GOOD 科技誌

  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。

  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...

  在智慧製造時代中，製程自動化和數據整合成為提高生產效率的關鍵。製造執行系統（MES）被廣泛使用，將各種製造數據整合到一個中央平台，以便企業管理者能夠全面了解生產運作情況。然而，儘管MES系統提供了全局視角，但在實際生產線中，操作人員需要有能夠更即時的掌握設備狀況與即時問題解決的方案。 在這個數位轉型的時代，製造業不斷追求更高的效率、更好的品質和更快的反應能力。RM-IoT-Station作為一個強大的工具，能夠幫助企業實現這些目標。 無論是通過預測性維護提高設備可靠性，還是透過掌握設備穩定度提升品質管理水平，RM-IoT-Station都成為了現代製造業的得力助手。 導入了RM-IoT-Station能夠補足MES系統的不足，並為製造業帶來更高效的生產運營。  #轉子馬達 #設備管理 #MES #數位轉型  案例一：提升故障處理效率 在一家汽車零部件製造廠中，雖然他們已經實施了MES系統來監控設備運行狀況，但在生產線上仍然經常出現設備故障。需要經過多層的設備異常排查或是需要請第三方維護商到現場才能排除設備異常，這時候已經導致產線停機或是半成品的損傷。 為了能夠更快速響應並解決這些問題，他們引入了RM-IoT-Station。這個系統讓操作人員能夠即時接收到關於設備異常的通知，並能夠在第一時間進行故障排查。 利用RM-IoT-Station即時顯示設備狀態的幫助，他們成功縮短了停產時間，提升了生產效率。 案例二：預測性維護的轉變 一家化工廠面臨設備維護的挑戰，傳統的定期保養模式效率低下。設備或零件經常是大批大批的汰換，除了造成過度保養，良品遭到汰換，維修費用也居高不下。 透過結合MES系統和RM-IoT-Station，他們建立了預測性維護模型。 這個模型基於實時數據分析，能夠預測設備故障週期並在適當的時間下提前進行維護，從而避免了無預警停機、過度保養的情況，並大幅節省了維護成本，提高了設備的可靠性。 案例三：資源分配的智能優化 在一家電子設備製造廠中，生產計劃的變動經常導致生產線的不穩定。儘管MES系統可以提供一些數據參考，但操作人員需要更多的實時信息來合理分配人力和設備資源以應對不同的訂單需求。 透過結合MES系統和RM-IoT-Station，他們實現了智能資源分配。 操作人員可以根據RM-IoT-Station提供設備狀態即時數...

  設備數位轉型如何做？ Posted On :  14   Dec   2022 By :  GOOD TECH In  數位升級 該如何才能幫助廠區調整體質，有效執行並落實數位升級？ 工業4.0的來臨，許多產業瞭解廠區必須儘速數位轉型，升級智慧化工廠。但設備數位管理牽扯到各種層面，例如：設備巡檢、產品品質、產線效率等，從廠區管理到製造生產，都需要進行同步落實，才能夠確實推行數位轉型。而常導致廠區推行數位轉型停滯的主要原因有二『預算』與『人』。因此，針對推行數位轉型方案， 決策者除了要能明確訂立廠區的目標外，數位系統必須要考量到人為操作的方便性、系統彈性擴充的自由度 以及會花費到的預算成本。 ＃智慧製造 ＃監測方案 #數位化 ＃數位轉型 #設備巡檢  廠區現況： 資源不夠的產業，對系統導入望而卻步？ 許多廠區認為導入系統過於昂貴，覺得能省就省，所以廠區還依舊停留在用人力巡檢、手動紀錄的方式，卻忽略了其實人力是最貴的成本。你清楚了解哪條產線總是處在停機狀態嗎？又有哪個機台修好了又壞，壞了又修嗎？設備管理越多越雜，紕漏也就跟著層出不窮。以紙本抄錄的方式，事後需要檢討原因更無從追究，導致錯誤一再發生無法避免，形成惡性循環。 已具備自動化機台，需要進一步智能化？ 也許您的廠區已經添購自動化設備了，這些自動化設備已經有內建機台數據分析了，但設備端的工程師真的都能夠了解這些數據嗎？有哪些數據是代表部件異常？又有哪些數據是代表需要迫切維修呢？花了很多時間解析設備訊號，也了解設備製程需要監測的項目，但卻無從下手？了解監測系統的優點，但是廠區設備眾多，該如何解決機台交握的難處？ 數位轉型解決方案 消除人為錯誤的惡性循環，資訊數字化 利用 工業監測點檢系統 ，將設備數字化，不再使用紙本抄錄，落實無紙化。日常設備及水、電、氣等，透過定時定點巡檢資訊來管理設備，確認設備狀態。對於部分預算較低的中小企業而言，簡單的系統就能夠提高人工抄錄的效率，資訊數字化入系統不但更方便查看，進一步也能確保設備維修進度與設備巡檢週期提醒。 ＃巡點檢人員 ＃設備數字化 #無紙化 #設備巡檢  工業監測點檢系統 近在眼前的資訊通通搜集起來分析統計 您知道亮紅燈代表設備異常，但是您知道設備停了多久時間嗎？抬頭看看燈號顯示，您知道從中可以...

