Company

固德技術與理念

首頁｜關於固德

透過固德獨家的特殊演算法，自動化分析、統計，進而自主式做出決策或判別，甚至預測結果。優化系統的操作流程，實現真正好用也可用的解決方案，幫助使用者為產線設備做出最精準的決策。

固德監測方案 4大優勢

技術門檻低

內建轉子常用ISO規範 10816 2372 等除此之外，也特別領先業界加入了iso 20816 規範，更全面管理轉子設備。內建規範無需背表或過多的技術設定，只需選擇對應的功率轉速等，即可開始量測。因此無專業背景的人也能適用。

什麼是ISO？

介面操作簡單

團隊整合了多年的使用者與儀器開發經驗，以使用者操作習慣為優先，軟體一定要好用、會用、可用，才能真正發揮效用。因此，固德所設計的軟體，都會要求操作流程簡單，並且平均教育訓練一小時內，即可上手。系統與儀器 UI 介面皆採用紅綠燈概念，設備狀態更直觀。

軟硬體彈性擴充

固德的軟硬體機制大多保留最高的自由度，除了軟體架構採彈性新增架構外，硬體也是能讓使用者根據廠區環境條件、設備監測條件等，選擇硬體搭配。固德了解系統建置常常無法一次到位，因此讓使用者方便日後擴充的機制也相當重視。

解決方案

效益最快

固德的監測系統，大都採用非侵入式量測方式，隨插即量，使用者安裝當下，就能立即看到效益就能開始管理設備。傳統 AI 需要大量累積數據時間，固德的機器學習智能監控系統隨架即量，立即得到效益。

機器學習智能監測系統

3大核心技術

基於RULE BASE，搭配獨家演算法，為客戶創造最佳效益。

適用於轉子設備

效益快4倍的SOA演算

邊緣運算的 EDGE-IOT

免二次運算看你想看的

機器學習自動判別

領先業界獨家核心技術

轉子設備管理中的 AI 智慧監測

隨著智能製造的快速發展，設備運行的可靠性與穩定性已成為企業競爭力的重要基石。特別是轉子設備，由於廣泛應用於半導體、石化、發電等行業，其運行狀態直接影響生產效率與安全。

然而，傳統設備監測方式如固定排程維護或基於ISO振動標準的監控，往往存在數據單一、早期異常識別能力不足的問題，導致過度維護或未預警故障的風險。針對這些挑戰，固德科技結合人工智慧(AI)、預測性保養(PHM)與可靠性中心保養(RCM)，開發了領先業界的轉動設備監測解決方案。

應用說明

此 AI 監測模型透過無線感測器捕捉 25 種特徵值，並以 ISO 規範的四等級（優良、正常、警告、危險）評估設備的健康狀態。AI 的核心功能包括：

1. 健康狀態評估：根據特徵值組合，分析設備運行的狀態機率。
2. 趨勢監控：以色燈顯示每次監測結果，協助識別異常或劣化趨勢。
3. 預防性建議：當檢測到警告或危險狀態，提供維修或保養建議以降低停機風險。

轉子品質是用哪些規範？

技術說明

目前此 AI 轉動設備監測模型是由固德科技已預先訓練完成的，底層數據來自無線感測器的 25 種特徵值，AI的預測目標命題為轉動設備的品質狀況等級，與 ISO 規範相同分為四種等級，優良、正常、警告、危險。

AI 底層趨勢圖所表示的色條為該次感測器回傳之特徵值，經轉換為該次數據組成為何種狀態的“機率”，因此可藉由狀態色塊的佔比判斷目前該點位的健康狀態。

如上圖範例：AI 結果建議該轉動設備可以正常使用的機率為 91.2

Ｙ方向的振動數值套用 ISO 振動規範管理，顯示為警告（橘燈），而警告的狀態表示建議排定維修保養計畫。但若加入其他振動特徵值並經過 AI 模型的預測結果為正常-優良等級，此狀態表示設備可以正常運行。

套用 ISO 振動規範管理，顯示為警告

比較上述結果，不代表 ISO 振動規範不準確，只能說 ISO 規範較嚴格。

其原因也來自以往所使用 ISO 振動管理的設備主要分佈石化產業、發電、甚至核能電廠，因為設備價值普遍較高以及這些設備若有無預警損外也容易引發工安因素，所以在這些專家學者透過長時間研究各式轉子設備大數據以及實務面的綜合考量下，都會將標準定義的較為嚴格。

此種設定原則也完全符合預知保養期待與精神的。在此案例兩種管理的方式比較下，也可清楚的看到當 ISO 振動管理數值超標的同時，AI 品質狀態的趨勢也是有往劣化發展的趨勢。

