何謂故障檢測？

一些較常運用故障檢測技術的產業包括：

• 航太
• 汽車
• 電子
• 工業設備
• 半導體
• 工業製造
• 材料加工
• 醫療器材
• 發電與配電
• 軟體

在許多這類產業中，尤其是航太、醫療和汽車產業，由於故障可能造成災難性後果並危及生命，因此在設計與運作階段都必須進行故障檢測。其他產業，例如半導體積體電路（IC）的設計與製造，則將故障檢測視為設計流程中不可或缺的一部分，因為一旦開始製造，要進行變更的代價極為高昂。此外，對所有產業而言，此流程都是降低重新設計、返工及維修成本的一種具成本效益的方法。

故障偵測是透過故障偵測與診斷（FDD）、故障偵測與隔離（FDI）或故障偵測、隔離與復原（FDIR）等技術，來識別、理解及解決系統中故障的第一步。正因如此，故障偵測遠不止於尋找故障現象。 作為全面的 FDIR 流程的一部分，故障檢測能協助企業在故障造成重大損害或降低系統效能之前及早發現問題。它為設計工程師、設施管理人員及維護團隊提供所需資訊，使其能在異常狀況導致維護成本飆升、引發設備故障或造成人員受傷之前，針對預防性維護及其他矯正措施做出有效決策。 

負責執行故障檢測的工程師，會根據資料的來源及其解讀方式，將眾多可用的方法歸類為一套標準方法。每種方法各有優缺點，工程師會試著根據所評估的情況，選擇最適合的方法。

以下是故障檢測最常見的方法。

基於閾值的

此方法會分析系統數據，並將各參數的即時值與預設限值進行比對。當數值超出限值時，便會觸發警報。一個簡單的例子是汽車引擎上的溫度感測器：當引擎冷卻液溫度超過 110 攝氏度時，會點亮警示燈；若超過 120 攝氏度，則會顯示錯誤訊息。此方法雖然簡單，但僅能偵測到系統設計時預先設定需監控的故障。

基於模型的

在基於模型的故障檢測中，工程師會利用系統的數學模型，根據其真實世界資料集來預測輸出結果。監測工具會計算預測值與實際值之間的差異，此差異稱為「殘差」。當殘差超過指定的閾值時，系統便會記錄該故障。基於模型的方法具有若干優勢，包括能夠檢測到意外故障，以及可利用歷史資料作為模型。其缺點在於，對於複雜系統而言，建立模型可能相當困難。

訊號處理

此方法並非檢視資料流中的數值，而是分析訊號的頻率成分及其隨時間的變化。該過程運用快速傅立葉變換、統計製程控制或小波分析，以偵測各訊號所產生的正常頻率模式是否出現變化。此方法對於機械故障診斷極具實用價值，特別是針對旋轉機械，透過振動或聲學變化，可在設備故障發生前預先預測其故障。 其缺點在於訊號處理的複雜性，以及對訊號雜訊的敏感度。

基於數據或機器學習的偵測

此故障檢測方法利用歷史資料，或透過模擬或數位孿生 所產生的資料，來建構系統行為的模型。 此方法會將任何與「正常」資料不符的資料標記為異常。這不僅是一種強大的故障檢測方法，還可用於預測性維護，或作為故障發生前的診斷工具。此方法的優勢包括能有效處理高度複雜的系統，並能識別出意料之外的故障。其缺點則是需要大量資料，且該策略具有「黑箱」性質。

基於知識的偵測

另一種略有不同的概念，是利用邏輯或決策樹來評估一組資料或訊號的組合，而非單一數值或訊號。此方法可運用基於規則的系統、模糊邏輯、故障樹及專家系統。對於結構較簡單且定義明確的系統——特別是當一連串事件導致故障時，資料卻相當匱乏的情況——此方法效果良好。其缺點在於建立知識庫所需的時間較長，且僅限於已知的故障模式。

故障偵測是完整故障管理流程的第一步。一旦發現問題，應對團隊應遵循標準流程來控制、釐清並解決該問題。每個產業，甚至同產業中的每家公司，往往都有各自不同的故障管理流程，該流程涵蓋從問題識別到解決的整個過程，並將所獲得的經驗反饋至組織中。

