發表文章

螺桿正常運轉,振動卻開始增加?|GOOD科技報 Newsletter 26011

圖片
  半導體設備中的 Boat 升降機構,即使定位正常、沒有發出警報,也不代表螺桿的機械狀態完全沒有變化。長期反覆運轉可能造成潤滑不足、軸承磨耗、傳動間隙增加或結構鬆動,這些問題往往會先反映在振動訊號中。   螺桿還能正常升降,為什麼仍可能存在機械問題? 在半導體熱製程設備中,Boat 負責承載晶圓,透過電動螺桿驅動升降,完成晶圓的移載與製程定位。由於升降機構需要長期反覆運作,螺桿、螺帽、軸承及相關傳動組件,都必須承受持續性的機械負載。對設備控制系統而言,只要馬達正常運轉、升降動作順利完成、定位結果符合設定,通常就能繼續執行後續製程。 然而,機構能夠完成動作,不代表內部傳動條件完全沒有改變。例如,當螺桿潤滑逐漸不足時,馬達可能仍具有足夠扭矩克服摩擦阻力,使設備維持正常升降;當軸承開始磨耗或支撐結構出現鬆動時,也不一定立即造成定位失敗。 這些問題在初期可能不影響設備功能,卻已經改變機械運轉時的受力、摩擦與振動特性。 對工程師而言,真正困難的不是發現螺桿已經無法升降,而是在設備仍能正常運轉時,判斷機構是否已經出現需要關注的變化。如果只依賴設備警報或固定週期保養,便可能錯過早期檢查的機會。因此,觀察螺桿在運轉過程中的振動變化,能夠提供控制訊號以外的機械狀態資訊。 螺桿振動增加,可能代表哪些機械問題? 電動螺桿升降機構並非只有螺桿本體在運作,而是由馬達、傳動組件、軸承、螺桿螺帽及導引機構共同完成動作。 當其中一個組件的運轉條件改變,可能影響整體振動表現。工程師可以依據振動變化的型態,縮小可能的檢查範圍。 1. 潤滑不足:摩擦阻力增加,振動可能逐漸上升 螺桿與螺帽在傳動過程中,需要適當潤滑以維持接觸面的運轉狀態。當潤滑劑不足、劣化或分布不均時,可能增加局部摩擦與運轉阻力,使振動強度或波形產生變化。初期即使沒有明顯異音或升降異常,仍可能出現與過去不同的振動數值。如果工程師發現設備在相近負載與運轉條件下,振動數值持續增加,可以優先確認潤滑劑狀態、補充週期、螺桿表面及螺帽接觸情況。 2. 軸承磨耗:旋轉平順性改變,可能產生額外振動 軸承負責支撐旋轉組件,並承受機構運轉時的負載。長期使用後,若軸承內部接觸面磨耗、潤滑條件改變或預壓狀態異常,可能影響旋轉平順性。部分軸承異常可能產生較高頻的振動或重複性衝擊,但其表現仍受到軸承型式、轉速、負載與安裝位置影響。當振動出現持續...

異常只有一瞬間,你的 Sensor 看得到嗎?|GOOD科技報 Newsletter 26010

圖片
  設備裝了 Sensor,不代表就能看見每一次異常。許多問題只發生在特定動作的短短幾秒,若只觀察平均值或固定門檻,關鍵訊號很可能被大量正常數據掩蓋。

晶圓搬送旅途,藏著哪些風險?|GOOD科技報 Newsletter 26009

圖片
  隨著 CoWoS、CoPoS 等先進封裝技術發展,Wafer 承載的製程成本與價值持續提高,除了製程本身,搬送過程中的品質風險也不容忽視。從 OHT 天車、軌道、Wafer Robot 到突發地震,任何異常振動、衝擊或動作品質變化,都可能增加高價值 Wafer 的潛在風險。 AMHS,不只是搬送效率,更關係晶圓搬送品質 在高度自動化的半導體 Fab 中,AMHS(Automated Material Handling System)串聯 Stocker、OHT 與各製程設備,負責 FOUP 在不同站點間的自動搬送。當 Wafer 價值持續提高,AMHS 管理的重點也不再只有 搬得快、送得到、不中斷,更需要關注整段搬送過程是否穩定。 從 OHT 天車狀態、Track 品質、Wafer Robot 動作,到突發地震造成的設備震動,都可能成為搬送過程中難以察覺的品質變因。 CoWoS、CoPoS 時代,晶圓價值持續提高 AI、HPC 帶動先進封裝快速發展,從 CoWoS 到 CoPoS,封裝尺寸與整合程度持續提升,並整合先進製程晶片、Chiplet、HBM 等高價值元件。製程越往後,Wafer 累積的材料、設備、製程與時間成本越高。一旦發生刮傷、Particle、碰撞或破片,損失的不只是晶圓本身,更可能是前面多道製程累積的高額價值。 Wafer 越昂貴,每一次搬送就越不能出錯。 隨著先進製程與高階封裝技術發展,Wafer 價值持續攀升,每一次搬送都伴隨更高風險。從 OHT 天車、軌道、晶圓傳送手臂到突發地震,任何微小異常都可能造成晶圓碰撞、刮傷甚至整批損失。 製程管得很嚴,搬送過程呢? 一片 Wafer 在不同製程間,需要經歷: FOUP → OHT → Stocker → Equipment → Wafer Robot → Chamber OHT 軌道異常衝擊、FOUP 搬送震動、Robot 微震或定位偏移,都可能增加 Wafer 搬送風險,而且這些異常不一定會立即觸發設備 Alarm。 因此,先進封裝的品質管理不應只關注製程參數,更需要掌握 Wafer 從上一站到下一站的搬送品質。 高價值 Wafer,更需要保護每一次移動。

