯誤! 找不 到參照來源。)。 50 See Kang M and Jameson, N. J., Machine Learning :Fundations. In Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , 85‐86 (2018).
51 Se 圖 2 ( ee Kang M an Managemen 86 (2018). 2-10 以監 (資料來源 另 數值，例 (regres （Rem 集必須 輸出與 regress d Jameson, N t of Electron 監督式機器 源： Kang 另一個典型 例如：以機 sion)模型 aining use 須包含帶有 與分類之機 sion)可預測 . J., Machine nics: Fundame 器學習訓練 g M and Ja 型的人工監 機器的剩 型，來預測 eful life, R 有關聯標籤 機率對應值 測一定百分 Learning :Fun entals, Machi 練電腦判斷 ameson, N 監督機器學 剩餘使用壽 測機器等產 RUL） (詳 籤的預測變 值，例如 分比機會 ndations. In Pr ne Learning, a 斷故障相似 N. J., 2018 學習任務 壽命歷史資 產品的剩 詳圖 2-11 變量。某些 ：羅吉斯 會為正常51 rognostics and and the Intern 似性 8) 務是預測目 資料訓練回 剩餘使用壽 )。訓練資 些回歸法可 斯回歸(logi 。 d Health net of Things , 目標 回歸 壽命 資料 可以 istic , at
圖 2 ( 2. 2-11 以回 (資料來源 無監督 與 中是未 習的主 (即降維 異 常 檢 detecti 回歸分析法 源： Kang 督式機器學 與有監督的 未標記的(u 主要任務是 維，dimen 檢 測 (anom on)。假定 法訓練電腦 g M and Ja 學習故障預 的學習不同 unlabeled) 是分群(cl nsionality r maly det 定資料集中 腦預測設備 ameson, N 預測及預測 同，訓練資 )。在故障 ustering)和 reduction ection) 、 中的大多 備之剩餘壽 N. J., 2018 測設備剩餘 資料集在無 障預測中使 和減少資 )，分群已 異 常 值 多數例子都 壽命 8) 餘壽命： 無監督的學 使用無監督 資料分析變 已被廣泛用 檢 測 (out 都是正常的 學習 督學 變量 用於 tlier 的，
52 Se 圖 2-1 ( 3. ee Kang M an Managemen 86‐88 (2018) 透過查 的異常 12 以無監 (資料來源 半監督 半監 無標籤和 測是半監 的異常 d Jameson, N t of Electron ). 查找看起來 常作檢測52 監督法訓練 源： Kang 督式機器學 監督學習是 和少量有標 監督學習的 ，該健康基 . J., Machine nics: Fundame 來最不適合 (詳圖 2‐1 練電腦學習 g M and Ja 學習故障預 是一種監 標籤的資 的例子。 基線必須 Learning :Fun entals, Machi 合的例子， 2)。 習正常無故 ameson, N 預測 監督學習任 資料進行訓 透過比較 須事先知道 ndations. In Pr ne Learning, a 對無標籤 故障例子的 N. J., 2018 任務和技術 訓練。系統 較健康基線 道（即標籤 rognostics and and the Intern 籤測試資料 的模型 8) 術，利用大 統中的異常 線來檢測系 籤），基線 d Health net of Things , 料中 大量 常檢 系統 線資 ,
料集通常由代表系統健康運行狀態的所有可能變化的參 數集合組成53。 4. 強化學習式故障預測 透過電腦代理人，藉由觀察環境、選擇並執行動作、 獲得獎勵回報或負面懲罰機制，訓練電腦代理人自己學 習什麼是最好的策略，以便隨著時間的推移獲得最大的 回報54。 5. 機器學習資料驅動故障預測法之資料處理程序 綜上，機器學習資料驅動故障預測法是透過計算設 備產品之內部變量（例如：溫度、振動等）、外部環境 變量（例如：氣候資料），對設備等產品之可靠度作出 預測。變量由感測器測量，內部變量僅在機器等產品運 轉時才發生，而無論設備是否運轉，都存在外部環境變 量55 。 由於產生資料量具有大量、多變等特性，較不是一 以人工處理，因而透過訓練電腦學習模型來分析設備運 轉之效能資料。其處理程序包括：故障預測之功能需求 分析、設備及環境資料蒐集、正常特徵探討、設備健康 狀態評估、診斷及預測等(詳圖 2-13)。 53 See Kang M and Jameson, N. J., Machine Learning :Fundations. In Prognostics and Health
Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , at 88 (2018).
54 See Kang M and Jameson, N. J., Machine Learning :Fundations. In Prognostics and Health
Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , at 88 (2018).
55
See Pecht M. G. and Kang M., Introduction to PHM. In Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things , at 16 (2018).
圖 2-13 (資料來 機器學習資料 來源：本研究 料驅動故障預 究翻譯自 Pecht 預測法之資料處 t M. G. and Ka 處理程序 ang M, 2018)