雖然各應用情境的術語可能有所不同，但處理已確認故障的大部分步驟，皆可歸類於以下其中一類。

故障檢測

故障偵測有許多實現方式，而在完整的故障管理流程中，確保所有偵測到的潛在故障都能被記錄下來並轉交以供進一步調查與處理，是其中一個重要環節。

故障隔離

調查團隊需要釐清系統中故障發生的位置，並辨識受其影響的具體組件、子系統、元件或程序。這通常包括檢視系統其他部分的感測器測量數據，以確認實際故障或排除誤判。

故障識別與診斷

在此步驟中，團隊將釐清故障的具體內容（識別）及其發生原因（診斷）。 此步驟的另一重要環節在於分類故障類型——釐清故障是源於感測器、軟體、機械設備、製造缺陷，還是系統的其他環節。此步驟的產出結果還包括釐清故障原因，並為該故障分配嚴重等級（例如：輕微、性能下降、嚴重、安全）。

故障通知與通報

在蒐集完上述資訊後，團隊需編製相應的文件，並向相關方通報該故障的發生情況、發生地點、發生原因、嚴重程度以及受影響對象。

故障應對

故障應變步驟通常會與其他步驟並行執行，或於偵測到故障後立即執行，其中團隊需採取即時行動以減輕故障的影響。 較先進的控制系統可能在其軟體中內建自動應變演算法。此外，通常也會制定標準作業程序，供操作員在故障觸發警報時進行干預。應變措施可能包括關閉系統全部或部分、啟用備援功能，或降低運作等級以維持系統運作，但會以較低的容量運行。故障應變的目標在於控制故障範圍，同時盡可能維持系統功能。

故障恢復

故障會在故障恢復步驟中得到解決。這可能涉及開立工作單以維修或更換組件、重新啟動軟體或硬體、調整運作參數，或是修改硬體設計或軟體程式碼（錯誤修正）。

故障檢討

一旦運作恢復正常，團隊將進行故障後檢討或全面的根本原因分析，或利用相關資訊進行功能安全評估。此步驟的目標在於將故障再次發生的機率降至最低，針對故障發生時提出復原與減輕其影響的矯正措施，並就相關故障向決策相關方提供資訊。

從本質上來說，故障檢測涉及蒐集系統相關數據並進行監控，以偵測故障。在許多應用中，由於可用資訊的龐大數量與複雜性，故障檢測系統往往被歸類為大數據範疇。當傳統數據分析難以應對複雜數據、非線性系統行為、未知故障及漸進式性能退化時，人工智慧（AI）技術正是應對這些情境的理想解決方案。 AI 方法能夠學習故障模式、調整分析策略、偵測人類或傳統資料分析可能忽略的故障，並實現故障的早期偵測。物聯網（IoT）應用所產生的資料量與複雜性，使得 AI 解決方案成為精準故障偵測不可或缺的關鍵。

目前在故障檢測領域中，大多數人工智慧的實作都屬於人工智慧的確定性子集——機器學習。在機器學習中，會利用歷史資料或模擬產生的合成資料來訓練系統識別故障。此外，工程師也越來越多地運用大型語言模型（LLMs）來支援深度學習、資料摘要、日誌分析以及根本原因分析。

人工智慧技術在故障檢測方面的幾個良好範例包括：

• 監督式學習：利用成熟的演算法，從標記過的資料中進行學習。
• 無監督學習：透過建立一個常態模型來進行學習，然後尋找偏差。
• 半監督式學習：同時透過監督式學習與非監督式學習進行學習。
• 深度學習：透過訓練神經網路來自動辨識模式，藉此進行學習。
• 強化學習:在自動化故障偵測與復原系統中，透過試錯方式進行學習。
• 物理啟發式神經網路（PINNs）：利用物理定律透過試錯法進行學習。
• 數位孿生：透過將實際資料與模擬資料進行比對來學習。數位孿生亦可支援預測性維護。

