GOOD 科技誌

  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...

全球人工智慧研究報告中，2030年AI將預計給全球GDP成長14%，貢獻15.7兆美元； 根據麥肯錫研究指出，2025年物聯網全球應用產值高達11.1兆美元；AI在2030年前可望帶來13兆美元的產值。研調指出亞馬遜及微軟、Intel、ARM等指標企業大廠正積極布局邊緣運算以擴大AIoT生態系，而AI與IoT的相輔相成，幫助產業加速智能化的轉型。台灣在電子軟硬體等產業表現亮眼，技術不斷創新，再加上政府的大力推行『五加二』產業創新計畫，讓AIoT產值持續增長，除了在智慧城市發展也在工業產業中加速落實。 由於AI人工智慧技術需要有強大的數據資訊累積，才能得以判別結果，並透過不斷學習累積改良提升準確率，進一步增加自主性、提升智慧化功能。因此IoT所構成的互聯環境是讓AI技術能有效運作的關鍵因素，而發展成熟的IoT結合AI人工智慧就進化成AIoT，AIoT的發展帶動各類環境感測器的技術應用升級。 ＃AIot ＃工業物聯網 ＃Ai人工智慧 具備Ai功能的機器學習監測系統 目前已有廣泛應用於產線的AIoT，此類系統大多用來預測設備故障及異常時即時性發送警報的監控系統。產線運用IoT收集設備運作時的數據資料，並在產線設備異常時，根據異常數據發送警報，在產線系統導入AI後，再根據使用者經驗與數據統計，進一步優化設備數據，使得產線量率維持一致性或提升良率。 AIoT實現設備的智能升級 由IoT的連接，整合智能機器運算與人為經驗，共同組成智能化系統，應用在設備製程時，能幫助使用者進行智能化判斷、構思、決策等。通過加裝感測器對設備進行狀態監測，建構網絡監控並建立故障門檻，有效提前預測故障。也就是設備可以自己學習或是經由輸入人為經驗數據學習，並且能根據數據實行預防性維護，有效阻止因為設備故障導致的損失，更能讓設備發揮運轉效益。 AIoT海量數據幫助研發 AI所強調的深度學習，也就是要讓設備經過長時間的資料搜集。要讓設備、軟體、人能夠結合為人機一體協作的運作方式，需要海量的數據蒐集及智能演算，也因此數據蒐集是至關重要的。透過IoT全方位蒐集的數據累積在由AI運算判斷後所得到的分析數據，幫助研發人員在開發新產品或調整產線時，優化調整機台數據。 了解更多IOT預知故障監測

今年8月21號到24號於台北世貿將舉行工業自動化大展，聚集了國內外重量級工業機器人與自動化相關控制的領導廠商。 工業自動化的第一環：生產流程自動化，可分為固定式自動化與編程式自動化。固定式自動化是指重複動作行為，用於大批量生產製造和需要品質性一致的產品製造線。編程式自動化是指根據產品的屬性配置而變化，可以依照新產品於可編程設備輸入新的程序。這兩種自動化生產模式都是有助於產線效能提升、產品標準化及降低成本，還可取代人力進行較危險性、及重複性的工作。 影響產線品質的因素很多，其中系統設備運轉品質也影響了產線效能，需要有效監控產品設備的系統，以便提前掌控產線品質，預防無預警停機或排程保養維護。於系統安裝傳感器，接收檢測信號，如：電流、電壓、溫度、振動值等，利用蒐集數據了解系統設備的運轉品質，建立學習規範設立門檻規範，也讓使用者能進一步利用數據改善產線編程，提升產線品質。 ＃工業自動化 ＃預知保養 ＃產線品質 打造智能化現場 工業4.0智能工廠規劃  迎接工業4.0，智能工廠廠區引進多種類型設備串連產線，工具機、機械手臂費用昂貴，所附的監測軟體功能不夠用？智慧製造所面臨的智能現場管理，往往由於使用者不知道設備問題點，導致機台設備長期處在錯誤的環境下。例如想提高產品良率卻沒有實際的數據依據，無法確認製造生產流程是哪一個環節造成產品耗損？不想快速淘汰機台設備，維持半自動化產線但又需要有實際應用的方式提升智能？新購入的精密機台設備不知道是否會被其他機台共振影響製程？單一廠房的數種類型機台可能由多個服務供應商提供，造成各種機台設備數據獨立無法交叉使用？ 固德針對不同設備、廠區屬性、預算時程提供智能工廠預知監診規劃，將複雜而龐大的數據資訊，簡化並可視化，讓使用者快速判斷現場與了解設備狀況，並提供數據交由使用者靈活運用。 整合廠區內設備監測包含： 各式穩態訊號監測： 微粒子、電壓、電流、壓力、溫度、流量、濕度、漏液等。 工具機智能提升及診斷： 工具機各式部件檢測，如主軸、刀具、驅動馬達、移動軸、傳動機械品質等。 各式自動化產線監測： Rotor to Rotor設備、轉子機械、重複性生產行為設備、整機動作檢驗等。 各式轉動設備監測： 核心轉動設備、日常轉動設備、DRYPUMP真空泵浦、馬達、風機等。 各式機械手臂監測： 加工類手臂、搬送類手臂、電焊手...