半導體的精密製程中，以封裝製程最為繁瑣及精密，所以各廠區也在此製程中會花費大量的時間和精神去維持每個製程的精準度與品質。晶圓前段封裝製程順序大致上為：Wafer In → Taping 貼膠 → Wafer Grinding 晶圓研磨 → De-Taping去膠 → Wafer Mount 上框 → UV UV上框 → Wafer Saw 晶圓切割 → VS 晶圓檢查 → Die Attach 黏晶粒 → Oven烘烤 → plasma 電漿清洗 → Wire Bonder 銲線 → PI銲線檢查 → Be後段製程。每一道製程設備都需要經過精密的計算及穩定的運作，有一點誤差就可能會導致不良品的產生及成本的損耗。 ＃晶圓半導體 ＃封裝設備製程 ＃前段製程 確保產線機台的品質一致性與可靠度 在這裡利用機器學習智能監控系統對於封裝製程上Wafer Saw、Die Bonder、Wire Bonder等設備進行監測，即時監測、預知保養等為產品良率把關，並且快速且精準找出異常原因，避免過久停機，恢復稼動。利用VMS-ML 機器學習智能監控系統快速學習規範動作，在機台出現一點點小問題癥狀時，即可立即得知並即時處理或排定維修計畫，可確保產線機台的品質一致性與可靠度，進一步減少機器全面性的損壞、延長設備正常運作、提高生產效率。 快速、精準找出異常原因 VMS-ML機器學習智能監控系統在機台發生異常時，系統將會發報MAIL或是送出停機訊號。需要找出原因排除，可參考 VMS封裝廠量測應用 。 在設備恢復正常時，便可持續監測。透過軟體的自動疊合比對功能，也能夠清楚了解在哪個時段發生了異常，並將結果數據化給使用者更容易了解。 範例：Wire Bonder動態監測 第三次判定：製造過程中，有一次打線動作過大且與第一次位置相同，因誤相似度86.88％ 判定為（Pass）、振幅超標次數1次（Fail）、畫面顯示（Fail），其異常原因為Dynamic Action Fail.  了解更多MACHINE LEARNING 介紹

汽車的生產流程是一種具有複雜的生產步驟並需要倚靠系統統整結合人為經驗及設備自動化的智能化生產線，大致上會經過五大工藝，沖壓→焊接→塗裝→總裝→檢測，說這些步驟是一種工藝一點都不為過，每一道都是很複雜龐大的工業生產過程。五大工藝簡單說明，沖壓：將金屬鋼板裁剪沖壓生產成各種不同用處形狀的部件。焊接：由自動焊接手臂，將各類部件焊接組裝成車身。塗裝：對車身部件噴塗烤漆，達到防鏽、美觀的步驟。總裝：將所有車身、引擎、輪胎、儀表板、內裝等部件組裝完整。檢測：在各種模擬狀況下進行檢測試車，以確保出廠車輛的安全及質量。 ＃設備自動化 ＃汽車製造生產流程 ＃沖壓焊接 機器學習應用在汽車製造監測上 固德的機器學習監控系統可針對汽車生產流程中的沖壓、焊接等自動化過程進行監控測量，幫助使用者確保產線質量及設備品質。  沖壓後的工件在進行檢測時，需要確保在沖壓過程中沒有形成凹坑或凹痕。因此量測模具變異值與沖壓機台，能夠幫助使用者即時了解產線製程品質，並且在模具劣化前進行保養避免不良品的產出。透過VMS-ML機器學習智能監控系統監測沖床機構，沖床上部機構，如：出力馬達、曲軸、衝桿、彈簧、齒輪等。當機構或傳動不穩定時，振動圖形將會發生變異。模具監測：模具失效或劣化時、料件發生異常時，趨勢線則會往下掉。 汽車車身焊接工藝是製造汽車的程序中，需要運用到大量的焊接機器人及自動化焊接設備。焊接基本流程是將個部件分別焊裝，包含車身的前後端部件、地板線焊裝、及車身前後部分等焊接過程。透過VMS-ML機器學習智能監控系統監測焊接手臂，對於焊接過程的異常問題如：咬邊、撞槍、斷焊、焊偏，以及手臂運行中抖動及轉動件磨耗等，能夠找出異常判定並幫助使用者避免異常原因的發生。 VMS-ML 機器學習智能監控系統特色 One shot learning 快速執行學習與標定目標動作週期： 機器學習智能監控系統可即時快速學習標定物的重複性或部分重複性的生產行為，並可依此制定規範，並且以“人”的經驗作為基礎，轉植為Rule Base的監測。  Auto tracking 自動追蹤識別系統： 在即時監測訊號中，自動偵測標定過的目標訊號，從單純到複雜的動作都可自動追蹤識別。 Pre-modeling 機械特徵分解： 機械特徵識別技術AI化，歸納故障種類並且深度學習，經由長時間累積數據，...

