Key role in predictive maintenance

Expectation from a good predictive maintenance system:

• Predictive maintenace system could be used to estimate time to failure by monitoring faults condition, the rate of deterioration of an incipient fault follows exponential model. Predictive maintenance is only effective against incipient faults, as opposed to abrupt faults or intermitten faults.

• Predictive maintenance system should be able to perform an accurate quantitative analysis on the signals derived from a specific fault in order to quantify asset manufacturing quality. Monitoring faults from an early stage could effectively avoid knock-on effect, it is given a name:long prognostic horizon, and could be used to not only check asset condition but also quality,  results could be used as a baseline for procurement or maintenance quality. 

• Knock-on effect describes when a fault has degraded to an extend where it will most likely trigger another fault, it is the reason why assets age, based on experience, a minimum of 6 months prognostic horizon is required to avoid most knock-on effects. And long prognostic horizon could be used directly and indirectly to lengthen MTBR(Mean time between repairs).

• It is vital to measure and quantify asset manufacturing quality and accurately quantify asset condition at any specific time, predictive maintenance system must be able to process signal noise, determine transducer accuracy, catagorize and separate each specific fault type signal and handle fault signal overlap, identify operation and load variable, and process data on a quantitative analysis platform.

• Batch production mode assets: When production planning could compensate for downtime, or downtime has limited impact, one should focus on knock-on effect, avoid faults to deteriorate to knock-on effect zone, where it may trigger a higher fault occurance rate, speed up aging and causing additional redundant power consumptions. Avoiding knock-on effect zone could effectively reduce maintenance cost by 25~30% as mentioned by US DOE report. Accurate infinit prognostic horizon could also be used to evaluate new asset quality and as a basis for maintenance qaulity assessment to improve maintenance quality such as overhaul quality, installation quality etc.

• Continuous production mode assets: An accurate prognostic horizon of 12 months is a minimum, or equal to plant overhaul, maintenance or turn around period. In the case of N+1 redundancy, a minimum of 6 months accurate prognostic horizon is required to avoid any downtime (Not reduced downtime). These requirements could assure a reduction of downtime 35~45%, 70% break down and increase production by 20~25% (Not production efficiengy or any other terms, 20~25% production is the right expression, describes amount of resources turns to product), these information could be found on US DOE maintenance guideline report. Additionaly, accurate infinit prognostic horizon could also be used to evaluate new asset quality and used as a basis for maintenance qaulity assessment to improve maintenance quality such as overhaul quality, installation quality etc. or maintenace capability.

• Accurate asset prognostics must address the followings; uncertainty in system parameters, uncertianty in norminal system model, uncertainty in system degradation model, uncertainty in prediction and uncertianty in failure thresholds.

• Artesis technology has addressed all above, and is currently the most advanced predictive maintenance system.

Predictive maintenance and faults

The term predictive maintenance was coined by British air force, differs from preventive maintenance where a periodic maintenance is replaced by attempting to predict the condition of the asset prior to maintenance, or instead of doing a visual check on the parts, the condition is predicted. The term incipient fault has been used widely in the 1950s. Dr Rolf isermann catagorized faults as incipient faults, abrupt faults and intermitten faults, and his work has been adopted by NASA shuttle main engine fault detection where artesis technology was derived.

In predictive maintenance, more often than not people perform a vibration check or orbital check. For vibration measurements, acceleration, velocity displacement was measured. From an asset condition monitoring perspective, a quantitative analysis was done, but from an individual fault type perspective, it is merely a qualitative analysis although it might some what accurately measures the very late stage (few weeks prior to part failure) of such individual fault type. Vibration is a signal emitted by incipient fault, the fault usually related to rotation, and vibration could travel through a continuously strained structure, usually through a rotating shaft, then the bearings or seals, then tranmitted to the casing, and then to accelerometer. What signal might be transmitted to the casing? ambient vibration noises, asset normal operating vibration signals, and faults signals, the vibration signal is either constructive or destructive interference result of all above, when a fault has a faster deteriorating rate will eventually be prominent for meansurement, and the Prognostic Horizon is less than 3 months time. No wonder it is falsely believed that failure happens randomly, but isn't engineering's purpose to control these chaos?

