模糊控制在機台保養決策之應用

(1)

模糊控制在機台保養決策之應用

盧坤勇

國立聯合大學電子工程系

A Fuzzy Logic Model Using on the Maintenance Decision

Making

(2)

2

簡報大綱



研究動機



研究架構



實做



復工決策



結論

(3)

研究動機



在全球化及激烈的市場競爭壓力下，為了求取生存空間，許多企業不得不改變傳統的經營手法，而關鍵的成功因素在於提高生產力及客戶的快速回應能力。



生產線可能因機器故障而嚴重影響對客

戶的服務品質。

(4)

4

研究動機 ( 續 )



機台的復工決策牽涉到維護人員之經驗

，可支援人力多寡，維護資源數量，或是場站間是否有其他干擾因素等，這些因素會直接或間接的影響到機器故障是否可以立即修護。



前述決策變數大都無法客觀量化。

(5)

經驗法則 (Empirical Method)



智慧型代理人 (Intelligent Agent)



數學模型法 (Mathematical Model)



模糊邏輯

(6)

6

經驗法則 (Empirical Method)

 直接由現場管理人員依當下之狀況來擬定可行決策，此法之優點為可立即解決當下之問題，缺點為決策品質可能不高，整體決策成本難於達到最佳化。

(7)

智慧型代理人 (Intelligent Agent)

 透過資訊技術 (IT) ，將專業人員之經驗和智慧存入專家知識庫，當機台發生故障時，由相關資料處理人員輸入特定狀態資料，然後由代理人選取一可行方案。

 此法之優點為不需依賴現場管理人員，可立即得到解決方案，缺點為不容易解決複雜問題，整體決策成本也難於達到最佳化。

(8)

8

數學模型法 (Mathematical Model)

 搜集故障機台之重要決策參數，然後以數學規劃方式求解。

 此法之優點為可獲得最佳解，缺點為耗時甚長，無法滿足企業界”快速回應”之需求。

(9)

研究架構



復工方案



不確定性判定

(11)

復工方案



當生產線停線時，管理人員可能採行之決策有三種：

(1) 修復設備後繼續生產原工令。

(2) 若有其它替代設備，可考慮變換機台，再繼續生產原工令。

(3) 變換全部或部分機台之生產工令，以滿足當下之顧客需求。

(12)

12

復工方案

( 續 )

 各方案之成本：

 (1) 方案一：

 (2) 方案二：

 (3) 方案三：

 各變數之意義為：

 c_wr 表等候修護損失， c_wm 表等候換模損失

 c_cm 表換模成本， c_qc 表品質低落損失

c

wr

C

₁ 

qc cm

wm

c c

c

C

₂

  

) (

1

3 cmi qci

n i

wmi

c c

c

C





 



(13)

復工方案

( 續 )



方案一

 直接等候故障機台之修復，適用於修護時間較為短暫，或是無其它機台可供替代者。



方案二

 修護時間長，且有其它機台可供替代者，可考慮選用此’方案。



方案三

 替換機台時，連帶須更換後序製程之機台者

(14)

14

不確定性判定

模糊化機制推論引擎反模糊化機制

模糊規則庫

模糊邏輯推論過程示意圖

(15)

不確定性判定 ( 續 )

 模糊化機制之功能乃將外界明確的 (crisp) 輸入值，予以轉換成適當的語意式模糊資訊。

 模糊推論引擎則為模糊系統之核心，藉由執行類似推論或模糊推論的方法，來模擬人類的思考決策模式。

 模糊規則常以 IF-Then 之格式表示，這些規則可提供給推論引擎，以專家系統之推論方法來執行推論功能。

反模糊化機制則將推論引擎導出之模糊資訊，

(16)

16

實做



依 Swanson 之研究報告所述，影響維護工作品質與效率之重要因素有下列幾項

：

 故障程度

 機台年齡

 預防保養完善度

 現場干擾狀態

 可用維護人力

 維護經驗與技術水準

(17)