半導體製程：晶圓切割 在半導體製造中，晶圓加工（wafer fabrication）步驟中，是技術最為密集的部分，隨著工業4.0與資訊迅速的發展下，電子產業產品所要求的效能品質越來越高，因此晶圓切割技術變的更加複雜而精密。電子封裝（electronic packaging）過程中，將晶圓（wafer）製造加工切割成每一獨立IC晶粒（die），此一過程中，是影響晶圓品質的重要程序。而晶圓切割機的品質管理，能夠有效避免或降低製程中因為設備問題所造成的切割損耗。 ＃工業4.0 ＃晶圓加工 ＃電子封裝 切割機台結構組成  切割機主要機構組成為：切割旋轉主軸、垂直移動軸（Z 軸）、二維面橫向移動軸（Y 軸）、二維面縱向移動軸（X 軸），在切割流程中，只要有一個環節的運動控制、定位控制或是機械損壞老化都會直接影響到切割品質。 其中每個項目還可以細部區分成： 切割機旋轉主軸：空氣主軸、主軸動平衡等級、刀具、刀具轉接座、護蓋。  垂直移動軸（Z 軸）：伺服馬達、驅動器、培林（軸承）、螺桿、滑軌。 二維面橫向移動軸（Y 軸）：伺服馬達、驅動器、培林（軸承）、螺桿、滑軌。 二維面縱向移動軸（X 軸）：伺服馬達、驅動器、培林（軸承）、螺桿、滑軌。 ＃切割機 ＃晶圓加工 ＃移動軸 切割機台品質如何標準化？ 切割機台品質是在多數使用類似或同樣廠牌的切割機台前提下，如何維持設備生產的良率與穩定性、以及標準化的品質問題。固德專為晶圓切割機台推出 VMS ® -DS晶圓切割機品質管理系統 ，幫助使用者了解切割機機況，並針對切割幾個部件作健診、除錯，有效精準管控晶圓切割機品質。系統具備針對晶圓切割機所需要量測功能，各量測項目可輕鬆設定振動值規範及動平衡等級規範，使用者可自行建立門檻值，並於頁面量測顯示結果判定。 例如，當數值超過門檻值結果判定，紅色代表數值異常，綠色代表數值正常。總結分析顯示綜合判別結果，讓使用者對於機況一目瞭然。提供使用者精準維修的參考依據，進一步達到預知保養或零組件更換時機。確保產線上生產機台品質的一致性與可靠度，進而利用數據化管理機台品質來提升產品良率及避免停機問題發生，更可以進一步的減少機器全面性的損壞與增加設備壽命。 了解更多關於VMS ® -DS晶圓切割機管理系統