The scope of predictive maintenance is vast, there are more than 100s of different fault types for induction motor alone, there are countless asset types. Product quality starts with raw materials, delivery, fabrication, assembly, quality check, delivery, installation and commissioning. Load and operation condition may also vary, and maintenance negligence. Here is a brief summary of asset types:

Assets with energy conversion or transfer are more likely to fail, such as Electric motors, Power systems, instrumentation, pressurized containers, conveyor systems, heaters and assets handles corrosive materials. Besides power systems, power systems and instrumentation, other assets are more likely failed due to structural or material failures. Power systems failure rates are generally higher, and most of them are powered by electric motors, thereore most predictive maintenance are related to rotary assets. Please note that the scope of predictive maintenance usualy exclude consumables or wearables, due to it has been designed to withstand a specific load. For this article we will focus on induction motor driven assets.

 轉動設備通常都有很多共通的零件或是部件；軸、軸承、耦合器、齒輪、皮帶等，除了一些特殊的設備的部件，大部分都有很多共通的異常。因此如果是以比較標準化的簡單設備，基本上整台設備故障率大約會是馬達故障率的1.3倍，如果是較專門的設備，這些佔所有設備比率很低，因此我們先不討論。

設備異常種類

很多廠商認為異常是隨機發生的，這些廠商賣的產品預診視野通常都不到三個月，甚至一個月左右，並且通常都無法提供各別異常種類的趨勢圖，在這個狀況下是會觀察到異常是隨機發生的，如果是隨機發生的，預知保養的意義有限，當然古早的預知保養的性能也就如此，但是工業4.0所提到的預知保養不是古早的預知保養技術。Artesis的發明人在NASA專門研究異常，且他妻子是噴射系統專家，因此很清楚Incipient Fault發展性異常。NASA將異常歸類為Abrupt Fault、Incipient Fault與Intermittent Fault。發展性異常通常幾乎都是機械異常，機械異常超過90%都是發展性異常(馬達超過65%為發展性異常，轉動設備最少60%為機械發展性異常，發展性異常高達75%):

• Incipient Fault(or Developing fault):發展性異常，佔超過75%，包括但是不限於:零件鬆動、基座不穩或稱作軟腳、不平衡、不對心、軸承、傳動系統(耦合器、皮帶系統、齒輪系統等)、轉子與定子等

• Abrupt Fault:突發的隨機異常，監控無效，通常是品質與設計問題

• Intermittent Fault:間隔性異常，很難監控，通常是設計問題或是系統外部影響

上圖很清楚的展示為何診斷視野不足的廠商會說是常都是隨機的，很多AI的廠商也是這樣認為，這樣就有充足的理由不去研究異常的一些原理，讓客戶認為AI是唯一解決的手法。這會導致客戶誤入歧途，永遠也無法受益於成功的預知保養。如果直接使用AI去估算設備何時失效或是使用AI分析未處理過的數據，這樣的效益很有限，如果將AI用於研究異常並且用於分離各別異常訊號、去除雜訊，之後再用於診斷才會有預知保養的效益。Artesis有超過千萬筆資料，且已經應用AI於相關的異常研究與相關訊號處理超過十年以上的經驗。

NASA進一步研究發展性異常，發現各別種類的發展性異常是可以用指數建立模型:

異常所產生的訊號也符合上述的模型。

預診視野或是診斷視野

預知保養常提到的診斷視野指的是診斷到異常離失效的時間間隔，既然有了發展性異常惡化的模型，不難推斷診斷視野，通常問題都出在訊號與目標系統模型的準確性，如果建立非確定性模型，需要解決系統的不確定性、系統模型的定義基礎的不確定性、惡化模型的不確定性，如果是確定性模型，則需要解決預測的不準確性與失效閾值的不確定性，當然非確定性模型也要解決這些問題。除了上述問題，還要處理雜訊、傳感器精度、異常訊號重疊、操作與負載變化並且於可同時定性與定量的平台進行分析。詳細的請參閱診斷視野與維修能力

使用診斷視野(Prognosis Horizon)這名詞是以診斷系統的觀點描述的診斷的早期性。堪用年限(Remain Useful life)是以設備設計的觀點或是財會與法律的觀點。如果站在維修保養的觀點來看，保養的好的設備是沒有所謂的堪用年限，除非像是無法保養的微機電IC，使用Flip flop 次數計算年限，BASF有超過一個世紀的化工廠，廠內的搖轉發電的轉盤式電話也都堪用!因此在此使用診斷視野較為合適。

