應用於AIOT之診斷與技術中
振動分析技術開發
摘要
工業4.0的時代已然來臨，智慧機械已是時代所趨。而在此同時，許多廠商正大力導入各種智慧化的機台監測系統，希望能就此協助工廠進行機台的維護與保養，即時反應機台異常之情況，以提升工廠效率與產值。
本專題透過機器學習，將自工廠接收而來的數據進行處理後，透過AI進行分析，分辨數據所代表的異常成因，以協助工廠診斷機台哪部分零件故障。藉由本專題，能透過數據分析與AI分析，監控機台狀況是否正常、找出機台故障的零件並且顯示在雲端資料庫，讓工程師能即時監控並且維修。我們希望透過這樣的研究成果，能提高機台狀況穩定度、提高產品良率，實現工廠智慧化診斷與監控系統。
架構
本專題使用RX64M開發版與e2 studio進行振動收值。
透過邊緣運算系統與MySQL，使工廠端資料能直接上傳到雲端資料庫 ; 並使用Matlab進行資料的分析與特徵值預測，同時透過anaconda、pandas、tensorflow、keras進行機器學習和結果預測，以及pymysql連結MySQL資料庫進行資料匯入上傳與結果顯示。
步驟
MCU，MicroController Unit
MCU，MicroController Unit，微控制器單元，也就是單晶片，或稱為微處理器。MCU可以說是簡化版的電腦，單價較便宜、體積小、功耗低，在工具機上主要可以用來收集、傳輸資料並且可以對工具機做指定的動作。
此專題中，我們使用MCU代替電腦，作為連接感測器與雲端資料庫的橋樑，接收並傳輸資料。
MCU，MicroController Unit，微控制器單元，也就是單晶片，或稱為微處理器。MCU可以說是簡化版的電腦，單價較便宜、體積小、功耗低，在工具機上主要可以用來收集、傳輸資料並且可以對工具機做指定的動作。
此專題中，我們使用MCU代替電腦，作為連接感測器與雲端資料庫的橋樑，接收並傳輸資料。
- 如何控制MCU ?
透過MCU手冊了解原理後，我們便可編寫程式(也就是韌體)，寫入我們所需要的功能、達成控制MCU。
邊緣運算系統
利用瑞薩32位元MCU結合感測器協助收取震動數值，並將邊緣運算系統安裝至工廠機台上，自動收集振動數值並匯入雲端資料庫。
MYSQL資料庫管理系統
MySQL是一種開源的資料庫管理系統，廣泛應用在中小型的網站中，用來配合如PHP、ASP或ASP.NET等網頁程式語言，儲存大量數據。
簡單來說，資料庫是用來放置大量資料與檔案的一個倉庫，SQL是跟網站倉庫溝通的管員，而MySQL是用來管理倉庫的系統。如此，我們可以透過MySQL系統請SQL與倉庫溝通，管理資料庫中的資料。
資料庫建立完成後，便可將量測到的震動資料匯入資料庫中，並新增”ID”欄位，方便之後查詢資料、刪除資料。另外再新增一個”predict”欄位，用來儲存預測數值。
由於振動資料是放在資料庫中，而機器學習與結果預測需要在python中執行，因此需要”pymysql”這個library連接MySQL和python。
在python中import pymysql，在程式中寫好資料庫的使用者名稱與密碼，便可以和資料庫建立連結，再用指令讀取特定表格中的振動資料，便可以將震動資料讀取到python中分析、機器學習並預測結果，再將預測結果自動回傳至MySQL中。這樣能讓研究與管理資料的過程更方便，不需要手動管理與上傳資料。
震動分析
透過Matlab進行訊號濾波與資料特徵萃取，分析特徵點出現的頻率，讓AI能過進行特徵進行分類。
使用 Python Tensorflow 和 Keras 的AI機器學習
- 將振動資料分成訓練資料集與測試資料集：訓練資料集用來調整、訓練模型，測試資料集用來讓模型預測沒看過的資料，測試預測準確度。
- 在python中利用keras與tensorflow訓練模型：由於這次主要預測的有兩個問題，背隙和磨潤不足，兩個問題在工具機上發生異常的位置不同，收值的位置不同，因此我們決定針對兩個問題分別訓練模型，並根據預測結果調整參數達到最佳狀態，將模型儲存。
- 根據模型預測結果：用pymysql連結MySQL資料庫，讀取振動資料(測試資料集)，將主軸資料放到磨潤不足的模型裡判斷是否有磨潤不足的問題，將x軸資料放到背隙模型中判斷是否有背隙問題。
- 回傳預測結果：將兩個問題的預測結果分別上傳至資料庫對應的欄位中，方便使用者查看資料。
分別學習與測試上述提到之技術後，將其整合並測試成果有無問題：
- 將MCU實際裝在在機台上收值得到振動資料，整理並分析振動資料後將其匯入建立好的資料庫中。
- 在python中用keras進行機器學習，並調整參數，訓練出準確率較高的模型後連接資料庫，讀取振動資料，用訓練好的模型預測新資料，再將結果回傳至MySQL(最終成果)。
成果
左圖為mysql上的背隙的資料集，尚未讓AI預測工具機狀態，predict欄位是空的。
ERR欄位為0表示是機台正常時的資料，1表示是機器異常時的資料。(為了方便觀察預測是否正確，將err值也放上去，但是預測時只有用到前面振動資料的欄位。)
執行程式後，根據先前訓練好的模型進行預測並上傳結果，可以在predict的欄位看到預測值。
背隙的測試資料集的預測準確率約為93%
結論
本次研究，我們利用MCU結合感測器之邊緣運算系統對工具機進行收值、資料前處理與濾波分析，再連結MySql資料庫，使工廠端的資料能更方便地上傳管理與監測，最後使用Python Tensorflow 和Keras 的 AI 機器學習，對資料庫中背隙和磨潤不足的數據建立模型，讓模型能根據振動資料預測工具機是否有背隙與磨潤不足之問題。
主程式利用訓練好的模型進行預測，並將預測結果自動回傳至雲端資料庫。
雖然工廠機台的耗損避不可避。但經過對機台進行數據分析及診斷，便可以透過監督式學習，遠端監控機台狀況，並對機台的磨耗等問題即時進行反應及處理，避免了因為機台異常造成產品品質不佳的損失。
地址
407224
台中市西屯區台灣大道四段1727號-電機工程學系
(東海大學-人文暨科技館)
電話
04-23590121 #33918
服務時段
周一~周五 09:00~17:00