行政院國家科學委員會專題研究計畫 成果報告

基於Web建構智能化機械診斷維修系統之研究－以螺槳加工

為例

計畫類別：個別型計畫

計畫編號： NSC94-2611-E-006-026-

執行期間： 94 年 08 月 01 日至 95 年 07 月 31 日

執行單位：國立成功大學系統及船舶機電工程學系(所)

計畫主持人：邵揮洲

計畫參與人員：胡博期

報告類型：精簡報告

處理方式：本計畫可公開查詢

中 華 民 國 95 年 7月 26 日

行政院國家科學委員會補助專題研究計畫 成 果 報 告 □期中進度報告

基於 Web 建構智能化機械診斷維修系統之研究

－以螺槳加工為例

計畫類別： 個別型計畫 □ 整合型計畫 計畫編號：NSC 94 － 2611 － E －006 － 026 － 執行期間： 94 年 08 月 01 日至 95 年 07 月 31 日 計畫主持人：邵揮洲 國立成功大學系統及船舶機電所教授 計畫參與人員：胡博期 國立成功大學系統及船舶機電所研究生 成果報告類型(依經費核定清單規定繳交)： 精簡報告 □完整報告 本成果報告包括以下應繳交之附件： □赴國外出差或研習心得報告一份 □赴大陸地區出差或研習心得報告一份 □出席國際學術會議心得報告及發表之論文各一份 □國際合作研究計畫國外研究報告書一份 處理方式：除產學合作研究計畫、提升產業技術及人才培育研究計畫、

列管計畫及下列情形者外，得立即公開查詢 □涉及專利或其他智慧財產權，□一年□二年後可公開查詢

執行單位：國立成功大學系統及船舶機電工程研究所

中 華 民 國 95 年 07 月 31 日

I

中文摘要

近年來我國造船產業為降低生產成本與縮短部件加工工時，引進高速數控機械

(Numerical Control)進行船舶螺槳製造，以提升整體競爭力。隨著機械製造技術的進步，機械功能性也更顯複雜，對於操作人員而言，擁有高效率的診斷維護的平台才能即時處理機

械的突發狀況。以往機械單元若發生故障時，往往必須花費相當大的成本在故障排除的工

作上，在人力成本、時間成本與停機造成重大的損失，若能建構一即時診斷環境，提供使

用者在異警事件發生時提供適當的輔助機制，此一課題值得深入探討與研究。 本研究主旨以 Web-based 對於機械單元進行遠程診斷與後勤維修的解決方案，並結合

機械集中化遠程監控系統(NX5 RCS)。在機械故障異警方面分為兩大類，第一類為自我偵測型異警，針對此故障類型採取專家系統（Expert System）之架構，運用故障模式解析方法（Failure Model & Effects Analysis, FMEA）與可能失效原因數目理論（Number of Fault Causes, NOFC）建構智能化推論引擎，分析知識庫之中異警與失效原因的交叉關係，改善傳統鏈結式（Chain Type）之推論缺點。第二類為人工感知型異警，依據使用者觀察之現象而判定之異警故障，針對此依特性應用案例式推論方法（Case-based Reasoning）建立診斷推論，以累積故障維修的知識技能。在專家所提供的經驗法則（Experience Rule）與專業技術（Specialty Technique），以關聯式資料庫技術進行機械異警資料庫（Machine Alarm Database，MAD）、異警診斷資料庫（Alarm Diagnosis Database, MDD）以及維修服務資料庫（Maintenance Service Database, MSD）之建構。依診斷之需求對於資料庫進行知識精練動作，進而達成故障排除任務。

為了驗證原型系統架構之可行性，以螺槳製造為例，針對其機械控制系統（Machine

Control System）進行聯繫與系統實現。本研究為網路化診斷 (e-Disgnistic)與維修(e-Maintenance)的具體實施奠定一定的基礎，使整體螺槳製造效能大為提升。並加速船舶部件製造自動化工作的推動。