診斷視野代表預知保養系統對於異常偵測的深度，這是預知保養成功的要素，帶來多方面的好處。理想的診斷視野最好是可以從設備出廠就可以追蹤狀態，甚至能用於診斷新設備或是維修後設備的品質。

IEEE馬達故障或失效的異常調查報告(EPRI的報告數據差不多一樣)

以下是IEEE對於馬達異常種類發生的機率調查資料

IEEE馬達可靠度調查報告分類的類別有限，根據當初製作報告的人員描述，只要是維修的馬達大多數會更換軸承，因此也編列為馬達故障異常，因此軸承的數據膨脹了許多，且根據長期的經驗，軸承惡化速度較其他轉動設備快很多，且其他轉動設備如果異常都會造成軸承的損壞，且造成軸承為故障的假象。其實根因不是因為軸承，電壓諧波也會造成軸承的損壞。 

造成故障的原因，大部分是因為機械損壞，軸承屬於機械損壞，因此大約有9%是因為其他因素，可能就是不平衡或是不對心、或是基座鬆動。第二高的就是定子25%，也就是繞線，要注意的是電器與線路異常大約有8%。轉子異常大概只有5%。有33%不知道根因。 

上圖為故障的操作原因，有44%沒找到原因，很多時候是因為振動高15%，這也會造成軸承的問題，潤滑16%也會造成軸承的問題，因此可以推論這兩項(振動與潤滑)造成大部分的機械問題。造成定子問題的操作原因:扇熱差(4%)、化學腐蝕(3%)、持續過載(5%)、不正常電壓(2%)、不正常頻率(3%)、環境溫度高(3%)、濕度過高(5%)，加起來剛好25%。因此機械問題軸承大約是30%，電子與轉子為線路問題(磁路與電路)大約是30%，安裝問題通常都是不平衡與不對心，還有軸與耦合器，大約是15%，潤滑大約是15%，其他10%就沒觀察到，很可能是電壓諧波或是基座鬆動，大約各5%。根據我們的經驗，與推斷的約略吻合。

Artesis歸類一些轉動設備常見的異常如下:

其實不難發現，每種的零件，可能會產生不同的異常或是故障訊號，轉子來說就有三種，這些異常會因為馬達的一些特性而不同，特性如下:馬達極數、滑差、額定頻率、額定電壓等而變異，操作或運行條件的不同也會造成異常與故障訊號的改變。運行條件如下: 供電頻率、供電的電壓、負載條件等。在台灣看過的軸承異常特徵高達7種。如果需要使用PSD或是FFT在頻域作分析，常常會碰到訊號重疊，如果使用Artesis的訊號，可以從全時檢測的各別異常趨勢圖觀察異常惡化的速度，如果使用FFT則無法生成有意義趨勢圖，因為雜訊的關係誤差過大，且縱軸波幅包含相(Phase)的資料。由於雜訊過高，無法看到異常初期的現象，當異常惡化後，往往會造成二次傷害，導致於不同類別的異常訊號重疊。 

如果將以上報告濃縮，我們大致上可以估算出至少90%以上的所有設備異常覆蓋範圍。 

機械問題:

我們注意到超過30%是機械異常造成故障(軸承數據需要調整為20%，軸的異常被稀釋也要往上調整)，這可以比喻為命案現場，但是兇手有31%是機械異常造成異常的發生，這就是所謂的連鎖效應，某種異常嚴重到某種特定的程度，會觸發其他異常的發生，通常都會造成軸承的損壞，而軸承的惡化速度最快，因此會造成設備故障，但是根因往往不是軸承，如果不去處理根因會造成維修間隔(MTBR)縮短。所以連鎖效應對於預知保養避免花費的效益來說是非常重要的。從IEEE資料來看，最後造成設備失效的通常都是軸承與軸的問題。軸承是惡化速度相較比較快的異常，代表這屬於較脆弱的部件，其次就是軸的問題，很多時候軸的問題跟安裝有關。

過熱問題:

