發表文章

沒壞的設備,才是最難的問題? |GOOD科技報 Newsletter26002

圖片
  在產線運作正常、設備無警報的情況下,品質卻開始出現波動。本案例以晶圓雙刀切割機為對象,透過振動分析發現,關鍵不在異常,而在於設備在靜止狀態下的微幅不穩。顯示高精度製程中,設備穩定性比是否故障更為關鍵。   設備持續運轉、產線沒有停,工程師照常巡檢,看起來一切都在控制之中。這是一條典型的晶圓切割製程產線,雙刀切割機持續以高速運轉,主軸維持在高轉速(約 30,000–40,000 rpm ),切割節拍穩定,產出數量也符合排程。如果不是被提醒「最近產品品質有些波動」,這其實就是一個再平常不過的生產日。   也正因為「看起來沒問題」,反而讓事情變得棘手。沒有異常警報、沒有停機紀錄,也沒有明顯的設備故障跡象。主軸負載穩定、進給速度正常、切割深度與刀徑補償參數也都在設定範圍內;設備端所有監控數據,幾乎都顯示在「健康區間」。唯一的線索,只是來自後段檢測的回饋 —— 品質開始出現不穩定,例如崩邊比例上升、切割面粗糙度變差、局部尺寸偏移。 這次的任務很直接:確認設備狀況,釐清是否與品質波動有關。但實際執行時,困難點不在於檢查,而在於「沒有明確方向可以查」。 最難處理的,不是壞掉的設備 而是「還在運轉但已經不穩」的設備   對現場工程師來說,設備壞掉反而容易處理。以晶圓切割機為例,一旦出現主軸異常振動、電流過載、刀片破損或切削阻力異常,設備通常會立即觸發警報甚至停機。這類問題具備明確的特徵訊號,無論是振動頻譜、負載變化或切削聲音,都能快速定位,對應的維修與更換流程也相對成熟。 但真正讓人頭痛的,是設備沒有報錯、沒有停機,甚至產能看起來還維持得不錯,卻開始影響產品品質。 在晶圓切割製程中,影響品質的關鍵並不只在「是否切得動」,而在於切割過程中的 應力控制與穩定性 。只要出現微小變化,例如:刀具磨耗不均、主軸微幅偏擺或高頻振動、雙刀間同步性產生微小偏差、基座或載台剛性下降等,就可能導致切割應力分佈不一致。   而這些變化有一個共通點: 不會立即超出設備警報門檻   但卻會在產品上逐步放大,例如:崩邊增加、微裂紋風險提升、切割面粗糙度惡化、 Die  尺寸一致性下降。   這種問題最麻煩的地方在於,它是「漸變的」,而不是「突發的」。良率不會瞬間掉下來,而是從 99% 慢慢滑到 97% 、 95% ,等到被發現時...

AI 驅動的智慧維保 |GOOD科技報 Newsletter26001

圖片
  結合預知監測與生成式 AI ,打造可自我診斷異常原因的智慧維保系統。快速找出機台問題來源、縮短維修時間、提升產線效率,適用於半導體、石化與重工產業。在工業 4.0 與智慧製造時代,僅靠異常偵測已無法應付日益複雜的生產環境。該如何透過「預知監測」結合「生成式 AI 」,讓機台不只能偵測異常,更能自動推論出可能故障原因並提供對應建議。