用電沒有超標,還是可能有問題?|GOOD科技報 Newsletter 26008

圖片
  電到底用到哪裡去了? 工廠導入 EMS 能源管理系統之後,我們開始可以看到越來越多電力資訊。今天用了多少電?哪一個區域耗電最多?哪一台設備目前功率最高?什麼時間出現用電尖峰?這些資訊解決了能源管理的第一個問題: 「電到底用到哪裡去了?」 但是當數據累積一段時間之後,能源管理人員往往會遇到下一個更困難的問題: 「現在這個用電量,到底正不正常?」 這才是能源管理真正困難的地方。 因為真正的能源異常,不一定會突然出現一個很大的數字。更多時候,它可能只是: 待機時多了一點、運轉時高了一點、下班後晚了一點關機,或者一台設備的耗電慢慢跟以前不一樣。 單看一天,可能沒什麼。但如果每天都多一點呢?這就是我們今天想談的: 用電行為。

數據有了,但門檻設對了嗎?|GOOD科技報 Newsletter26007

圖片
  工業物聯網不應只是收集設備數據,更重要的是將數據轉化為可判斷、可預測的決策資訊。AIoT 智慧監測系統整合多元感測器,透過特徵值分析、SPC 智慧門檻及 AI 模型學習,自動建立設備健康模型,分析劣化趨勢並提前預警異常。 翻找歷史資料盲人摸象? 企業物聯網的最大困境:資料海嘯與無效警報 近年來,許多製造業積極導入工業物聯網(IoT),希望透過感測器全面掌握設備狀況。然而,設備連上網並不代表設備變得更智慧,反而讓許多企業陷入另一個更大的困境——資料越來越多,真正能解決問題的資訊卻越來越少。 每天,工廠持續累積數百萬筆振動、溫度、壓力、電流等感測數據,但設備異常依然沒有提早發現。當設備停機時,管理者只能回頭翻找歷史資料;當產線良率下降時,也無法判斷究竟是哪一項設備參數開始偏移。企業投入大量成本建置 IoT,最後卻只是多了一套「會收資料」的系統,而不是能協助決策的智慧工具。 資料越多,異常反而越難找? 更大的問題在於,大多數企業仍然停留在「看數值」的階段,而不是「理解設備」。面對上百個監測點與數十種感測器,每一項數值都有不同的正常範圍,也會隨設備型號、製程條件、環境溫度及負載變化而改變。 若仍採用固定上下限作為異常判斷,不是每天收到大量誤報,就是錯過真正的異常徵兆,最後現場人員逐漸忽略告警,系統形同虛設。 真正困擾企業的,從來不是資料不足,而是不知道哪些資料才真正代表設備健康,也不知道如何建立可信賴的判斷依據。唯有先從大量原始訊號中擷取具有設備意義的特徵值,再建立符合設備運轉特性的智慧門檻,並透過 AI 持續學習設備正常與異常模式,才能讓 IoT 從單純的資料收集平台,真正成為預知保養與設備健康管理的核心。 數據無法真正反映設備狀態? 真正值得關注的從來不是絕對數字,而是速率與行為是否異常。若直接用數值高低判斷,不僅容易誤判,更會錯失劣化徵兆。 我們以為的狀況與機器真實表達的行為 許多人認為,只要設備安裝了感測器,就能即時掌握設備健康狀態。然而,感測器所取得的,其實只是大量的原始數據(Raw Data),這些數值本身並不代表設備是否正常。若直接依照溫度、壓力、振動或電流的數值高低進行判斷,不僅容易誤判,也難以真正發現設備開始劣化的徵兆。 舉例來說,一台馬達的溫度從 40°C 上升到 60°C,乍看之下只是溫度提高了 20°C,但如果這個過程是在 30 分鐘內緩...