其次就是過熱，過熱很多時候是操作與安裝造成的，通常設備廠商都會提供設備操作與安裝的解說，但是通常都會被忽略，因此造成過熱，過熱很容易造成絕緣材料變質惡化，因為會造成惡性循環，因此也可能是符合指數的惡化模型，過熱也會造成許多機械的異常，最直接的就是對心的問題，其他包含間隙、潤滑油變質、轉子問題等。根據我們長期觀察，當設備偏離模型接近八個標準差時，會開始看到連鎖效應，因為每種異常的惡化速度不同，因此會有一個惡化速度快很多的造成設備故障或是失效，由於惡化速度較其他的快很多，因此通常在故障或是失效前，訊號會很乾淨，也就是比較不會受到其他異常或是雜訊干擾，因此如果有以往失效的趨勢資料時，在快要失效前可以較精準估算失效的時間，但是這對於預知保養的效益有限，除非設備狀態都保持一致，不然不見得每次都會準確，比較有意義的是避免異常惡化到產生連鎖效應，這通常發生在診斷視野或是預診視野六個月時。

電力與電路問題:

電的問題包含電力與電路問題，如果只看馬達，定子的問題也算是電相關的問題，轉子算是磁路與機械問題，也算是一半個電路問題。電相關的問題佔超過三分之一的馬達問題，約略為五分之一的設備問題，算是機械問題以外第二重要的問題。原本電的問題就不少，加上了變頻器就更複雜了。變頻器是非線性負載，很容易造成電力的諧波，諧波會造成馬達軸電流，軸電流會造成軸承損壞，有些狀況下不但沒省下電的錢，反而造成更多的花費，根據經驗，很多市面上測試諧波的儀器準確度有限，Artesis技術因為建立模型，因此量測的相當的準確，不需要再高頻量測就可以準確量測到，可能是因為量測精準度要求較高，根據客戶(Samsung)反饋，他們買eMCM用來量測Partial discharge，局部放電，自從業界使用變頻器，局部放電就不只發生在中高壓電力，低壓220~360V都發生過局部放電。電相關的問題比較常發生的是定子，大部分是絕緣的問題。絕緣通常是高分子材料，高分子材料不耐高溫，如果加上潮濕會更嚴重，還好馬達通常都不會接觸到紫外線，這也是很嚴重的殺手，除了上述的問題，有些地方會有腐蝕性的氣體或是異體，如果加上潮濕，會嚴重的破壞絕緣，有些高分子可以抵抗腐蝕性的物質，因此在採買馬達時要清楚現場的狀況並且挑選相對的抗腐蝕絕緣。根據國外經驗，定子每升高十度會造成壽命減半，這是大拇指規則(Rule of thumb)，也就是經常碰到的現象。其實很多電力或線路問題都是因為人為疏忽，總是認為電不太容易出問題，對於安裝的規範也不重視，很多即使有量測也不去看，常常會看到三相不平衡、電力不穩，這些都是反映出設備問題、電力系統問題、周遭用電的問題、或是周遭設備的問題。轉子與定子為電能轉磁能轉動能的部件，只要是任何不平衡都會造成損傷，包含但不限於溫度的不平均像是熱點，高溫造成膨脹，電力與磁力的不平衡、負載的不平均與不平衡，過度的負載都會造成轉子問題。電力品質不好也會造成Torsional vibration(扭轉振動)，這會造成軸的斷裂。

軸問題:

最常見的軸問題就是不對心，很多時候設備在組裝時或是安裝時都不會對心，或是隨便對一下。通常客戶說設備有問題，通常都會先問他們有沒有對心，小馬力的設備通常都說沒有，通常都會請他們先對心。IEEE的數據通常都是做過對心的，在美國對心的工作較被重視，在台灣對心問題的比例比美國高三倍以上。會造成不對心異常的原因很多，最常見的就是安裝時沒對心，安裝時零件鬆動或沒鎖緊造成不對心，環境振動也會造成不對心，還有很多狀況是因為基座的施工造成基座沉降，軟腳(基座沒鎖緊)也會造成不對心，熱膨脹也會造成不對心，電力問題造成軸向的磁力不平衡也會造成不對心，馬達啟動時一定會影響不對心，因此不只在安裝時要注意不對心，建議是大修時都要檢查，或是使用像是Artesis的技術，可以隨時監控任何狀況的不對心、不平衡、軟腳、零件鬆動、電力、軟腳。不但可以監控不對心，還可以監控造成不對心的條件，除了溫度以外，但是溫度傳感器較便宜，可自行安裝。

