模糊控制在機台保養決策之應用 A Fuzzy Logic Model Using on the Maintenance Decision Making 盧 坤 勇 國立聯合大學電子工程系

簡報大綱 研究動機 相關文獻探討 研究架構 實做 復工決策 結論

研究動機 在全球化及激烈的市場競爭壓力下，為了求取生存空間，許多企業不得不改變傳統的經營手法，而關鍵的成功因素在於提高生產力及客戶的快速回應能力。 生產線可能因機器故障而嚴重影響對客戶的服務品質。

研究動機(續) 機台的復工決策牽涉到維護人員之經驗，可支援人力多寡，維護資源數量，或是場站間是否有其他干擾因素等，這些因素會直接或間接的影響到機器故障是否可以立即修護。 前述決策變數大都無法客觀量化。

相關文獻探討 經驗法則(Empirical Method) 智慧型代理人(Intelligent Agent) 數學模型法(Mathematical Model) 模糊邏輯

相關文獻探討(續) 經驗法則(Empirical Method) 直接由現場管理人員依當下之狀況來擬定可行決策，此法之優點為可立即解決當下之問題，缺點為決策品質可能不高，整體決策成本難於達到最佳化。

相關文獻探討(續) 智慧型代理人(Intelligent Agent) 透過資訊技術(IT)，將專業人員之經驗和智慧存入專家知識庫，當機台發生故障時，由相關資料處理人員輸入特定狀態資料，然後由代理人選取一可行方案。 此法之優點為不需依賴現場管理人員，可立即得到解決方案，缺點為不容易解決複雜問題，整體決策成本也難於達到最佳化。

相關文獻探討(續) 數學模型法(Mathematical Model) 搜集故障機台之重要決策參數，然後以數學規劃方式求解。 此法之優點為可獲得最佳解，缺點為耗時甚長，無法滿足企業界”快速回應”之需求。

相關文獻探討(續) 模糊邏輯 以模糊集合理論將機台故障變數之不明確值轉成模糊邏輯值，透過加權機制來綜合各個專家之意見，然後以模糊推論引擎來推導出可行方案。 傳統的數學模型解法，需要掌握確定的狀態資訊方能求解，所以不適合用來評估故障問題。改用模糊邏輯之好處，在於可用一組模糊規則來模擬人類之思維和推理過程，最後再以綜合和/或加權方式來得到一個決策值。

研究架構 復工方案 不確定性判定

復工方案 當生產線停線時，管理人員可能採行之決策有三種： (1)修復設備後繼續生產原工令。 (2)若有其它替代設備，可考慮變換機台，再繼續生產原工令。 (3)變換全部或部分機台之生產工令，以滿足當下之顧客需求。

復工方案(續) 各方案之成本： (1)方案一： (2)方案二： (3)方案三： 各變數之意義為： cwr 表等候修護損失，cwm 表等候換模損失 ccm 表換模成本， cqc 表品質低落損失

復工方案(續) 方案一 方案二 方案三 修護時間長，且有其它機台可供替代者，可考慮選用此’方案。 替換機台時，連帶須更換後序製程之機台者。 直接等候故障機台之修復，適用於修護時間較為短暫，或是無其它機台可供替代者。 方案二 修護時間長，且有其它機台可供替代者，可考慮選用此’方案。 方案三 替換機台時，連帶須更換後序製程之機台者。

不確定性判定 模糊邏輯推論過程示意圖 模糊化機制 推論引擎 反模糊化機制 模糊規則庫

不確定性判定(續) 模糊化機制之功能乃將外界明確的(crisp)輸入值，予以轉換成適當的語意式模糊資訊。 模糊推論引擎則為模糊系統之核心，藉由執行類似推論或模糊推論的方法，來模擬人類的思考決策模式。 模糊規則常以IF-Then之格式表示，這些規則可提供給推論引擎，以專家系統之推論方法來執行推論功能。 反模糊化機制則將推論引擎導出之模糊資訊，予以反轉成外界可以接受的明確數值。

實做 依Swanson之研究報告所述，影響維護工作品質與效率之重要因素有下列幾項： 故障程度 機台年齡 預防保養完善度 現場干擾狀態 可用維護人力 維護經驗與技術水準

實做(續) 本研究乃依據Swanson之結論來建構模糊專案之主要決策變數 使用fuzzyTECH模糊軟體來建構模糊專案

fuzzyTECH模糊軟體簡介 INFORM Gmbh, Germany, 2001 此套裝軟體允許使用者自行建立模糊專案，專案中所使用之各種參數和模糊方法，可儲存成一個獨立的介面檔，當載入模糊引擎時，可指定所需搭配的介面檔，依據自訂的參數和方法，即可自動計算對應之模糊數。 fuzzyTech除了可依自訂介面來計算模糊數外，它也內含類神經網路演算法，具有自我學習之能力。

當機復工可能性判定模糊專案

專案變數說明 維護工作複雜度(BKD_complex)：由下列三項變數導出 維護能量(MT_capa) ：由下列兩項變數導出 故障等級(BKD_degree)、 機齡(MC_age) 預防保養(PM_status) 維護能量(MT_capa) ：由下列兩項變數導出 維護人力(MT_mpower) 技術(MT_skill)

專案變數說明(續) 預定時間內完成維護工作之可能性(MT_prob) ：由複雜度、維護能量及干擾因素(ITF_element)來推導

模糊語意變數分類 模糊變數 語意變數成員 BKD_degree First, Second, Third, Fourth, Fifth MC_age Very-young, Young, Middle, Old, Very-old PM_status Bad, Normal, Good BKD_complex Low, Medium, High MT_mpower Weak, Enough, Strong MT_skill Poor, Good, Excellent MT_capa Poor, Normal, Good ITF_element Light, Normal, Heavy MT_prob

蒐集專家經驗 以問卷卡蒐集專家經驗 規則序 結合運算子 決策變數 對應厥果 名稱 狀態 1 BKD_degree First And MC_age Very_young PM_status Normal BKD_complex Low

模糊推論規則範例 Singular decision variable: IF BKD_degree = First THEN BKD_complex = low Compound decision variables: IF BKD_degree = Third AND MC_age = young AND PM_status = good THEN BKD_complex = low Decision rule modified by DoS: THEN BKD_complex = low WITH 1.000

fuzzyTECH之試算表式規則庫

歸屬函數示意圖

使用NueroFuzzy之學習過程

學習範例(300例)

復工可能性查詢視窗

復工可能性範例說明 依前例之查詢試算，當 該機台之復工可能性之試算值為0.7722。 故障程度為2級 干擾因素為輕微 機台年齡5年 維護人員2人 技術水準2級，及 預防保養在正常情況下 該機台之復工可能性之試算值為0.7722。

復工決策選擇 (1)方案一： (2)方案二： (3)方案三： 其中Pi 值表各類決策變數之模糊數

結論與討論 本研究提出一模糊控制模型，協助管理人員制定維護排程之決策。本研究之目的，在於協助現場管理人員能及時的解決生產線當機之復工排程。 當設備當機後，若需考慮變換全部或部分機台之生產工令時，此時復工政策可能衍生為生產排程和工作指派之問題。此問題非常複雜，不在本研究考慮範疇。

致謝 感謝國科會支助本研究計畫 感謝佳育公司及韋程公司協助本計畫之建模與模擬資料蒐集 (計畫編號: NSC 93-2213-E-239-005) 感謝佳育公司及韋程公司協助本計畫之建模與模擬資料蒐集

謝 謝 敬請批評指教