监诊实绩

监诊实绩

应用领域

应用领域

常见问题

常见问题

Support

什麽是设备的 馀命预测(剩馀寿命预测)?

常见问题|什麽是设备的 馀命预测(剩馀寿命预测)?

在智慧製造中,许多厂区对于预防性维护『预知保养』的观念逐渐重视,以各式不同监测设备的方式来了解掌握设备的健康程度,再藉由健康程度来实行规划预知保养计画。

什麽是设备的 馀命预测(剩馀寿命预测)?

定义解释
什麽是设备的馀命预测?

馀命预测(剩馀寿命预测 ,Residual-life Prediction)
馀命预测(剩馀寿命预测 ,Residual-life Prediction)是实现设备预知保养管理的基础和核心,近年来已成为故障诊断、设备可靠性、系统工程领域的研究热点。在智慧製造中,许多厂区对于预防性维护『预知保养』的观念逐渐重视,以各式不同监测设备的方式来了解掌握设备的健康程度,再藉由健康程度来实行规划预知保养计画。对于使用者而言,预知保养不仅仅只是提早知道设备坏了,该提前安排维修保养而已,使用者更想知道的是设备还能够使用多久?监测系统发出告警后该如何安排维修规划?机台设备的保养顺序?

在设备使用方式正常、设备正常运行、需求不变的状况下,设备的使用寿命成了产线製造过程中影响效益的重要因素。而我们可透过各式感测器搭配监测系统蒐集被测物的各式数据(数据量测),系统选定需要的数据资料(资料选定),排除各式杂讯后(数据前处理),开始对数据做特徵提取,并依照特徵值做学习规范比对等。

什麽是设备的馀命预测?

观念说明
设备馀命预测的观念

影响设备寿命的原因就跟影响人的寿命原因大致一样,人的身体健康状态由最初的本身基因影响,加上时间的推移,年纪大身体日渐衰弱,各式生活环境汙染以及日常生活中是否有不良习惯等等影响。

同理,对于设备寿命的影响大概包含四大类:机械质量因素、时间因素、环境因素以及人为因素。我们虽然无法避免设备因为长期使用下造成的损坏(时间因素),但是我们可以藉由掌握设备的状态,避免设备在不当的环境下使用或是在设备出现小状况时就解决,不让设备问题持续恶化,并且能够藉由维护的方式延长使用寿命。『馀命预测』的主要用意,是要让使用者藉由已知的预测时间,更清楚时间脉络,依循设备寿命提早规划维修保养,并进而缩短产线停机时间、延长设备使用寿命、维持一定的设备良率等目的。

设备馀命预测的观念

常见问题(FAQ)

什么是设备余命预测?
设备余命预测,又称剩余寿命预测,是利用设备运转数据、健康状态与劣化趋势,预估设备在目前使用条件下还能维持正常功能多久,作为预知保养与维修规划的重要依据。

RUL 是什么?
RUL 是 Remaining Useful Life 的缩写,中文常称为剩余使用寿命或设备余命,代表设备从目前状态到达故障、性能失效或设定维修门槛前,预估仍可正常使用的时间。

设备余命预测和预知保养有什么关係?
预知保养不只是判断设备是否异常,也需要知道设备劣化速度与剩余使用时间。透过余命预测,工程人员可以依设备健康程度与预估剩余时间安排维修顺序,降低无预警停机与过度保养。

哪些因素会影响设备剩余寿命?
设备寿命通常受到机械本体品质、使用时间、环境条件及人为操作与维护等因素影响。长期磨耗无法完全避免,但透过设备健康监测与适当维护,可以降低异常环境或操作造成的劣化速度。

设备余命预测需要哪些数据?
可依设备特性收集振动、温度、电流、压力或其他运转数据,再经过资料选定、杂讯排除、资料前处理与特徵提取,利用历史趋势、规范或机器学习模型分析设备劣化状况。

不同设备可以使用相同方式预测余命吗?
不一定。不同设备的运转模式、故障机制与可量测数据不同,因此需要依设备特性选择适合的监测方式与预测模型。例如转子设备可着重振动与健康趋势,而週期性设备则可分析每次动作的特徵与週期变化。

转子设备如何进行剩余寿命预测?
转子设备可透过振动与设备健康数据建立长期趋势,分析设备是否出现不平衡、对中不良、轴承或其他机械异常,再依设备健康变化预测未来状态,协助安排维修保养。

週期性设备如何进行余命预测?
週期性设备可持续收集每个动作週期的讯号与特徵,建立正常设备模型,再透过历史数据与特徵差异持续比对,掌握机构劣化趋势并预估未来设备状态。

设备余命预测可以带来哪些效益?
设备余命预测可以让维护人员更清楚设备劣化的时间脉络,提前安排保养与备品,降低无预警停机,缩短产线维修时间,同时避免过度保养并延长设备使用寿命。

预测设备馀命
不同设备种类使用不同方式预测设备馀命

对症下药,不同设备种类使用不同方式预测设备馀命
针对转子相关设备类,固德的 VMS-RM 线上转子健康品质监测系统 内建智能AI演算法,将数据进行AI交叉对比,除了可以了解设备状态、转子异常可能的原因等,也能够预测设备未来七天状态趋势。

对于週期性设备类,由于其设备运转方式及流程较为複杂,可利用 OLVMS-ML机器学习智能监控系统 进行监测与特徵学习,经由数据与特徵判别的不断累积比对等等,系统将预测设备馀命,让使用者有更多时间能够提早准备维护工作。