隨著半導體代工與LCD面板製造業等市場需求提升，真空設備Drypump真空泵浦被大量運用於醫療、化工、機械、半導體製造業等。使用者常常困擾泵浦發生的培林端漏油、泵浦卡粉等問題，導致泵浦提前損壞。所以使用者會將到達運轉預定時數的真空泵浦一律通通送交保養，其中可能也因此為了保養良品造成了不必要的浪費。 ＃Drypump真空泵浦 ＃半導體製造業  以半導體製造為例，真空泵浦為爐管的重要元件，內含轉子電機、魯氏泵浦等。雖然原廠會提供相關的監測系統，但功能僅涵蓋壓力、流量、溫度及電流，無法真正瞭解泵浦健康狀況。即便使用者將設備送交保養，設備回廠後也僅以電流作為驗收依據，無法切確了解保養成效。 了解真空泵浦的健康狀態  固德推出真空泵浦品質檢測解決方案，幫助使用者了解真空泵浦的健康狀態。監測目的在於1.預防真空泵浦在預定保養時間前提前老化，造成運作效率不良的問題。2.預防因為泵浦卡粉，造成機械損壞造成卡死甚至無預警停機。3.預防培林端漏油、劣化，導致泵浦提前損壞。4.運轉中的良品延長工作時數，拉長定期保養時間，有數據化的降低運轉維護成本。5.送交保養的回廠設備是否有達到保養需求規格，確保委外的保養效益。 機械異常頻譜特徵-檢出實績Ⅰ:機械鬆動特徵 機械異常頻譜特徵-檢出實績Ⅰ:角度式不對心特徵 機械異常頻譜特徵-檢出實績II:孔蝕現象 機械異常頻譜特徵-檢出實績III:機械摩擦＋鬆動特徵 三種規範同步監測 ISO、BROAD BAND、SOA（Spectrum Overall Value）三種規範同步監測，內建ISO規範，利用ISO10816管理轉子機械振動品質評估，並將結果判定分為優良、正常、警告、危險。讓使用者可藉此評鑑轉子部件健康狀態，來提升維護以及預知保養的工作。BROAD BAND數值管理確認設備振動基準值，根據不同機械種類分類（馬力、馬達與負載連接形式、轉子種類、剛性或饒性結構，使用該種類指定之特定頻寬，並濾除頻寬內特定頻段，依需求將規定振動物理量之振幅以0-PEAK、Peak to Peak、RMS值呈現，SOA振動量超過基準值判定設備狀態，還可藉由FFT振動頻譜特徵了解各種損壞部位與機械異常原因。 泵浦檢出狀態:利用FFT振動頻譜特徵，找出各種損壞部位與原因 ...

智能化正快速滲透在生活中，從居住環境到工業製造，而AI人工智慧的技術透過海量的大數據經由深度學習後，正開始幫助人類加速翻轉生活態度與營運模式。但對於製造業，仍然是有一定的困難度。雖然業者都知道要順應數位轉型，引進自動化系統結合AI運算，但是由於IT資訊科技與OT開發安全標準持相反立場，所以就往往導致製造業的升級停滯。 要導入自動化刺激產業進步，要因應不同製造商的各種廠牌製造設備而作的品質提升，又要加上智慧化系統功能，再加上可以遠端控制，一層又一層的程序運算模式，已經讓業者消耗荷包和心力，所以也都抱著觀望的態度，並不是因為缺乏整合和方向，而是製造業環境比你想像的更複雜繁瑣。當遇到機台設備發生錯誤，業者只能被動的叫修，或是依靠定期保養合約作無所謂的浪費維護。 固德所提供的IIOT，以LORA傳輸方式及MQTT通訊協定，將資訊完整保留於本地主機，由企業內部自行管理。也可選擇上傳至私有雲或雲端主機，依照企業需求自由搭配。藉由運算完感測器資料傳回主機端並搭配自動判別技術，即時顯示環境或設備狀態，並視環境因素如遇障礙物或延長傳輸距離可另外增設中繼站，確保資料續傳不掉點。即時發現與糾正問題，更可藉此省下時間與金錢。 ＃智能化加工生產線 ＃物聯網  有效的保養是預知機台老化趨勢及掌握健康狀態  設備如何判斷正常或異常，目前仍是透過振動檢測判別機台設備各部件狀態。如若能更清楚機台設備的健康狀態，就能有效預防停機的狀況及延長機台設備的壽命。就像與其生病才看醫生，不如提早預防增強抵抗力。現在只要搭配感測技術，安裝在各部件上，透過振動檢測分析即可判別機台設備零件是否異常，更可以進一步知道設備老化磨損的趨勢。唯有透過長期監測、了解設備狀態，才能夠全面檢視首要問題與規劃解決方案。 身為使用者我們絕對無法防止機台損壞的發生，但如何透過提前的檢知量測，來延長機台的壽命與維持機台運轉品質，並在適當的時間提出維修保養計畫都是我們身為製造端機台使用者必須嚴肅面對並且學習的課題。因為唯有對製造工具有十足的掌握度，才會更有餘力設計更精良的製造流程與參數，因而持續提供品質優良且穩定的產品。 ＃監測 ＃預知機台老化趨勢 ＃延長機台的壽命 技術變化太快，以人為本的策略是唯一途徑 不要認為花大錢作全廠智能化規劃，就能達到好的效果。特別是中...

