不论是开发预测性维护演算法或是要布署在任何资产，都具有相当程度的挑战性。本文透过一个包装机的范例，说明如何利用MATLAB来开发预测性维护演算法并将之布署在一个生产系统中，协助掌控设计的复杂性。

对于生产制造或操作工业机械的企业来说，预测性维护项目是提升营运效率并且降低维护成本的关键。

然而，不论是开发预测性维护演算法，还是要布署在可能是飞行器、MRI机台、风力涡轮、还是组装产线等任何资产，都具有相当程度的挑战性。演算法开发不仅需要广泛使用机器学习技巧的经验，还需要对于系统行为的深入了解，兼具这两项技能的工程师难以求得。

同时，布署也牵涉到一系列复杂的步骤和相互连结。演算法必须实现于多个资产设备（assets）上，那些资产会和多个边缘装置相连结，边缘装置再连结到基于云端、机房、或两者并行的IT/OT系统。单一个演算法可能会分成几个部分存在于架构中的不同元件，又再增添了复杂度（图1）。

图1 : 预测性维护系统布署的要件。

本文透过一个包装机的范例，说明如何利用MATLAB来开发预测性维护演算法，并将之布署在一个生产系统中，协助掌控设计的复杂性。

包装机的维护系统

@内文;这台包装机包括好几只机器手臂（图2左），这些手臂以高速来回移动，将物体搬运到组装产线以进行包装。这些手臂是透过以Microsoft Azure为基础的IT/OT系统相互沟通的可程式化逻辑控制器（programmable logic controller；PLC）互相连结。该IT/OT系统是从连结到机器手臂的边缘装置来收集串流资料，并且依据这些资料的分析结果进行预测性维护，以侦测其中的异常与预测手臂可能故障的时间，再将预测结果回报给工程师和操作人员使用的控制仪表（dashboard）工具。

图2 : 包装机的预测性维护系统。

预测性维护演算法

这个系统的预测性维护演算法有两个要件。第一个实现在边缘装置并利用特征撷取技巧来执行资料减量。第二个实现在云端，使用这些特征值与机器学习模型来预测故障何时会发生，并估计机器的剩余使用寿命（remaining useful life；RUL）。预测演算法产生的结果会接近即时地被串流到我们的控制仪表。

开发资料减量演算法

预测性维护演算法的第一个部分是以机器手臂所产生的原始感测器资料来运作，进而追踪驱动每一只手臂的马达的速度和电流。

使用在这类机器的感测器能够以相当高的频率来撷取样本资料。要储存像这样大量的感测器资料可能很昂贵，且资料分析起来非常耗时，也因此难以从完整的资料量来辨识出值得注意的部分。我们可以透过特征撷取来解决这个问题。

特征撷取技巧接受原始感测器资料的串流，并且传送回一个捕捉了关键动态，却比较小的特征资料集，大幅减低资料储存与传递的需求。装置在机器手臂的感测器以1 KHz的频率捕捉资料－也就是说，每秒会有1000笔样本资料。如果把一秒之内收集到的资料转换为五个特征，可以使资料储存与传递的需求减少了200倍。

使用MATLAB产品预测性维护工具箱中的Diagnostic Feature Designer App，汇入感测器资料，且利用以讯号为基础的动态建模技巧来撷取特征，再将特征依照其分辨由健康的机器产生的资料和由故障机器产生的资料的能力好坏来排序（图3）。

图3 : MATLAB产品预测性维护工具箱中的Diagnostic Feature Designer App。

当希望撷取的特征已被挑选出来时，我们便准备好在作为边缘装置的PLC上实现和测试资料减量演算法了。在真实的机器上测试演算法可能会造成机器的损害，因此将PLC连接到执行在Speedgoat即时电脑上的机器手臂Simscape模型。

这台即时的电脑可以藉由传送和接收资料与PLC沟通，就像是一台真正的机器一样。从利用Simulink-C转码器（Simulink Coder）产生资料减量演算法的C程式码开始，并将程式码布署至PLC。接下来，将包装机模型部署至Speedgoat系统，且在不同的故障条件下执行模拟，以确保演算法可在真实世界环境正确地运作（图4）。

图4 : 布署至PLC并使用Speedgoat硬体进行即时测试。

开发预测演算法

现在有一个边缘装置，它可以从资料撷取出有意义的特征以缩减传送出去的资料量。并可以使用一个执行于Azure云端的开源串流处理平台-Apache Kafka，将这些经过减量的资料集串流至IT/OT系统。我们使用这些串流资料来估计包装机马达的RUL。

当马达的状态随着时间退化，撷取的特征值会以线性或指数型比率稳定地增加或减少（图5）。依据这样的趋势，选择了预测性维护工具箱的指数退化模型来预测机器未来的健康状态。

图5 : 串流资料RUL图表范例。

为了使演算法能够相容于以云端为基础的系统，使用MATLAB编译器增益集SDK来建立一个执行档，接下来，再利用MATLAB生产伺服器将这个执行档整合到IT/OT系统（图6）。

图6 : 云端布署总览。

现在有了可以利用由连接于个别机器手臂的边缘装置取得的原始资料撷取的特征来预测包装机故障的机器学习演算法，也有一个可提供立即的预测结果、以网路为基础的控制仪表（图7）。

图7 : 最终的网路控制仪表。

实际应用案例：IMA Active

图8 : IMA Active设计并生产制药产业的自动处理与包装机台。

IMA Active设计并生产制药产业的自动处理与包装机台。这间公司希望开发一个可以监控打锭生产机（tablet press production machine）健康状态的预测性维护系统。该机器上有相当关键的移动零件，使用在这些零件的润滑剂量必须非常精确。润滑剂量过少会导致压力和故障，过多又溢漏到最终产品。

这个预测性维护系统使用从机器上既有的两个感测器取得的资料，而且会自主学习，不需要外部的干预。

IMA Active的工程师使用预测性维护工具箱开发此系统的演算法。他们从撷取两个感测器资料的特征开始—总共有36组特征。

图9 : IMA Active的工程师使用预测性维护工具箱开发此系统的演算法。

「使用MATLAB工具，我们有办法撷取并选出最适合用来建立分类模型的特征。最有潜力的演算法使用了五组特征，可以达到89%的准确度。」

他们利用预测性维护工具箱内的Diagnostic Feature Designer app从感测器资料撷取特征、进行特征的视觉化及排序。透过这些特征，使用机器学习技巧训练了一个能够估计打锭机重要移动零件健康状态的故障分类模型。

这个预测性维护系统让机器作业员能够将资源的利用最佳化，并且依据生产需求来安排维护工作。

（作者Aditya Baru任职于MathWorks公司；本文由钛思科技提供）