機械異常

機械異常基本上指的是機械異常的連鎖效應，會造成惡化速度快的其他機械異常導致設備失效。根據我們的經驗，長期使用完全診斷視野的設備診斷儀器(出廠到失效幾乎都看得清楚各別發展性異常的單獨趨勢圖，且異常範圍涵蓋幾乎所有機械與診斷視野)，我們發現原廠將異常固定在偏離理論線性模型八個標準差的用意是在避免連鎖效應，這是GE寶貴的經驗，除了轉子與線路問題以外，到了八個標準差後，通常只剩下六個月壽命，除了轉子與線路問題，其他的異常都會引發軸承發展性異常，軸承的製造通常都是在某個預算下的工程極限，因此差異不會太大，除非買了貴很多的軸承，因此品質不會差太多，這意味著軸承的惡化速度都相當，因此過了八個標準差後因為連鎖效應觸發的軸承異常的觸發點也差不多，惡化速度也差不多，因此常常會在六個月後失效。轉子與線路問題則是超過六個標準差後會示警。

避免設備惡化程度進入連鎖效應區是全新的保養思維，單一發展性異常在早期對設備的影響有限，但是一旦進入連鎖效應區會造成設備很大的傷害，除了對心、平衡與鬆動，這會造成不可逆的傷害，必須更換相關部件或是修復到出廠的狀態。首先，連鎖效應區會造成偵測異常的困難，除非可以有效地去除雜訊，包含連鎖效應造成的更多雜訊，並且可以分離個別的異常訊號。通常使用加速規唯一的解法是看異常訊號高頻的諧波，而MCSA則是建立數位模型，並且分離異常訊號。維修的部分也不是沒有挑戰，這時候的異常很勉強能不用儀器設備觀察得到，看不到的異常很難維修，很多時候只能更換。維修到出場時的品質就更困難了，維修能力與維修品質才是維護保養的王道，預知保養儀器可以用來協助監控維修品質，並且對於維修能力的增進有很大的幫助。

振動

振動是一種破壞的能量，經常看到很嚴重的環境振動且不去處理，通常都不會當一回事，過度的振動會導致多種異常，甚至造成安全問題。以預知保養的觀點，振動本身就是連鎖效應的媒介之一，過度的振動會損傷附近靜置的軸承、軸與軸封，也會影響運行中的設備，常見的異常像是(False Brinelling)，假柏式硬度現象。其他會造成鬆動、結構疲勞、不對心等問題，甚至造成位移導致掉落物的安全問題。振動很多時候是過載造成的，持續過載的幫兇經常是振動的原因。

持續過載

持續過載通常都是人為操作異常，這些抉擇通常都是刻意的，為了應付市場的需求，往往都沒有去計算持續過載造成的損失。持續過載通常會產生紊流，紊流會產生漩渦，造成局部壓差，很可能產生氣泡，會造成管壁、葉片或是其他的結構材料孔蝕，這些往往是不可逆的傷害，並且會累計，惡化的程度也是屬於發展性異常，符合指數惡化模型。這些孔蝕會造成產品的瑕疵，累績汙染物。也會造成結構完整性的疑慮，造成嚴重的安全問題。因為紊流會造成局部壓差、因此會產生振動，這些不是普通的振動，通常都是大範圍的白色雜訊振動，覆蓋了大範圍的頻段，這會巨幅增加振動與周遭各種結構自然頻率共振的機率，最終結果會是災難性的。持續過載也會嚴重影響預知保養感測器的精準度，甚至導致失去功能。除了直接造成的影響，產生的振動也會造成嚴重的影響，很容易造成連鎖反應，導致維修時間間隔大幅所短，對於連續性製程最終會導致持續的停工事件、對於批次製程造成保養費增加、並且可能產生生產期間的停工。修復時的範圍也擴大，嚴重時需要重新建構設備與管線，這屬於嚴重的停工事件。持續過載除了直接造成上述問題，對於馬達影響也很大，很可能造成脆弱的轉子損傷，而轉子的惡化速度是最快的、僅次於軸承。除了機械的傷害，很可能造成電路不穩，馬達很可能升溫，運行偏離潤滑設計範圍造成潤滑不良，降低壽命。過載就像是開車超速一樣，增加風險，如果也沒有使用預知保養系統就像是一直超速且車子沒有配備安全帶、ABS與安全氣囊。

