發文目的，一來記錄當下實習結束的心情，二來順便撰文紀念大學四年的畢業。
今天雖然很開心和同事去聚餐，這但這也是在微程式實習的最後一天，心情覺得特別微妙。直到拎著紙箱(其實是塑膠袋)走出公司大門的時候，內心才開始依依不捨起來......（學校的畢業典禮都沒這麼傷感）。在微程式短短一個學期的實習，卻讓我特別難忘。 (我剛剛發現公司的hangout跟gmail都登不進去了，雖然知道遲早會發生，但還是特別難過@@
原本規劃大學四年級的上、下學期要找實習，卻沒想到居然能投到資工系的產學合作，很是驚訝也是緊張。還沒報到的前三天我都戰戰兢兢(把面試前看都沒看的資料結構跟演算法跟Python一些模組再複習一輪)，雖然在學校實驗室都是做跟數據處理相關的事情，但畢竟本科是機械系( 抖抖的）。我個人覺得除了Python之外，其他的都派不上用場，用更多的是工程數學。（當然不同組別著重不同知識）
我是在微程式研發部數據組實習。主要工作內容是智慧製造的數據分析。我認真以為來這邊是處理數據的(想說資料前處理一下、標個label，套個Keras的API刻個模型預測就搞定)，沒想到一切都跟我想的不一樣。居然連數據都沒有(還要跑到工廠實際跟廠商接洽)，對我來說整個很爆炸(當然也是很新奇，可以看有哪些感測器裝在工具機哪些地方)。好巧不巧，有些感測器收資料會掉封包，於是我的Mentor就指派任務讓我研究–模擬資料掉封包的不同程度對傅立葉轉換的影響。這樣才能讓對方明白資料沒收好，分析不會好(類似garbage in, garbage out)。
於是我的惡夢就開始了。原本想說工程數學是我最用不到的東西，就把他放在書櫃的的最底層，沒想到當我把它翻出來的時候，上面已經積了一層灰了(畢竟從大二到現在了....)。開始研究他的基礎，什麼半幅週期展開、全幅週期展開、FFT數值分析的應用blablabla的(細節就不贅述），搞懂後再把它實做出來，最後再跟其他部們報告。那時候心得是，「天哪，要個資料這麼麻煩」，可是我也才領悟到口說真的不能無憑。在業界大多時候會跨部門合作，對方畢竟不一定有相關知識。因此跟對方說資料掉封包會影響分析結果，可是真的會影響嗎？影響程度多少？這都需要有證據支持。(打破很多我以為天經地義的想法......
去年參觀日本工具機展，其實就有看到日本公司(FANUC)在做一模一樣的事情了（預測性維護），當時我有問他們如何選擇感測器，擺在哪裡，他們都不回答，我一直以為是我溝通不良，沒想到居然是商業機密ㄏㄏ，更沒想到實際在做的時候遇到的問題會這麼多。這幾個月實做下來（還有做一些文獻回顧），我個人對於做預測性維護會遇到的問題的一些淺見：
1.故障門檻不知道如何選定
就算是機械系畢業的，如果沒有在那個產業待個一年半載，根本就不知道機器的特性，更遑論機器到底有沒有故障(這牽扯到資料如何label正常與故障，會影響分類結果)
2.資料取得不容易(故障資料、信任問題)
(1)故障資料取得不易，就算已經知道怎麼定義故障門檻值，但機器哪有這麼容易故障。有些工具機標榜使用十年都不會壞，所以光收集資料就要花費十年的時間了(還不一定收集的到)；有些人的作法是直接進行工具機的物理破壞，藉此達到收集故障資料的目的，但有些工具機動輒幾百萬（真的承擔不起如此破壞）；有些人是跑模擬，但這就有不是相同機型的尺寸規格，可能有誤差的產生。
(2)基本上，對於大多數機械廠而言，工具機的規格和資料就是他們的機密。他們不會平白無故告訴你他們的異常資料，除非取得信任，雙方有共識，不然資料很難取得。（個人跑工廠心得）
3.訊號特徵擷取困難
就我觀察，很多傳統振動訊號分析方式是用FFT分析後進行肉眼觀察，藉此找出比較顯著的訊號特徵，再做特徵工程，可是人類畢竟會受到個人的主觀意識操控而有誤判。雖然現在有Deep Learning，可是還是會回扣到資料沒法label的問題。
一些個人想法，還請臉書大神多多指教
出來實習開開世面，也覺得蠻不錯的。
#不要以為工程數學用不到其實他就在你身邊
#數據處理不難難在要有對的資料
#畢業快樂R
#用一張實習生大合照當結尾XD
留言列表