從盲拆到精準修: 加工產線的年修大革命 |GOOD科技報 Newsletter25012

圖片
  在製造業與半導體產線中,轉子馬達被視為生命線級的關鍵設備,但每到歲末年修,維護團隊常面臨「不知道要修什麼、只能全修」、「預算被耗盡卻無法真正改善可靠度」的困境。透過預測性維護系統能在無須停機的狀態下提前辨識軸承、轉子不平衡、鬆動與潤滑問題,大幅降低誤報與維修浪費。透過精準維護實現「修該修的、停該停的」,打造真正的年度維護新典範。 產線設備靠祈禱才能撐到年修? —— 傳統維護的困境 每年接近歲末時,那些被忽視了一整年的轉子馬達突然成為全廠最受關注的主角。工程師一邊看著稼動率報表,一邊祈禱馬達能撐到停廠那天。這並不是誇張,而是多數工廠維護管理的現實:生產壓力大到沒有時間保養,或是維護能拖就拖,直到年修時才「一次解決」。   但問題是 —— 真的解決了嗎?廠區年修往往變成大規模拆解、汰換、加碼維修費用的季節。原因不是設備真的那麼糟,而是因為缺乏數據,工程師只能採取「一律換新避免風險」的保守策略。於是許多狀況良好的馬達、零件被提前汰換,而那些真正即將故障的設備卻因為沒有明顯表徵,被錯過、被誤判,甚至在開工後不到一個月就故障。另一種狀況是設備沒修沒事,一修問題變成一大堆。但是如果真的等到設備壞了才修,又可能造成產線無預警停機造成產品損壞或是良率下降,而這些損失更加嚴重。   這就是傳統歲末年修的矛盾:該維修還是先不維修,問題都很多。 盲修與過度維護 這些問題在於許多廠區都處於盲修或是過度維護!雖然每間工廠都喊著:「維護預算不夠用!」但到了歲末年修,一張張維修清單卻比年度任何時候都更長、更花錢。這讓很多主管感到困惑   —— 明明花了更多錢,為什麼設備隔年還是會壞? 答案很殘酷: 預算不是花在該修的地方,而是被盲修與過度維護悄悄吃掉。   在沒有數據的年代,設備就像一個不會說話的黑盒子,工程師只能靠經驗與直覺來判斷,而這些判斷通常導向以下結果: 看不到設備健康狀況?只好拆開來看! 就像醫生沒有  X  光,只能開刀確認裡面怎麼了。設備被拆光光,反而裝回去的時候造成更大的問題。 不確定軸承是否劣化?就一律更換! 「寧可換錯,不可漏掉」成為無奈的安全指標。覺得有修有保佑,換了什麼不清楚,有什麼改善也不知道。 聽起來怪怪的?再拆一次! 噪音可能來自皮帶、支架、風扇,但馬達往往成為第一個被懷疑的對象,反正先拆了再說...

讓電能管理從記帳走向決策 |GOOD科技報 Newsletter25011

圖片
  企業在導入  EMS  電能管理系統後常遇到的現實困境:數據與報表愈來愈多,卻難以真正支撐日常營運與策略決策。面對電價波動、法規要求與供應鏈減碳壓力,管理電能已不只是「看用電量」,而是要理解電是如何被使用、能否被優化。   「導了系統」到「好像沒有比較輕鬆」? 近幾年,不論是半導體、石化、電子組裝或商辦大樓,「電費」與「減碳」幾乎已經變成董事會級的議題。很多企業導入了  EMS 電能管理系統,卻仍然面臨幾個關鍵問題:數據一堆,看不出重點;報表很多,卻難以轉成行動;節能專案做了,但效果無法持續。   因為即便已經有  EMS ,上線後有可能還會遇到這幾種狀況: 1.  資料很多,但沒人有時間「看懂」 EMS  可以即時收集用電、負載率、碳排等數據,甚至依  ISO 50001  架構建立指標與報表,但實務上,多數能源數據仍停留在「有紀錄」而非「有洞察」。研究與業界案例指出,導入能源管理制度的組織,常見挑戰包含:缺乏能源專業人才、數據品質不一、以及無法將分析結果落實到日常決策。 2.  報表與稽核作業高度「靠人工」 為了符合  ISO 50001  或各國能效法規,企業要定期提交能源績效、節能專案、設備改善等報告。這些內容雖然都來自  EMS  的數據,但整理、撰寫、解釋仍仰賴能源管理人員人工作業,耗時又耗腦,還容易因為人員異動導致知識斷層。 3.  節能只做到「事後檢討」 多數  EMS  的應用仍停留在「監控異常、事後檢討」。尖峰負載,調整排程,在不同節能策略下(例如空調設定、產線啟停組合)。這使得節能專案較像一個個離散的計畫,而不是持續優化的「日常營運策略」。 4.  面對碳管理與法規,能源資訊難以轉成  ESG  故事 ISO 50001 、歐盟能效指令與各國節能法規,越來越強調能源效率與碳排表現,導入  EMS  的工廠在能效與減碳上確實能取得優勢,但要把這些數據轉化成可以跟客戶、銀行、投資人溝通的「 ESG  故事」,往往還需要額外的分析與撰寫工作。   資料不是沒有,而是多到沒有人有力氣真正看完。 ...