王朝民 / 台灣中油公司；王淑麗 / 台灣中油公司煉製研究所
台灣中油公司很早就投入智慧轉型，初期是數位轉型，在民國74年即領先導入最先進的程序控制電腦(DCS)，並且為了提高產量控制品質，早在10幾年前就已引入高階製程控制技術(APC)。這幾年因為AI技術的成熟，中油公司於民國110年成立5G AIoT推動辦公室，致力於各種智慧轉型的研究，確定將智慧轉型區分成包含①智慧工安；②環保與淨零碳排；③設備可靠度；④製程優化與⑤營運管理等領域，目前公司的相關智慧轉型遍地開花，逐漸展現成效。本文將涵蓋中油最新發展技術，由線上Real-time和PI (Process Information)收集資料，建立轉動設備的預測及健康管理(PHM)指標。使用PHM技術於轉動機械預知保養，相較基於專家知識的物理模型方法，數據驅動方法為根據歷史數據建立模型，適合複雜工況與多種參數耦合難以使用物理模型的情況。
【內文精選】
預測及健康管理(PHM)模型建立
與傳統的定期維護(Preventative Maintenance)、狀態基準維修(Condition-basedMaintenance)不同，預測維護(Predictive Maintenance)提供早期衰退和故障檢測，其利用衰退曲線預測系統剩餘有用壽命，並指出異常肇因，作為制定設備維護計畫和管理的參考。由於預測維護檢測到系統有故障前兆時不直接更換或修理元件，而是評估在不犧牲安全性和效率的情況下尚可使用多長的時間，使得元件可以得到充分利用，因此降低了維護成本。
建立PHM需六大步驟：資料擷取、數據前處理、特徵提取、模型訓練、健康評估與圖形化，用以實現壓縮機線上即時狀態變化監測。透過機器學習與歷史紀錄相集成，可以建立AI預知保養模式，達到設備自主健康診斷的效果。基於PHM的設備監測模型開發方法，在該方法中，使用統計特徵捕捉設備狀態變化，解決原始訊號對設備健康衰退的低敏感問題，透過Logistic Regression與AI狀態分類模型(SVM演算法)導入，可即時判斷壓縮機系統的狀態轉變和異常原因。為證明此方法的效益，以儲運所運轉中的丙烯壓縮機進行測試，研究發現，電流、溫度、壓力特徵在狀態變化的監測表現皆優於振動特徵，目前正推廣至其他煉廠中。
前鎮儲運所丙烯壓縮機的應用案例
1. 測試設備
使用丙烯壓縮機作為測試平台，圖三所示為壓縮機系統配置圖。透過數據擷取系統取得分析數據系統，訊號採集使用單軸加速規收集垂直方向的振動信號，同時以壓縮機控制器收集電流、溫度與管線壓力信號，轉換成電流訊號輸出。訊號經由數據擷取卡採集，並配合以LabVIEW開發之擷取程式記錄整理。
圖三、丙烯壓縮機與周邊系統
2. 系統架構
基於PHM的預知保養實現包含建模和監控兩個階段。在原始數據的基礎上，引入了數據前處理，並提取時域特徵作為分析數據；為了後續能夠測試模型性能，依維修紀錄為訓練數據給定標籤，透過費雪評分(Fisher Score)挑選出顯著度高的特徵子集，然後分別建立健康指標衰退與狀態診斷模型。
3. 數據前處理
在實際的工業情境中，可能因電磁干擾、數據擷取硬體故障、瞬間運轉變化等原因產生雜訊、離群值和遺漏值。鑑於數據驅動之模型需使用同尺度下乾淨的資料訓練，因此在特徵提取之前進行數據前處理。數據前處理首要步驟是清除離異值，通常原始數據異常包括有錯誤記錄、非故障之異常運轉和離群值，針對錯誤記錄與長時間非故障之異常運轉採取直接刪除，瞬間離群值則用平均數填補，以去除干擾模型訓練的資料。
4. 特徵提取
由於測量所得原始信號通常具有高度複雜性，且不足以描述設備長期使用產生的狀態變化，因此需要透過特徵提取提高模型學習性能。研究使用費雪評分法篩選出明顯的重要特徵用於後續建模，健康指標衰退模型以解釋力總和大於整體50%為截止條件。
5. 健康指標衰退模型
使用壓縮機於線上運轉一個月的數據建立訓練集。研究分別採集1個垂直振動與總電流(IT-1304)、2個位置的管內溫度(TT-341、TT-342)和3個位置的管內壓力數據(PT-341~PT-343)，並透過特徵工程提取相關且有意義的特徵。記錄解釋力排序前10名的關鍵特徵，特徵提取如圖七。基於過濾法，以解釋力總和大於整體50%的特徵集來實現Logistic Regression監測設備健康衰退。圖七顯示第一級壓縮的壓力(PT-342)和壓縮機總電流(IT-1304)特徵解釋力優於振動特徵 ---以上為部分節錄資料，完整內容請見下方附檔。
圖七、關鍵特徵擷取分析
★本文節錄自《工業材料雜誌》446期，更多資料請見下方附檔。