關鍵詞：知識法則推論、故障模式解析方法、故障診斷、案例式推論方法、螺槳製造

II

Abstract

The manufacturing technology of machines is maturing gradually, and machine functions are becoming more complex gradually, too. For the manufacturer, to possess a high-effect remote & maintenance platform to handle machine alarm states in real time is important. If the machine unit happens to sound the alarm formerly, manufacturers had to spend a lot of time eliminating machine breakdown. That caused great damage for human resources, time and downtime. If an engineer has to plan a diagnosis environment in real time, users might be able to obtain the information of manufacturing in real time. This function can offer users a manufacturing and breakdown problem solution. The topic merits discussion and study.

This paper presents a remote diagnosis and maintenance solution for web based machine

units. Machines divide the alarm into two groups. The first group is the alarm of detection of the machine self. The structure of the prototype system adopts the expert system（ES）structure, and applies knowledge rule reasoning that is assisted by Failure Model & Effects Analysis（FMEA）and Number of Fault Causes methodology（NOFC） build intelligent reference engine. It analysis the relationship alarms and failure cases both and improve the defect of chain type reference. The second group is the alarm of artificial perception. In accordance with user perception it determines the alarm. It applies Case-based Reasoning（CBR）to build the diagnosis method. It applies relational-database and system way to plan the experience rule and specialty technique for experts, in accordance with manufacturer requirements to knowledge collection action and eliminating machine breakdown by Machine Alarm Database（MAD）, Alarm Diagnosis Database（ADD）and Maintenance Service Database（MSD）.

To test and verify whether the prototype system structure is feasible, to used the 5-axis

machining center as an experience subject. The system was used as an machine control system of MC as a communication platform. To collects Program Logic Control Module information to realize the prototype system. Some basis for concrete realization of network diagnosis and maintenance was established for this paper. To solve machine units who happen to sound the alarm, manufacturers can’t eliminate machine faults in real time and improve the efficiency of the industry manufacture automation and electronic commerce though integration.

Keywords: Knowledge Rule Reasoning, Failure Model & Effects Analysis, Fault Diagnosis,

Case-based Reasoning, propeller manufacture

一、緣由與目的 近幾年來，隨著網路技術的不斷進步與

發展，已由區域網路、廣域網路擴展至網際

網路。而在生產製造系統中，由於生產設備

種類日新月異，現場操作人員及工程師除了

要熟悉操作方法之外，還要了解維修保養及

故障排除；同時，若要提高產品的品質及降

低不良率，除了最佳的製程參數設定外，就

是讓設備保持在最佳的運轉狀況。對於現今

船舶螺槳的製造方式採用著鑄造模製造，待

鑄造模完成之後翻砂製造螺槳粗胚，最後運

用特殊夾具以 CNC 數控機械將螺槳粗胚進行精削加工。目前 CNC 螺槳製造的模式，採取著傳統操作人員在場監工與操作，若發

生工件加工警報，操作人員本身無法立即做

出適當處置並進行機台之故障排除，對於船

舶工件與製造品質將是一大傷害。 針對於此改善此一情況，運用即時視訊與遠端監視技術，使操作人員更能掌握實際

螺槳製造狀態，並於加工警報發生時，經由

遠距診斷維修系統的服務，查詢故障診斷資

訊以自行排除故障，避免等待機台維修人員

到場維修的時間，以減少因停機而造成對船

舶工件製造品質的傷害，並提升整體製造競

爭力。因此，為了更有效地掌握設備的運轉

狀況，除了利用遠端視訊進行機台作動的監

控、動態加工預警與遠端視訊監控之外，透

過網路診斷維修系統的建立，將設備廠商的

原廠工程師，與現場的製程工程師及維修工

程師緊密結合起來，實現遠距診斷維修的目

標，藉以縮短設備診斷維修與故障排除的時

間，提高設備性能的可靠度，並提供現場生

產設備最佳運轉狀況之監控、診斷及維修，

進而達到預防保養及品質控制的目的，以及

零故障之最終目標。 本研究的主要目的為，針對產業設

備，透過結合網際網路技術（Internet）、案例式推論技術（Case-Based Reasoning，CBR），Visual Studio .NET 2003 程式語言及物件關聯式資料庫，而建立一套機械診斷維

