我们公司(AMANO)也是尝试籍由声音及振动来检测异常的公司之一。我们制造的产品包括使用在工厂的吸尘器。这一类的吸尘器当过滤网被堵塞住时,抽吸力会降低。因此,我们希望能够建立一个可以在过滤网堵塞前就能检测出的机制,以便建议使用者在适当的时间就能够更换过滤网。也就是说,这是属于预测性保养的对应方法。 |
「透过以LabVIEW作为开发环境,可以在一周左右实现包括GUI等在内的所有功能。若是选择其他的程式语言或是开发工具的话,可能就无法完成系统了。」 |
—铃木真人 AMANO株式会社 开发本部 时间开发部硬体开发课 主管笔者参与了此项技术的开发。具体来说,我们透过监测吸尘器风扇所发出的声音,来判断过滤网的堵塞程度。目前,我们利用了其他的方法实现了预测性保养,笔者之后也继续以个人的研究探讨有关以声音作为异常检测的方法。其结果是将采样得到的声音信号,利用FFT计算并取得频谱(spectrum)的「重心」。在这里所指的「重心」,是由频率轴方向的坐标和振幅轴方向的坐标表示。 |
在这里使用重心的概念的理由如下所述。如果有出现任何的异常状况,FFT计算求得之结果所显示的频图出现变化的可能性也随着增大。但是,具体而言会出现什么样的变化并不十分清楚。举例来说,声音的主成分信号的振幅的增加或减少在正常的情况下,不存在频率的发生、或是噪音地平(Noise Floor)的上升。因为我们直接是监测FFT的结果,因此较难准确地掌握异常发生的象征。相对地,若是可以注意重心,那么这个问题便可以解决。原本FFT的结果会跟着变化而有波动,但在正常的情况下,其重心通常会在特定的位置附近出现。另外,当声音来源发生变化时,不管是哪一种类的变化,即使变化量只有一点点,其表现出来的重心也会产生很大的位移。因此,便容易被检测出来。 |
只是若只以重心为指标,并无法解决所有的问题。为了能和正常的状况相比较,准确地进行临界值判断,也是多需要下点功夫。总之,重心若是在某个位置上是异常的话,相反地,在其他的某个范围内可能就属于正常,根据这样的理论作为判断的方法是有必要的。所以在这里我们将介绍田口式品质工学的MT(Mahalanobis-Taguchi)法。MT法是有统计学者田口玄一所提出的「判别事物的方法」。首先,先收集正常状态的相关资料,并以此为基础,定义为「均质特性群组」。在MT法中,此均质特性群组称之为「单位空间」。此外收集的资料中,也可能存在几个不同的「项目」。以FFT的重心来说,就具有频率轴方向的座标及振幅轴方向的座标2个项目。在MT法中,项目的平均及标准差、项目间的相关系数为基准,可算出「马氏距离(Mahalanobis distance)」的一次线性资料。这是各个资料从单位空间开始有多远距离的指标(图1)。若以马氏距离(Mahalanobis distance)作为临界值的话,可以得到新的资料(监测实际运作中装置取得的声音和振动数据),并可以此判断单位空间是否符合高精确度/信赖性(判断的依据,可由设定的临界值进行统计分析而得)。换句话说,以马氏距离(Mahalanobis distance)为指标,确认单位空间是否远离马氏距离,可以精确地分辨出是处于正常状态、或是异常状态。另外,在这种方法中,将多个项目以马氏距离(Mahalanobis distance)让一次元资料的收集后,使为判断依据,但是造成这个问题的原因是什么(FFT频谱有什么样的变化),之后也可以再进行调查。 |
1.监测对象(各种装置的零件等)在正常功能运作时,收集所产生的声音及振动相关讯号为样本资料。 |
3.重复上述步骤取得多个重心座标数据。根据所收集的资料定义为单位空间。 |
4.实际运用在监测的对象物品时,取得操作时产生的声音及振动数据资料。此外,并依序计算取得FFT重心及马氏距离(Mahalanobis distance)。 |
5.将计算求得的马氏距离(Mahalanobis Distance)与预定的临界值作比较,判断正常或异常。 |
依据上述步骤所做的,无非是基于机器学习(Machine Learning)来判断良劣。在这个FFT-MT系统中,简单透过FFT重心的讯息与品质工学MT法的结合,可以将判断良劣的所需的计算量减少到最少。另外,根据以统计学的概率为基础可以设定判断值,在正常的状况下判定为异常、在异常的状况下,判定为正常的这样情况的发生减到最少。此外,它具有能够达到高度检测力的特点,并且可以透过单位空间的设计来控制检测的灵敏度。 |