潤滑不良

潤滑油是一門很專業的學問，不但要有理論背景，更需要實務經驗，潤滑油的組成通常是基油、增稠劑、固態懸浮顆粒、還有很多的添加劑，這是根據設備設計的參數與範圍所調配，超出範圍會造成潤滑油變質，在較低溫的條件下，通常會使用有機高分子的材料，如果有特殊製程還要確認化學的匹配性，有可能會用很貴的高檔氟素油，如半導體的行業，如果運行到高溫會產生危害的氫氟酸，因此也有可能造成嚴重的安全問題，不沾鍋的材料也是類似。最常見到的問題是潤滑油揮發或是滲漏，通常是很緩慢的，因此常常被忽略，業界目前有自動補充的裝置，很便宜，建議使用，其次是過度潤滑，也就是加太多的潤滑油，這會造成溫度升高，潤滑油加的量也是經過設計，不要忽略。其他異常像是潤滑油汙染、使用超出範圍的潤滑油、環境造成潤滑油變質，潤滑油算是高分子，最怕的就是溫度、濕度與紫外線。

溼度

溼度問題是最常被忽略的，如果經常看產品規格，常常會看到要不是沒有溼度的限制，有溼度的限制很多都是80%溼度，如果常常看氣象，不難發現台灣幾乎沒有溼度低於80%的地方，台灣經常處於超過很多設備規格的狀態，問題不只這個，台灣是個火山島，首都台北就是建立在一個龐大的破火山口，可見對於火山的潛在危險也不在乎，房價最高的地方就在最危險的地方。這跟預知保養有啥關係?台灣島的溼度加上火山所冒出的腐蝕性氣體(溫泉)，使得台灣是全世界腐蝕性最高的地區，這是沒辦法改善的，但是設計時需要額外的注意，運行時也必須考慮到這些問題，潤滑油與絕緣都是有機高分子，最怕的就是濕度，且電路很容易造成短路，即使不造成短路，突波(dV/dt)或是諧波很可能造成低壓局部放電，高壓的風險更高，因此必須採取最嚴格的措施防範。

殘餘功率譜密度(RPSD:Residue Power Spectral Density)辨識異常:

MCSA(Motor Current Signature Analysis)分析手法其實跟振動相似，很多廠商使用FFT進行分析，但是FFT只能做定性分析，不能用來進行定量分析，因為FFT沒有處理波相(Phase)的問題。PSD可用於定性與定量的分析，但是還是有很多電壓本身與轉動運動產生的雜訊問題，Artesis建立電力與轉動運動模型並且使用發展性異常為非線性的特性分離出異常訊號，RPSD就是與模型值計算後的資料，會比PSD準確很多。(我們原廠沒有在公共場合下提供以下資料，因此我們也只提供網路上找得到的，找不到的我們就不提供)。使用MCSA進行分析三個月診斷視野的異常會像是在草叢上尋找髮夾，因為沒有處理雜訊，也沒分離異常訊號，相當的困難，但是使用Artesis技術會像是在水泥地上找髮夾，不但容易很多，也可以清楚的看到早期異常，通常可以從設備出廠就可斷定新設備的品質，Artesis技術原用於馬達出廠品質的監控，後來用於預知保養。(注意:以下為網路上可查詢到的資料，適用於FFT，Artesis RPSD也適用，但是因為RPSD處理過雜訊，且閾值每個頻段都使用AI計算過，引此有些異常的辨識方法較網路上的簡易很多，如採購Artesis的產品我們會私下提供較不一樣的辨識資料)

轉子異常:

轉子異常的斷棒會發生在Fline ± FSlip (Fline是電力的頻率，台灣是60Hz。FSlip 是馬達的滑差頻率)

轉子靜態偏心:Fline+#rotor Bar(轉子的棒子數)×Frotation 馬達轉速and ±N×Fline (N=1,3,5....)

轉子動態偏心:會在靜態偏心的峰值旁產生旁峰FStatic eccentricity and ±Frotation

定子異常:

繞線問題:Fline+Frotation×#Slot(定子的槽數) and ±Frotation

第二階的諧波會升高

軸承異常:

BPOR, BPIR, 2×BSF,FTF這些滾珠軸承頻率數據可以從軸承廠商取得，對應的軸承型號通常都有。

BPOR (Ball pass outer ring) 外環滾珠過頻率

BPIR (Ball pass inner ring)內環滾珠過頻率

2×BSF (Ball Spin Frequency) 滾珠轉動頻率

FTF (Foundamental Train Frequency) 滾珠基座鍊頻率

這些數據通常都是以滾動的乘數所提供BM Bearing multiplier，因此只需要Fline±BM×Frotation and ±Fline

不平衡異常:

