智慧預測與診斷系統

摘要
本技術概念採用資料探勘(Data Mining)的方法流程進行建置，並且與美國智慧維護中心(IMS)共同建立智慧化機械關鍵技術，包括有訊號處理丶特徵萃取/選取丶性能預測及故障診斷等模組。PMC預診中心將負起擴展及建立智慧化機械的能量，於2016年引進美國智慧維護系統技術後，也逐步建立預測診斷技術，如表1所示。PMC預診中心在2016年成立後，積極建立訊號分析及機器學習函式庫，並與廠商合作，逐步修改演算法，使其能夠符合機械領域所需要的算法；此預測技術為智慧預測與診斷系統，簡稱PDPS。

表1 智慧預測與診斷系統模組

研究方法與原因
完成一套預測診斷技術中，在學界有許多各式各樣的演算法可供使用，但往往機械領域的廠商，不見得能夠適應，並且所需的建置時間丶成本也偏高，而如何選擇適當的工具，將是最嚴苛的挑戰。此外，在國內外學界的現況上，雖然也有不少的技術研究和探討，但目前此方法論之研究或應用，顯然不見得能夠給應用在業界上，或是僅侷限於特定部分的深入。有鑑於此，PMC將以智慧技術為主軸，進而成立預診中心，規劃引進美國智慧維護系統中心的技術資源，並建立智慧預測與診斷系統(PDPS)。
智慧預測與診斷系統(PDPS)
PMC預診中心依據廠商業者的需求，結合國內外學界的領域資源，建立智慧預測與診斷系統，導入後將能夠避免設備故障發生，並進一步提升設備產能。該系統是以人工智慧技術之機器學習為主，以歷史記錄為資料庫，再以演算法分析，如類神經網路丶自我組織映射丶羅吉斯迴歸等為核心算法，進而診斷機械或零組件的故障問題；在運轉狀態下，我們也能獲知設備的壽命程度，是否處於正常丶異常或錯誤等失效模式。
智慧預測與診斷系統以五大模組為主，有訊號處理模組丶特徵萃取模組丶特徵降維比對模組丶性能預測模組丶故障診斷模組，如表1，並將依各模組介紹如下