這幾年來不斷發燒的AI與IOT的相關話題，無不是為了讓人們的生活與科技更貼近。您有想過無人商店是如何運作的嗎？又有哪些AIOT已經不知不覺融入我們的生活裡了？ AI人工智慧與IOT物聯網技術應用範圍，涵蓋至智慧科技應用五大領域：智慧家庭、智慧工廠、智慧農業、智慧醫療、智慧交通等。智慧家庭中，AI與IOT打造居家監控的優化環境，使用者能隨心所欲操控家電，並達到居家保全的功能。智慧工廠中，透過AI與IOT結合打造機械智能化自動化工廠，提升產線效能並進而幫助企業轉型。智慧農業中。利用AIOT，養殖戶、農戶能夠進一步了解環境監控與作物間的關係，並降低種植成本與勞力。智慧醫療中，病患透過穿戴式感測儀器導入AI機能，經由IOT傳輸能夠即時提醒醫療救援或是累積趨勢。智慧交通中，AIOT廣泛應用在電動車與智慧公車、智慧公車亭等。 ＃AIot ＃工業物聯網 ＃Ai人工智慧 AIoT應用變革新世代 加速產業轉型 台灣製造業對於智動化的接受度相當高，經濟產業轉型導致製造業主動加快自動化的速度，而自動化是智慧化的先決。製造業結合AIOT全面應用在設備端，在製造生產的過程中，明顯提升產業效益。再加上全球市場的激烈競爭，隨著使用者消費模式，傳統的生產模式面臨著再不轉型就被淘汰的命運，為使企業繼續存活於市場，製造產業必須強化競爭力，AIOT智慧化建置就成為必然選擇。 AIoT幫助企業主創造最大效益 AI與IOT結合發展成為智能物聯網，有助企業主降低成本、提升產能、縮短工時及研發新的經營模式等等。企業主導入 AIOT 之後，會依據需求的情境不同，企業主對於產品生產週期及市場需求，能更進一步掌控，從而出最好的決策，並且也會直接反應在企業的獲利能力。Forbes 統計，企業導入 AIOT 之後，盈利能力可以顯著提高，預期到了 2035 年時可以提升 38%。 AIoT幫助產業提早預測設備故障 設備的使用，雖然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產業製造端機台使用者必須嚴肅面對並且學習的課題。設備結合AIOT幫助產業對於設備有十足的掌握度，提早排程保養，並進一步預測故障的發生。研發人員也才能更有餘力設計優化製造流程與參數，因而提升產線效率及提供品質一致性的產品。 了解更多IOT...

智慧製造已是全球製造業轉型的首要任務，只是各國的製造產業特色不同，市面上沒有適用於全部產業的智慧製造方案，再加上產業為了自動化轉型於其中所投入的大筆資金，因此智慧製造廠房無法一步到位。而大部分的製造業首先會先以改善產線產能、提升設備效能、降低製造成本為首要任務。在引進自動化的設備時，同時改善生產流程及管控產品良率。 ＃邊緣運算 ＃智慧製造 ＃Ai人工智慧 具備Ai功能的機器學習監測系統 隨著科技愈趨發達，製造工具系統也更加複雜。對於智慧製造導入智動化架構更成為使用者必要的策略，智慧製造應用的層面相當多元，不但提供了龐大的數據資料庫給使用者，更對於資料庫分析的精準度更加準確，運用邊緣運算分析後，結合Ai人工智慧提升分析精準度，進一步讓系統升級智能化。 導入於製造業中的Ai，大多都是應用於設備的預知監診、優化製程、檢測產品良率等。而截至目前投入具備自動化工業機器人的廠家已數以千計，因此對於用來預防突發狀況的發生及因為設備異常造成產線的損失的即時設備健康狀態監控解決方案，變得更加重要。並藉由Ai協助有經驗的員工縮短產品開發時間與工時，並透過機器學習大數據累積並完成學習與分析，進一步有效地為產業升級。 固德針對不同自動化產業開發機器學習智能監測系統，對於車用製造、機械手臂、金屬機殼、五金雕銑、沖壓機台、電流電焊、封裝領域等都能做有效的監測。除了具備AI的智慧學習效能並有快速學習與標定目標動作週期、自動追蹤識別和化繁為簡的功能特色。 了解更多機器學習監測系統