修系統（Machine Diagnosis and Maintenance

System），以期縮短設備診斷維修與故障排除的時間，提高設備性能的可靠度。此系統

可以(一)透過網際網路，在客戶及廠商之間建立互動溝通的管道，並且利用網頁瀏覽器

作為單一互動溝通的介面；(二)透過案例式推論流程，協助工程師對設備進行故障診

斷，並且利用設備曾經發生過的相似故障案

例，及工程師們相互之間的互動討論，找出

故障原因及解決方案，進而完成故障排除；

(三)透過 Visual Studio .NET 2003 程式語言提供的介面，完成系統功能程式開發及配

置；最後，(四)利用物件關聯式資料庫，進行案例及資料的儲存與管理。 二、診斷模型建構 2.1 異警事件分類與定義 依據機械控制器與 PLC 所制定的異警種類進行區分，其分類基準以可程式邏輯控

制(Program Logic Control)之 I、O、A、C、S 等元件進行定義與說明，詳細說明如表 1所示。在階梯圖定義與設計應用 NX5 PC-Based 控制器所提供之 OpenCNC Ladder Editor 進行撰寫，如圖 1 所示為觸發機械操作模式(Mode)之階梯圖程式。

圖 1 異警警報 PLC 編輯設計

表 1 PLC Bit 定義說明

1

2.2 自我感知型異警集合關聯與推論

2

2.2.1 異警知識擷取與表示 於失效原因排序之中，Yoshikiyo 等人

提出表示其失效原因集合時，此時系統應進

行失效原因集合評比，使得擁有較多失效機

率之原因路徑優先排序[11]；因此將各個異警警報模組利用後勤支援分析 (Logistic Support Analysis Control, LSAC)[8]進行區隔，將每一異警歸屬於所屬機械元件之中，

而原先在技術手冊之中的知識表示法，”異警警報 ” 是為 ” 失效原因 ” 之集合函數

，A 表示為集合之中異警， 表示為集合失效原因，關係如圖 2 所示。 ( )ACP i | iC

圖 2 Alarm & Cause 解譯對應關係

2.2.2 貝氏集合推論策略(多重異警集合) 若機械設備所發生之異警集合屬於多重異警集合情況，如圖 3 控制器所示為表示在同一時段觸發兩個異警，分別為機械邏輯

控制警報 MLC No.09 與 MLC No.17。

圖 3 嵌入式控制器異警訊息視窗

在此兩個異警集合之中擁有多個異警特徵值 ( ，且為一組彼此互相獨立的特徵

∑∑88

|()|()| ,( CAPCAPCAAP

)值，則當給定集合之中某個 類別時，則其

隨後機率可以表示為如式(1)所示。

121

121 )

iii

ii

(1)

21, AA

iC

==

=

)|()(...)|()()|()()|()()|( BAP

2211 kk

iii ABPAPABPAPABPAP

ABPAP+++

=

(2) 將式(2)的結果代入式(1)中，則可以得到 8 個類別中，包含 2 個異警特徵值的貝氏定理，如式(3)所示：

6,7,81,2,3,4,5,i , )|()|()(

)|()|()() ,|( 21

21 =ii

iCAPCPAACP

121

2 =

∑=k

kkk

i

CAPCAPCP

CAP

(3) 依據式(3)進行 、17 異警集合MLC09之事後機率，其推算結果如表 2 內容所示。 表 2 MLC09, 17 失效原因事後機率分析

透過比較排序之後，其結果如式(4)所示：

(4)

維修案例診斷推論

，主要包含了

5463817 CCCCCCC >>>>>>

2.3.1 推論索引鍵建立 一個完整的維修案例之中四大資訊部分，內容如圖 4 所示，因此依據維修案例敘述定義進行索引鍵建立，以 Suh等人採用階層式案例索引(Hierarchical Case Indexing)進行建立基本推論引擎[9]。