機器（機械）學習與AI 人工智慧 為了降低機器學習的開發門檻，前幾天Google在 GOOGLE CLOUD NEXT 18 大會 上推出了新一代機器學習產品CLOUD AUTO ML，這舉動也讓AI人工智慧、機器學習、深度學習等等關鍵字搜尋熱度再度爆紅。然而，掛上這些名詞的工具總是讓使用者望而卻步，原因無非都是如果沒有具備專業程式技術背景，即使大廠提供開發平台，但對於使用者恐怕仍是一道無法跨越的門檻。 科技的進步帶動技術軟體的開發程度日漸高深，如果導入了新技術卻沒有相應的解決方案，就像買了台瑪莎拉蒂放在車庫拜一樣。量測軟體除了要跟上科技的技術進步，更要讓使用者切確的會使用也好用。 更簡單的方式辨識設備健康狀況 固德率先開發一套數據辨識系統針對任何具重複動作的機械設備： VMS-MACHINE LEARNING 機器學習智能監控系統 ，透過演算法解析學習範本訓練系統，擷取數據判別設備健康狀態，自動學習、自動記憶、自動判別。VMS-MACHINE LEARNING機器學習智能監控系統可即時偵測動態機械之動作訊號，即使動作訊號僅發生微小的異常，即可預先判別得知機械是否即將會產生故障特徵，以供使用者有充足的時間準備更換料件或產線的調度管理，避免無預警的故障產生影響產線作業，造成損失，亦可有效的預防機械在異常的情況下運作衍伸出的品質問題。 提供預防保養觀點的監測。 提前檢知動態機械故障特徵。 避免不可控的機械變化影響產品良率。 機械設備產線保養排修的參考。 避免機械無預警損壞。 ＃工業4.0 ＃機械動態 ＃機器學習 ＃預知保養 機器學習:動態訊號相似度判別 軟體自動辨認指定規範的動作訊號 ＃動作學習 #動態訊號 ＃機械異常 機器學習:AI人工智慧 機器學習智能監控系統的高效能量測方式即學習動態機械訊號動作並提供 AI 人工智能運算參數，產品開發設計與測試人員更可依照數據進行檢驗與驗證測試，有助於優化產線流程設計。 工業4.0伴隨AI（人工智慧）迅速發展的時代，機械的各式複雜化動作、簡化生產流程、要求提升產能、維持產品良率等種種產業需求，透過高效能的量測系統 AI 人工智能處理可快速解決各式設備問題。而深度學習也是 AI 技術的其中一環，它是種執行機器學習的技術，能將大量...