實做 ( 續 )



本研究乃依據 Swanson 之結論來建構模糊專案之主要決策變數



使用 fuzzyTECH 模糊軟體來建構模糊專

案

(18)

18

fuzzyTECH 模糊軟體簡介

 INFORM Gmbh, Germany, 2001

 此套裝軟體允許使用者自行建立模糊專案，專案中所使用之各種參數和模糊方法，可儲存成一個獨立的介面檔，當載入模糊引擎時，可指定所需搭配的介面檔，依據自訂的參數和方法

，即可自動計算對應之模糊數。

 fuzzyTech 除了可依自訂介面來計算模糊數外

，它也內含類神經網路演算法，具有自我學習之能力。

(19)

當機復工可能性判定模糊專案

(20)

20

專案變數說明



維護工作複雜度 (BKD_complex) ：由下列三項變數導出

 故障等級 (BKD_degree) 、

 機齡 (MC_age)

 預防保養 (PM_status)



維護能量 (MT_capa) ：由下列兩項變數導出

 維護人力 (MT_mpower)

 技術 (MT_skill)

(21)

專案變數說明

( 續 )



預定時間內完成維護工作之可能性 (MT_

prob) ：由複雜度、維護能量及干擾因

素 (ITF_element) 來推導

(22)

22

模糊語意變數分類

模糊變數語意變數成員

BKD_degree First, Second, Third, Fourth, Fifth

MC_age Very-young, Young, Middle, Old, Very-old PM_status Bad, Normal, Good

BKD_complex Low, Medium, High MT_mpower Weak, Enough, Strong MT_skill Poor, Good, Excellent MT_capa Poor, Normal, Good ITF_element Light, Normal, Heavy MT_prob Low, Medium, High

(23)

蒐集專家經驗

規則序結合運算子

決策變數對應厥果

名稱狀態名稱狀態

1 BKD_degr

ee First

And MC_age Very_you ng

以問卷卡蒐集專家經驗

(24)

24

模糊推論規則範例

Singular decision variable:

IF BKD_degree = First

THEN BKD_complex = low Compound decision variables:

IF BKD_degree = Third AND MC_age = young AND PM_status = good

THEN BKD_complex = low Decision rule modified by DoS:

IF BKD_degree = First

THEN BKD_complex = low WITH 1.000

(25)

fuzzyTECH 之試算表式規則庫

(26)

26

歸屬函數示意圖

(27)

使用 NueroFuzzy 之學習過程

(28)

28

學習範例 (300 例 )

(29)

復工可能性查詢視窗

(30)

30

復工可能性範例說明

 依前例之查詢試算，當

 故障程度為 2 級

 干擾因素為輕微

 機台年齡 5 年

 維護人員 2 人

 技術水準 2 級，及

 預防保養在正常情況下

 該機台之復工可能性之試算值為 0.7722 。

(31)

復工決策選擇

(1) 方案一：

(2) 方案二：

(3) 方案三：

其中 Pi 值表各類決策變數之模糊 P

c

C

₄



_wr

/

3 2

1

5

c / P c / P c / P

C 

_wm



_cm



_qc

) /

/ /

(

₁ ₂ ₃

1

6 i cmi i qci i

n i

wmi

P c P c P

c

C    



(32)

32

結論與討論

 本研究提出一模糊控制模型，協助管理人員制定維護排程之決策。本研究之目的，在於協助現場管理人員能及時的解決生產線當機之復工排程。

 當設備當機後，若需考慮變換全部或部分機台之生產工令時，此時復工政策可能衍生為生產排程和工作指派之問題。此問題非常複雜，不在本研究考慮範疇。

(33)

致謝



感謝國科會支助本研究計畫

( 計畫編號 : NSC 93-2213-E-239-005)



感謝佳育公司及韋程公司協助本計畫之

建模與模擬資料蒐集

(34)

34

模糊控制在機台保養決策之應用