圖 4 維修案例內容表單架構

在 機械加工機械的實際維修狀況，每一都 具 有 個 別 的 故 障 特 性 (Breakdown Property)，此依特性的產生深受著機械所處環境、人員操作習慣給影響著，因此利用階

層式索引方式先行過濾出屬於此機械專屬

維修案例，其詳細索引定內容如表 3 所示。

表 3 推論索引定義

3

2.3.2 推論索引值定義 Kolodner 所提出

似度推論計算

在案例索引值的採取一種是藉由訪問領域專家，專家依其經驗或

直覺給定各索引適當之權重[4]；利用層級分析法 AHP 所提出之名目尺量測進行權重定義，透過動態式權重問卷定義進行權重值之

決定[3]。 2.3.3 案例相 案例間相似度計算的概念為考量案例索引的權重與索引值，先計算新案例與舊案

例之個別索引的相似度，得到個別索引的相

似度數值後再將其加總，得到案例間之總相

似度應介於 0 至 1 之間，愈接近 1 表示兩案例愈相似。在此運算之中應用 Gupta 所提出之最鄰近方法[7]，如式(5)所示。

( ) ∑n

ii

iiiii w

11

(5)

為第 i 個索引之權重 i

第 i 個索引間的相似度

計算新

∑=m

RI ffsimwOS /,==

×

iw

為第 i 個索引 n 為索引的數目

isim 為新舊案例之I

if 為新案例第 i 個索引的索引值 為舊案例第 i 個索引的索引值 Rif 在計算案例總相似度前， 要先案例與舊案例個別索引間的相似度。本研究

採用歐幾里得距離(Euclidean Distance)計算相似度，索引值皆為定量的數值。索引間相

似度的數值亦介於 0 至 1 之間， 愈接近 1表示兩案例索引愈相似，其演算法如式(6)所示。

dff

simR

iI

ii

−−=1 (6)

三、診斷維修系統模式分析

析 型 圖

3.1 異警集合診斷流程與回饋分 在 異 警 模 型 採 取 靜 態 模（Static-Model）進行各階段活動解說，如圖5 所示，包含各階層活動區塊定義與流程關聯。在圖 6 所示為異警集合模型（無編號異警）分析，完整定義出資料庫(Database)、活動(Active)與使用者(User)交叉之間的關係。