Fline±Frotation

Fline±#rotor Bar×Frotation and ±Fline

不對心異常:

Fline±Frotation×N  (N=1,2)

皮帶異常:

先由驅動滑輪計算表面速度，再計算皮帶長度，除以皮帶長度就計算出皮帶的過點頻率。

齒輪異常:

FGear mesh=齒輪數#Gear×Frotation

Fline+FGear mesh

如何辨識異常:

上述的異常峰值，有時候是設計時就有的設備特性，如何辨識是否為異常?最直覺的方式就是針對個別異常訊號建立趨勢圖，從趨勢圖觀察是否符合發展性異常的特性，就是指數惡化。指數惡化在Log平台是會是一條直線，如果沒有明顯的惡化趨勢，很有可能就不是發展性異常。這種設備特性造成誤判的機率非常高，因此趨勢圖很重要，最好以兩個月的趨勢做判定，因為設備的負載與操作通常不是很穩。因此Arteiss在設備失效前六個月或是診斷視野六個月時就會發出示警，且準確率很高。當負載與操作不穩定的時候，可以重疊各別異常與實功率、功率因子、電流，因為在Log平台發展性異常會是一條升高的直線，因此可以用目視判定。

辨識異常應用於預知保養:

具備了以上的基本異常的知識，可以應用於生產的預知保養，但是需要先確定生產的需求，可分為連續式製程預知保養與 批次生產製程預知保養，連續性的生產與批次生產都需要最少超過六個月的診斷視野，可以參考診斷視野與預知保養。簡單的來說連續性生產最少需要超過十二個月的診斷視野，診斷視野的盡頭就是設備出場的狀態，主要是避免停工，其次才是用於監控維修品質。批次生產通常沒有停工的問題，除非是連續性的批次生產，這是歸類於連續性生產的，不屬於批次生產，批次生產預知保養主要是用於最佳化維修品質，當診斷視野小於六個月反而很有可能增加花費，不如不要使用，只用來做保護系統，通常維修品質會依照診斷視野作為維修標準，修得太好反而被質疑過度花費。為何是六個月呢?因為六個月診斷視野通常是連鎖效應開始顯著的時候，如果真的要省下25~35%的保養花費，最好避免進入連鎖效應區。

上圖縱坐標通常是異常訊號的強度，最底下的綠色閾值不容易看到，目前能看到的技術不多，有些技術像是加速規通常只用來看軸承的早期異常，可以看得到超過一年前的，這需要看差不多是20KHz那裏的諧波，5KHz~10KHz通常都是三個月左右的，加速規擺放的位置如果不對則看不到，高頻會依距離迅速衰減，還要避開結構的阻尼、共振、自然頻率等，目標是由軸承採集訊號，其他的異常就很難看得到早期的，主要的原因是因為有環境振動雜訊，低頻的振動訊號可以傳遞很遠，常常可以接收到隔壁機台的振動訊號，這些雜訊很容易的埋沒異常訊號。如果是Proximity sensor，可以看得到早期的異常，通常限於機械異常由轉動軸傳遞的異常訊號。如果使用MCSA則需要處理電壓雜訊。目前業界最成功的手法為Artesis建立的灰箱數位模型，範疇為電路等同方程式與運動方程式，黑箱模型挑戰較高，且不符合預知保養與異常的特性，以澡盆圖來看，試車與復工為最重要的監控事件，黑箱模型通常還沒有資料，而因為異常發生機率低，因此學習速度緩慢，而建立好資料庫時，設備已經因為經常進入連鎖反應區，已經造成許多不可逆的惡化，造成老化，而這時的停工機率增加且維修間隔已經大幅縮短。如果使用MEMS，目前看到的他們所謂早期的異常，通常都指5KHz~10KHz那裏的頻段，通常只達到三個月內的診斷視野，這是不符合連續性製程的需求，對於批次生產的也沒有任何意義，甚至有反效果，可能對於軍備的妥善率比較有意義。

理想的異常預診技術

了解了異常的特性，可以將理想的異常預診技術(PHM)Prognostic Health Management又稱作健康度診斷管分為幾個維度來描述:

