| 工業基礎專欄 | 機台監測診斷技術與應用

前言

全球智慧製造、智慧機械、工業4.0等議題持續延燒，智慧製造市場需求快速的放大，預測維護為工業物聯網未來最大的應用需求之一，主要的應用市場將會是製造業、石化業與電廠。機台監測與診斷技術為其技術之關鍵，但監測資料各家廠商之不同機台的設計，往往出現不同特性，使其難以快速建置診斷演算法。如何快速適應不同種類機台，為未來監測與診斷技術必須克服之問題。

遷移式學習網路架構技術

在目前監測與診斷的領域中，大多會假設應用機台之運作、故障態樣與原診斷資料建構環境相同，然而現實應用中，這個假設很難成立，同樣一套診斷項目仍需搜集同樣一套測試數據才可保證診斷項目之準確性。

遷移學習(Transfer Learning)是一種機器學習方法，可以把一個領域的知識，稱為源領域(Source Domain)，遷移到另一個目標，稱為目標領域(Target Domain)的技術，利用保留原先訓練模型之參數、特徵、關係等，進行追加訓練，使得目標領域的訓練不需要非常大量的資料及時間即可完成，且可保留源領域訓練之性能如圖1(a)。遷移學習演算法，根據所要遷移的方式，可分為4大類:

• 基於實例的遷移學習(instance-based transfer learning): 將源領域與目標領域的資料交叉比對，在源領域中尋找與目標域相似的數據，並調整其權值得到新數據，將新數據用於目標域的學習得到新模型，為修改訓練術據進行遷移的方法。
• 基於特征的遷移學習方法(feature-representation transfer learning):當源領域和目標域含有一些共同的交叉特征時，將源域與目標域的特徵變換到相同空間，使得他們有相同的數據分佈，然後再進行訓練學習，適合故障特徵明顯之數據。
• 基於模型的遷移學習方法(parameter-transfer learning): 利用參數模型架構設計，將模型架構分為參數共享區與重新訓練區，可用新數據微調先前訓練好的模型，進行目標域的訓練，為大多數遷移式學習模型使用之方法。
• 基於關係的遷移學習方法(relational-knowledge transfer learning): 將源域中學習到的邏輯網絡關系應用到目標域上來進行遷移，比如軸承內環、外環、滾珠與轉速之關係可遷移至滾珠螺桿之螺桿、螺帽、滾珠與轉速之關係。 

(a)

(b)

圖1 遷移式網路概念與測試結果