圖 5 靜態模型圖元件定義

Alarm Diagnosis DatabaseMachine AlarmDatabase

Maintenance Service Database

FMEA Database

圖 6 異警集合分析靜態模型圖

3.1.1 異於自我偵測型異警

警現象描述 異警事件若屬（Auto-Sense Alarm），為了提升整體搜尋效能，依據機械異警資料庫（MAD）由專家所定義之關鍵字進行搜尋並產生相關結

果，整體靜態模型架構如圖 7 所示。

Machine AlarmDatabase

圖 7 異警現象描述靜態模型圖3.1.2 人

並依據異警編

工感知型異警搜尋

當輸入所指定之關鍵字號進行選定，將選定的異警進行各項目權重

植計算（Weight Value Calculate）與排序動

作（Sort Action），最終將演算結果進行傳遞動作，並與失效原因所對應之FMEA資料庫進行比較分析，整體靜態模型如圖 8 所示。

Alarm Diagnosis Database

FMEA Database

4

圖 8 人工感知型異警診斷搜尋靜態模型圖 3.1.3 貝氏集合與失效性推論 使用者透過介面將所選定的條件擷取出符合之異警，將其異警所相關聯之失效原

因逐一擷取出來，透過貝氏集合理論分析出

每一失效原因其發生機率之評估，並同時進

行排序，其靜態模型架構如圖 9 所示。

Alarm Diagnosis Database

FMEA Database

)|()(...)|()()|()(

)|()()|(2211 kk

iii CxPCPCxPCPCxPCP

CxPCPxCP+++

=

Alarm Diagnosis Database

圖 9 貝氏集合與失效性分析靜態模型 3.1

，並按照實

.4 選定處置正確之失效結果 使用者依據所推論出的結果際處置情形進行比較分析，最終選取適當之

處置結果，並將歷程加以記錄並存回診斷資

料庫之中，其靜態模型架構如圖 10 所示。

Alarm Diagnosis Database

FMEA Database

圖 10 選定處置正確之失效結果靜態模型 3.1.5 傳送維修協助訊息 倘若使用者依據所推論之診斷結果進行處置，並未順利排除故障或確認故障原

因，此時將進入維修處置之中，輸入所需描

述之故障情況，包含機械故障狀態（加工

中、機械靜止中、換刀中）、判定錯誤之推

論描述等重點事項，當訊息送出時，客服工

程師立即收到訊息並進行處置，其架構如圖

11 所示。

Maintenance Service Database

圖 11 傳送維修協助訊息靜態模型 3.1.6

Step.4.3.5 之請求加以處知識庫更新

客服工程師將置並完成結案，在程序中若有產出新的異警

與失效原因，則須與專家進行討論，並將其

新增內容放入異警 (MAD)與診斷資料庫(MDD)，其主架構如圖 12 所示。

Alarm Diagnosis Database

Machine AlarmDatabase

圖 12 知識庫更新靜態模型圖 3.1.7 推論法則更新 事前機率的統計來自於維修記錄的歷程計算，因此當推論結果不正確時，由專家

依據判斷調整其失效原因之事前機率，並將

結果存回診斷資料庫之中，使整體診斷正確

度達成收斂性，靜態模型主架構如圖 13 所示。

Alarm Diagnosis Database

Machine AlarmDatabase

圖 13 推論法則更新靜態模型圖3.2 案

動區塊定

例式推論流程與回饋分析

在案例式推論包含各階層活義與流程關聯。在圖 14 所示架構為案例式推論模型分析，完整定義出各活動區塊交叉

關係。

Maintenance Service Database

CBR Diagnosis Database

5

圖 14 案例式推論流程靜態模型圖 3.2.1 故障現象描述 為使發揮最大的搜尋效率，依據機械異警資料庫（MAD）由專家所定義之關鍵詞進行搜尋並產生相關結果，透過故障現象的

分類，依據維修類別進行推論搜尋，其靜態

模型架構如圖 15 所示。

圖

出相似度極高的案例，完成此一階段故障描

述搜尋，其靜態模型架構如圖 16 所示。

15 故障現象描述靜態模型圖 3.2.2 案例式診斷搜尋 依據 Step.4.5.1 使用者內容，針對存在於案例式推論診斷資料庫（CBR DDB）之舊有案例進行條件比對，透過法則演算搜尋