節能新局開啟,企業準備好了嗎?|GOOD科技報 Newsletter26006

圖片
  因應能源署推動五年節能計畫,全台約4,900家能源大用戶將面臨節能診斷與改善規劃要求。企業未來的挑戰不僅是降低用電量,更是建立長期且有效的能源管理機制。透過EMS能源管理系統、RM-IOT轉子監測系統及生成式AI整合應用,企業可即時掌握能源流向、設備健康狀況與耗能原因,從被動節能邁向主動優化,提升能源效率、降低營運成本,並強化未來競爭力。 從節能診斷到智慧管理,打造符合新制要求的能源管理體系 全球能源轉型浪潮下,企業節能已成必修課 近期全球能源議題再度成為焦點。隨著AI資料中心快速擴張、國際能源價格持續波動,以及各國淨零碳排政策陸續上路,企業面臨的能源管理壓力與日俱增。經濟部能源署近期指出,因應AI帶動的用電需求成長與能源轉型趨勢,政府正持續強化供電韌性與能源管理制度,希望在確保供電穩定的同時提升能源使用效率。  另一方面,台灣正加速推動再生能源發展與電力結構調整,但在全球能源供應不確定性、國際局勢變化以及能源成本波動的背景下,如何降低能源浪費、提升設備效率,已成為企業永續經營的重要課題。  也因此,經濟部能源署正式推動新的節能管理制度,要求能源大用戶不僅要達成節電目標,更必須建立長期節能規劃機制。根據能源署公告,全台約4,900家契約容量超過800瓩的企業,未來將需完成節能診斷並提出五年節能計畫,持續追蹤與落實節能成果。政府預估,新制度推動期間可再創造約94.7億度節電效益。  對企業而言,這不僅是一項法規要求,更是一場能源管理思維的轉變。從過去著重設備採購與節電措施,逐步走向數據驅動、持續改善的智慧能源管理時代。 為何政府推動五年節能計畫? 過去許多企業在面對節能議題時,往往採取較為被動的態度。當電價調漲時,才開始思考如何降低能源消耗;當設備老舊或故障時,才進行更新與改善。然而這種方式通常缺乏整體規劃,無法有效掌握能源使用狀況,也難以建立持續改善的機制。 政府推動五年節能計畫的核心目的,在於促使企業建立長期節能管理制度。透過節能診斷,企業可以了解自身能源使用現況,找出高耗能設備與潛在浪費來源;再透過五年規劃,逐步執行改善措施並追蹤成效,形成持續優化的循環。 從政府角度來看,節能不只是降低能源需求,更是提升國家能源安全的重要策略。當企業能有效降低能源浪費,不僅可減少發電需求,也有助於降低碳排放量,進一步達成2050淨零排放...

Gen AI 很聰明,但工廠更需要機器學習|GOOD科技報 Newsletter26005

圖片
  為什麼設備健康管理仍然離不開 Machine Learning? 當全世界都在談生成式 AI? 近年來,ChatGPT、Gemini、Copilot 等生成式 AI 技術快速崛起,掀起全球企業數位轉型熱潮。從撰寫報告、整理資料、生成圖片到自動客服,生成式 AI 展現出前所未有的能力,也讓許多人開始思考,未來工廠是否也能透過生成式 AI 來管理設備、判斷故障,甚至取代傳統設備監測系統。 然而,當我們真正走進工廠現場,面對機械手臂、衝壓機、打線機、切割機、晶圓搬送設備等高度自動化的生產設備時,會發現一個非常現實的問題:生成式 AI 雖然很聰明,但它其實不知道「這一台設備」正常運轉時應該長什麼樣子。 對於工業設備而言,最重要的問題並不是如何生成一份漂亮的分析報告,而是如何在數萬次、數十萬次重複動作之中,判斷設備是否仍然維持正常狀態。這項工作並非生成式 AI 的強項,而是機器學習真正發揮價值的地方。 更精確地說,工廠需要的不是單純的 AI 回答能力,而是能被現場驗證、能和歷史資料比較、能在製程脈絡中解釋的設備健康模型。生成式 AI 擅長語言與知識整合,但設備健康管理的核心是時間序列、訊號特徵、動作週期、基準偏移與異常趨勢。這些資料並不只是「文字問題」,而是需要透過感測、特徵萃取、模型訓練與持續比對,才能逐步建立出來的設備理解。 因此,在智慧製造場景中,生成式 AI 與機器學習並不是誰取代誰,而是一種分工合作的關係:機器學習負責理解設備,生成式 AI 負責理解人;機器學習負責產生可信賴的設備健康指標,生成式 AI 負責把這些指標轉換成現場主管、維修人員與經營管理層都能理解的決策語言。 設備沒有停機,就是設備沒有問題? 在許多工廠裡,設備管理人員最常遇到的問題之一,就是設備明明沒有停機,卻開始出現良率下降、品質不穩定甚至客戶抱怨等問題。這類問題最麻煩的地方在於,它不會立刻以故障警報的形式出現,而是先以微小偏移、節拍變慢、震動增加、定位誤差或品質波動的形式發生。 以半導體產業為例,一支晶圓搬送手臂每天可能執行數萬次取放晶圓動作。當手臂關節、滑軌逐漸磨耗,軸承開始劣化,或結構產生微小鬆動時,設備控制系統仍然顯示正常,機台依然能夠持續運轉,但搬送精度卻可能已經開始下降。而這個輕微的偏差,可能就會導致晶圓刮傷、破片或定位失準。 同樣的情況也發生在衝壓設備上。衝壓機可能每天重...