什麼是機器學習？ 我們都聽說過google的圖像辨識或是facebook的聊天機器人，這些都是應用於機器學習人工智慧的一環。而對於工業應用上，機器學習又該如何幫助產業呢？ 機器學習（MACHINE LEARNING) 指的是讓電腦系統能夠自行從累積的資料數據中，學習一套規範做出結果判定，是實現 AI 人工智慧的其中一種方式。 工業4.0 時代，產業大量運用自動化機械或是使用  IIOT ，都是為了提高產線的產品良率及製造效能。所以對於機械設備上要擁有更高的掌握度，就需要有高效能、更準確的量測系統。 機器學習與預知保養 為了訓練量測分析系統，固德將量測系統導入了機器學習的概念，從健康的機械動作學習開始，累積data擷取出的資料特徵，成為規範應用在工業上，有效的掌控機械設備的健康。 固德推出的 VMS-MACHINE LEARNING機器學習智能監控系統 ，使用者可透過間單的使用流程自行建立設備健康規範。由機械動作所傳出的訊號，系統就能識別需要注意的異常情況並發送警報通知使用者。在機台開始出現問題時能夠即時得知並處理，產業進而可提早檢知設備狀態訂立保養計畫。 提供預防保養觀點的監測。 提前檢知動態機械故障特徵。 避免不可控的機械變化影響產品良率。 機械設備產線保養排修的參考。 避免機械無預警損壞。 ＃工業4.0 ＃機械動態 ＃機器學習 ＃預知保養 機器學習即時檢出動態機械異常 隨著工廠製程不斷細微化，其製程動作行為的要求也越來越高，經由機器學習來管控設備運作流程，偵測機台設備問題，來幫助產線提升製造效能及維持產品的一致性。 機械各軸向（馬達驅動異常）/ 機械異常顫抖動 / 製造劇本指定錯誤 / 機械動作時序異常 / 機械磨損 / 無預警撞機 / 外部環境震動突波過大 ＃環境振動 #主軸馬達 ＃機械異常 應用範疇 機器學習智能監控系統可應用於任何具重複動作行為的機台相關設備，可即時偵測動態機械之動作訊號，即使動作訊號僅發生微小的異常，即可預先判別得知機械是否即將會產生故障特徵，以供使用者有充足的時間準備更換料件或產線的調度管理，避免無預警的故障產生影響產線作業，造成損失，亦可有效的預防機械在異常的情況下運作衍伸出的品質問題。 任何具重複動作行為...

您知道自動化設備該如何量測與管理嗎？ 設備運作的速度便直接決定了設備的產能 在高度自動化的工業時代有著各式各樣不同的自動化設備，此類設備最大的目的就是取代人工以及達成產能的最大化。因此，設備運作的速度便直接決定了設備的產能。但在設備設計製造或撰寫動作流程時，並無法一昧的將設備速率調整得愈快愈好，因為太快的速度容易造成機台震動過大因而影響機台表現。事實上，任何形式的設備都是機械結構裝配而成，而機械結構的動態品質決定了機台設備在高速運作下的穩定性。所以如何在速度與穩定性上取得平衡點，便成了設備商與使用者共同的目標。 ＃無人化 ＃工業40 ＃自動化設備 ＃VMS 而動態品質決定於設備的： 機構剛性 避震能力 螺桿滑軌品質 移動的參數設計 以自動化光學檢查機(AOI)設備為例 理論上該類設備在檢測移動時，速度愈快產能就愈大，但過快的運動容易造成機台結構的晃動導致影像模糊難以判別或是判別失效；然而過慢的移動速度又會造成產能不足。VMS-P標準的量測功能可幫助使用者檢知大部分機台設備品質因子: 設備隔震能力: 由於設備本身有避震能力，將設備放置於VC-D等級環境內，設備檯面振動等級仍在VC-G級，表示該設備避震能力良好。 檢查機檢測流程的的動態品質： 可藉由各個動作分析紀錄來確保檢查機的出廠品質或做為日後檢修的依據 機構剛性: 由上側兩圖量測結果比較，得知Y方向機構設計剛性比Z方向機構剛性來的強，為縮短相機在Z軸上的振動穩定時間，須將Z方向結構加固。 結論 自動化設備的運作品質直接影響了產能與出貨穩定度。因此無論是在設備製造設計的初期；或者是使用者在產線上使用時，都應該以科學數據化的方式對於設備的健康與運轉品質做有效的管理與監控。畢竟在高度自動化的工業時代，設備運作狀況將直接影響產品的出貨品質，VMS-P從設備製造端到使用者端都提供了相對應的功能，讓機台設備的動態品質管理變成一件容易上手的事情。 誰會需要VMS-P? 自動化設備的機構設計師 自動化設備的軟體設計師 自動化設備出貨的品保工程師 需要調整參數的設備機台使用者 維護自動化設備品質的設備工程師