Maintenance Service Database

CBR Diagnosis Database

圖 16 案例式診斷搜尋靜態模型圖 3.2.3 階層相似法則計算 於 Step.4.5.1 使用者透過介面輸入新案例相關故障內容，將內容輸入至相似度法則

引擎進行計算，透過法則評估新案例與在案

例式診斷資料庫（CBR DDB）舊案例之間的相似程度，並將結果輸出至畫面之中 供

使用 所

，

者作為決策參考，模型架構如圖 17示。

Maintenance Service Database

CBR Diagnosis Database

( ) ( ) ∑∑==

×=n

ii

m

i

Ri

Iiiik

NN wffsimwpnOS11

/,,

圖 17 階層相似法則計算靜態模型圖

3.2.4 選定處置正確之相似案例

Maintenance Service Database

圖 18 傳送維修協助訊息靜態模型圖 3.2.5 案例推論索引權重值更新 依據 Step.4.5.5 的處置內容，將判定錯誤之案例權重計算結果進行調整與索引項

目更新，並將結果存回案例式推論診斷資料

庫（CBR DDB）與維修客服資料庫（MSD）以完成修正動作，其模型架構如圖 19 所示 。

Maintenance Service Database

CBR Diagnosis Database

圖 19 案例推論索引權重值更新圖 3.2.6 增加新增案例與舊有案例更新 當完成程序時需將新增案例更新在推論程序中所引用之舊案例，以確保案例正確

度之收斂性，其靜態模型架構如圖 20 所示。

Alarm DiagnosisDatabase

Machine AlarmDatabase

依據系統分析與設計的結果，進而規劃出整體系統運作時的需求以及所必須使用

的軟體，整體軟體工具層級狀態如圖 21 所示。

圖 20 新增案例與舊有案例更新圖 四、維修診斷系統實體架構 4.1 系統建構相關工具與技術

使用者依據推論結果並按照實際處置進行分析，最終選取最為適當之處置案例，

將歷程加以記錄並存回維修客服資料庫

（MSD）之中，其靜態模型架構如圖 18 所示。

圖 21 軟體工具架構 4.2 診斷維修資料庫建構

6

在資料庫實體規劃方面，主要區分為機

械異警資料庫（MAD）、機械診斷資料庫（MDD）、失效性分析資料庫（FMEA DB）與維修客服資料庫（MSD），總體工作程序如圖 22 內容所示。

圖 22 資料庫整體架構與工作流程 4.3 系統實現 4.3.1 MLC&PLC2,無編號異警推論與處置 以多重集合為例，機台同時觸發”主軸冷卻機異常，請檢查主軸油冷機”與”主軸油冷機一壓不足”兩項異警，將機台相關資訊透過推論引擎進行比對分析，如圖 23 所示。

圖 23 多重異警集合推論 透過演算得出最終結果如圖 24 所示，內容包含 Bayesian Weight 排序結果。在排序結果之中以”油冷機故障”為最有可能故障之原因（BW=0.16981），其次為”油冷機沒油”與” 訊號線異常”（ BW=0.12264），其分析圖表結果如圖 25 所示，內容包含Event Before P(Ci)與 Event After 。 )|( ACP i

圖 24 貝氏集合理論推論結果

圖 25 貝氏集合推論分析圖

4.3.2 CBR 案例式推導 在 修案例推論，使用者透過”CBR 階層過濾與故障條件判別”進行案例推論，畫面如圖26所示。

以”維修請求”作為索引進行維

圖 26 以維修請求為索引進行推論

完成推論搜尋之後，立即顯示最終推論結果如圖 27 畫面所示。推論引擎搜尋比對出一筆案例，為”益力王”機械 930714 案例。若要進案例檢索則點下維修案例編號，即可

瀏覽其處置方案。若所提供之維修案例若無

法順利解決，則進入維修事件故障通報進行

相關 論維修請求處置，而推論模組也會將推

歷程進行紀錄，以便於人員進行系統維護使

用。

圖 27 最終案例推論結果 五、成果自評 1. 針對於維修事件，分別以貝氏集合理論與案例式推論等方法與技術建構一智能化

遠程診斷維修系統，解決以往機械發生故

障時，無法立即作出處置的窘境，加速工

業自動化與電子化相互結合之推動。 2. 在維修 ，實際品的訂購、送修與製造資訊

7

訊系統進行整合，達成資料

3.

雖

4. 測試與維修案例的匯入

5.商而導致

6.之中發生缺失，目前整體系統僅將

[1

[2enance, Edward Arnold LTD.,

1985. 國雄，層級分析法(AHP)的

[4] soning,

[5] t, A. and Plaza, E., ”Case-Based

cations. IOS

[6] hisheng Wang; Fanglu Wang, ”

[8] E EFFECTS AND

[9]

ign, ” Expert

[10]Distance,

[11]

Diagnosis Tasks”,

[13]