♦覆蓋範圍:理想的範圍為100%覆蓋率，根據以上的分析，目前技術可以做到90%，有些性價比太低不符合經濟效應，但是至少80%的覆蓋率是在50馬力的設備達到三年的回收率，大部分為發展性異常，其他為環境或電力可監控的異常。

♦深度或稱作診斷視野:以上覆蓋範圍內個各項分類的異常種類，單獨各別的診斷視野越長越好，極限就是設備剛出廠的品質，其他環境因素與電力監控則需要準確度與精確度，為何需要各別的診斷視野呢?因為異常惡化到一定程度所產生的連鎖效應，這是極度發散的現象，因此會嚴重影響準確度，影響診斷視野的因素如下:傳感器的精準度、雜訊干擾、異常訊號重疊、操作與負載的不穩定、不使用FFT作為定量分析(最好使用可同時定性與定量分析的PSD)，如果對這方面有興趣的可以參考連續性生產預知保養。

♦準確度與精確度:很多人都忽略了這項，很多準確度與精確度會造成診斷視野的限制如上述，但是如果有了資料，診斷的準確度與精確度應該就是軟體的性能，通常能使用確定性的模型是最準確的，如果是以確定性模型為主而統計性的為輔助，這是最經濟的，但是如果只限於使用統計性或是隨機性像是機械學習、類神經網路等，這些就會產生額外的精準度問題如下:系統的不確定性問題、模型基礎定義的不確定性、系統惡化模型的不確定性、預測的不確定性、閾值設定的不確定性等，並且要確定軟體學習到解決以上問題所花的時間與流程可以達到效益，因為通常效益不超過業界最佳專業系統的20%，如果有興趣可以參考診斷視野與預知保養。

♦性價比: 根據IEEE的馬達報告，濕度的量測是性價比最高的，但是改善的難度高，難度高代表花費也高，可以選用適合環境濕度的規格進行採購，其次是溫度，熱顯像儀經過幾乎一世紀的改善，價格已便宜很多，用於預知保養的不需要精準度很高，不需要知道在高溫的均勻度，價格很便宜，也可以採用有AI辨識異常的功能用於大面積的監控。環境振動的監控也相當便宜，這不需要做高階訊號處理，也不需要診斷早期異常，頻率的響應平整度在低頻就好，但是要耐用，精準度衰退的慢的，MEMS加速規或速度規是很好的選擇，如果要用於長且精準的診斷視野，性價比最高的且性能最好的是模型式ESA或稱作MCSA 3.0，Artesis 的為MCSA 4.0或是ESA 3.0，多了各別分類異常的單獨趨勢圖，並且可以自動診斷。因此業界目前性價比最高的是使用Artesis eMCM加上溼度計、溫度顯像儀與便宜的手持式加速規即可。 性價比比較難評斷的是準確度，覆蓋率計低了異常偵測的假陰率，而異常偵測的假陽率對於性價比有很大的影響，主要是因為會造成額外的成本花費，增加停工次數、停工時間、甚至大幅降低維修的頻率(MTBR)，更浪費龐大資源尋找不存在的異常。

♦協助維修品質: 因為考慮到經濟性，維修品質通常都是看到哪裡修到哪裡，即使目前不是，時間長了遲早會符合看到哪裡修到哪裡的業界準則，因為經濟性是商業的基礎，我們在業界經常看到。使用精準的預知保養不見得有效益，最重要的是要衡量效益的視角，以上的討論通常都以單純投資單一法人的股東的視角，預知保養可產生20~25%的額外生產力，降低25~35%的保養花費。如果以設備負責人的角度來看，開始預知保養計畫時不但會突然產生很多保養工作，因為從看不到進步到都看得到，而且會透明化所有的花費，這不是設備負責人要的，如果以一個維修廠商的角度來看，客戶使用預知保養會是災難性的，維修間隔不但大幅增加，維修品質還透明化，假設維修廠商主導公司，公司最好不要使用業界最先進的預知保養，最好去用那種診斷視野小於一個月的預知保養系統，最好每天都錯誤示警，範圍越窄越好，最好只監控幾個錯誤示警高的參數，因此在使用前必須了解系統如何協助維修品質的需求，如果需求是一個月的預知保養系統，但是選錯了，選到業界性能最好的預知保養系統，結果會是災難性的，但是如果你的需求是業界最好的預知保養，想要增加生產力20~25%降低保養花費25~35%，Artesis會是你最佳的選擇。