工程師在應用程式中實作故障偵測時，可採用多種方法。儘管各產業的具體細節有所不同，但以下針對有效實作故障偵測解決方案的建議仍具普遍適用性。

1. 界定範圍：明確定義涵蓋的系統、何謂故障、系統中漏報故障或出現誤報的後果，以及各類故障的嚴重程度。
2. 了解資料：辨識所有感測器、缺失的感測器、產出的資料類型、存取方式、資料準確性，以及資料中可能存在的錯誤。
3. 選擇模擬解決方案：釐清模擬在故障檢測中將扮演的角色，包括其如何運用數位孿生、物理模型以及基於模型的故障檢測。接著，確定團隊所需的模擬工具。
4. 定義故障偵測方法：決定哪種故障偵測方法或方法組合最適合該系統。
5. 建置基準解決方案：建立一套易於部署的基準解決方案（通常採用其中一種簡單的方法），並測量其效能。
6. 建立完整的故障偵測解決方案：建構一套穩健且全面的故障偵測解決方案，該方案將運用基準解決方案中的資訊，並整合更先進的人工智慧工具。
7. 設計應支援故障管理流程：在基準方案與完整解決方案的設計中，應納入系統完整故障管理流程的需求。這包括定義根本原因分析的方法、功能安全將扮演何種角色，以及如何及何時向關鍵利害關係人通報故障。
8. 著重於可付諸行動的資訊：明確界定自動化演算法與人類決策者所需的資訊，並確保解決方案產出的所有結果皆為可用的資訊。
9. 驗證與迭代：採用互動式、持續改進的方法來監控並優化解決方案。

運用模擬與功能安全工具支援實施

大多數現代故障偵測與診斷實作的關鍵環節，在於將模擬與功能安全工具結合，作為全面解決方案的一部分。開發團隊會使用諸如Ansys Twin Builder基於模擬的數位孿生 平台（適用於機械系統），或是新思科技 Electronics數位孿生(eDT)， 新思科技 Virtualizer，以及 新思科技 Platform Architect 針對積體電路，來建立模型訓練所需的虛擬模型，或作為與即時數據進行比對的基準模型。此外，多物理場 的工具，例如Ansys 機械結構有限元素分析軟體、Ansys Fluent流體模擬軟體，以及Ansys HFSS高頻電磁模擬軟體，則被用於為診斷工具提供基於物理原理的行為模型。

諸如Ansys medini等功能安全工具，是專為機械系統設計的系統導向安全分析軟體，以及 新思科技 VC 工具，包括VC Functional Safety Manager、 VC Z01X、VC Formal FuSa 以及VCS 功能驗證 Solution，皆用於滿足電氣與積體電路領域中各項功能安全國際標準的要求。

將故障檢測與其他流程結合

許多應用，尤其是工業與建築系統，皆能透過運用相同數據來優化能源消耗、提升效能，並實現預測性維護。舉例來說，建築自動化系統與暖通空調（HVAC）系統的實作，正引領著 FDD 軟體的部署趨勢，藉此在進行能源管理之餘，同步提供故障檢測功能。製造業的應用，特別是在高度自動化系統與機器人領域，則將故障檢測與效能優化相結合。

積體電路設計與製造中的故障檢測

積體電路的故障檢測具有獨特性，因為其中大部分工作是在製造前的設計階段進行。此方法的目標是識別由邏輯錯誤、訊號完整性 問題或電壓降 所引起的故障。由於修改晶片設計的成本極為高昂，因此會運用虛擬模型搭配測試模式，在設計通過驗證並投入量產之前，找出並消除潛在的故障。工程師會運用多種工具，例如新思科技 VC Z01X 故障模擬器、新思科技 ZeBu 伺服器，以及 新思科技 TestMAX，以模擬實際運作情境並運用與真實世界相同的檢測方法來驗證設計並偵測故障。

在積體電路（IC）設計中，有效偵測故障的關鍵在於將這些工具整合至設計流程中，包括產生用於虛擬測試的測試模式。此外，在製造完成後、出貨前，也會進行嚴格的測試，以找出任何因製造問題所導致的故障。一旦偵測到故障，團隊便會透過故障管理來隔離並處理該故障，包括報廢晶片、降低時脈速度，或關閉晶片中故障的部分。