Systems”, University of

與企業 ERP 資同步化的目標。 在案例式診斷模型架構方面，主要採取Gupta 所提出之最鄰近方法進行案例相似度演算，此一方法具有直譯性高、計算簡

單與準確度高等特性，但對於其他方法

有初步探討，但未進行實際比較驗證，未

來應強化法則效能計算問題。 由於受限於系統不足，其推論正確性會有些許出入，須待

長時間的資料匯入與權重值演算更正，可

增加其系統收斂性，使得推論準確度提

升。 在異警集合診斷與失效性分析之中，尚未探討到當機械部件若更換供應

其可靠度在短時間內出現明顯變化，使得

集合分析所累積之權重值應如何進行調

整與更正，是值得更深入探討與研究。 由於機械的故障決大部分的原因在於製造程序

製造資訊之中的機械製造工令納入系

統，未來可將製程履歷、測機報告等相關

製程資訊納入系統之中，以提升整體維修

效能。

六、參考文獻 ] Dr. Richard L.Kegg, One-Line Machine

and Process Diagnostics, Annals of the CIRP , Vol.33, pp.469-473, 1984.

] R. H. Clifton, Principles of Planned Maint

[3] 鄧振源、曾內涵特性與應用，中國統計學報, 27 卷6 期，第 5-17 頁，1988。 Kolodner, J.,“Case-based Rea“ San Mateo, CA:Morgan Kaufmann, 1993. AamodReasoning: Foundational Issues, Methodological Variations, and System

Approaches, ”AI CommuniPress Vol.7, No.1, pp.39-59, 1994. Chenglin Peng, Shouzhong Xiao, Zhiwei Nie, ZApplying Bayes' theorem in medical expert systems” Engineering in Medicine and Biology Magazine, IEEE , Vol.15 , Issue: 3 , May-June, pp.76 – 79, 1996.

[7] Gupta, K. M. and Montazemi, A. R., “A Connectionist Approach For Similarity Assessment In Case-Based Reasoning Systems”, Decision Support Systems , Vol.19, pp.237-253, 1997. PROCEDURES FOR PERFORMING A FAILURE MODCRITICALITY ANALYSIS（MIL-STD-1629A）, 1998. Suh, M.S. , Jhee , W.C. , Ko, Y.K. and Lee, A., “A case-based expert system approach for quality desSystems with Applications, Vol:15, pp.181-190, 1998. Sharon Hogarth, Remote Possibilities: Machine Diagnostics at a Computer integrated manufacturing, V122, n2, Feb, pp.70-78, 1999. Yoshikiyo Kato, Takahiro Shirakawa and Koichi Hori, “Utilizing Fault Cases for Supporting Fault Proceeding of International Conference on Knowledge-based Intelligent Information and Engineering System, pp.1-5, 2002.

[12] Rui-Bao Tang, Qin-Fang Deng, Hou-Qi Liu, Set theory in diagnostic reasoning, Clinica Chimica Acta, Vol.327, pp.165-170, 2003. Muammer Koç, Jay Lee” A System Framework for Next-Generation E-Maintenance

8

[14]Wisconsin-Milwaukee, USA, 2004. P. C. Hu, H.J. Shaw, Y. C. Yang, Study On Embedded System Remote Monitor －Taking the 5-axis Machining Center as

tion,

[15]

七、

(1)會1. 胡

an Example, Proceedings of 21st National Conference on Mechanical Engineering the Chinese Society of Mechanical Engineers, (B) Control and AutomaTaiwan, Vol.1, pp.1509-1514, 2004. Michael Negnevitsky, Artificial Intelligence-A Guide to Intelligent Systems, Addison Wesley, pp.55-85, 2004.

計劃發表相關期刊論文 議論文： 博期、邵揮洲、楊義成(2005)，” 應用

維

與

丁福華飯店。 )期刊論文：

案例式推論與貝氏集合理論於機械診斷

修之研究”， 2005 年第三屆精密機械製造技術研討會論文集，台灣屏東-墾

(21. 胡博期、邵揮洲、楊義成、譚瑋，” 應

論與貝氏集合理論於機械診

用案例式推

斷維修之研究-以螺槳加工為例”， 中船季刊，第 26 卷，第 2 期，第 112 頁~130頁。