AI 優化監測

上圖為另一種 AI 優化監測範例。由上兩種監測模型比較得知，若損壞的機械運轉時恰好無法透過振動速度來偵測出來，則可藉由 AI 的優化監測模型來偵測出異常狀態。在此案例中異常設備段的 AI 偵測狀態結果就很明顯為警告-危險的狀態，經過一個月維修重新復機，雖然振動數值無明顯的變異，但 AI 的偵測模型在設備維修後重新復機後，已明顯的轉換為狀態優良的情況。

此案例就很清楚的說明，當電腦功能愈來愈完整並且足夠加入更多的振動特徵值以及演算機制，並適當的設計 AI 監測模型後，確實能將以往眾多國際振動專家所合力討論與統計出的振動規範再進行優化，並獲得更提前預知異常的能力。

技術優勢

1. 適用性廣：相比 ISO 單一振動規範，AI 模型能分析更多特徵值，適用性更廣。
2. 精準預測：AI 能及早識別 ISO 未偵測到的異常，避免維修延誤。
3. 動態調適：AI 模型能根據不同工業場景優化算法，符合多元需求。
4. 持續優化：可隨著數據增加與模型更新，逐步提升預測準確率。

特點

1. 多特徵值整合分析：
固德科技的 AI 轉動設備監測模型採用了來自感測器的 25 種特徵值進行數據分析，涵蓋振動速度、加速度、溫度等多維數據。相較傳統僅依賴單一振動值的 ISO 規範，固德的模型大幅提升了設備健康狀態判斷的精準度。

2. ISO 規範與AI結合：
固德的模型依據 ISO 振動標準進行狀態分級（優良、正常、警告、危險），並透過 AI 進一步優化該標準。這種結合讓AI模型能在 ISO 數值達標或輕微偏差時，提前發現異常趨勢，實現更精細化的管理。

3. 健康狀態趨勢預測與可視化：
固德的系統利用色燈顯示健康狀態的分布與變化，幫助用戶快速判斷設備健康狀態。趨勢分析功能可讓用戶提前規劃維修計劃，降低非計劃性停機風險。

4. 異常檢測能力優化：
傳統方法難以捕捉的早期異常（例如微小的特徵值變化），藉由 AI 模型偵測，尤其在多特徵綜合分析下，提升異常檢測的敏感度。此功能對於重要設備（如半導體製造機台或石化壓縮機）特別重要，能有效避免重大故障。

5. 動態學習與模型優化：
固德的 AI 模型具備持續學習能力，能根據實際應用中的新數據不斷優化預測精度。隨著時間的推移，變得更適應具體設備的運行需求。

6. 應用廣泛性：
固德科技的技術適用於多個工業場景，包括半導體、石化、發電、沖壓設備等，充分展現其靈活性與適應性。

技術差異化

固德科技的 AI 轉動設備監測技術通過多特徵數據整合、AI 深度學習、ISO 標準優化等手段，為設備健康管理帶來了顯著的突破。相比於業界傳統方法，固德的技術不僅提升了異常檢測的精準度，還實現了預知保養與可靠性中心保養的完美融合，為客戶提供了更加經濟、高效且靈活的解決方案。

技術差異	固德技術	傳統技術
1. 數據處理深度與廣度	採用多達25種特徵值，並結合 AI 進行深層數據處理，能捕捉更豐富的設備狀態資訊。勝	主要依賴單一振動數據，如振動速度，進行健康狀態判斷，分析範圍有限。
2. 異常檢測精準度	利用 AI 進行個性化健康狀態建模，能檢測ISO標準未能捕捉的早期異常，提前規避風險。勝	通常依據固定標準（如ISO），但對於設備個性化的異常特徵識別能力不足。
3. 趨勢分析與預測能力	透過趨勢分析，提前預測健康狀態變化，主動支持維護計劃的制定。勝	以靜態監測為主，通常只在問題出現後提供診斷，缺乏前瞻性。
4. 模型的動態優化	具備動態學習能力，模型可隨著數據的積累不斷進化，適應多樣化需求。勝	通常採用靜態標準，無法根據新增數據進行即時學習。
5. 可視化與用戶體驗	提供直觀的健康狀態可視化圖表，用戶可快速了解設備狀況，降低技術門檻。勝	健康狀態表達形式較為簡單，需依賴專業人員進行解讀。
6. 經濟效益與實用性	通過智能化監測與精準維修建議，顯著降低維護成本，同時提升生產效率。勝	過度依賴專家經驗，成本高且效率有限。

PHM 與 RCM 在轉子設備管理中的應用

結合預知保養（PHM）與可靠性中心保養（RCM）：
PHM（Prognostics and Health Management）：提供設備健康的預測能力，實現異常的提前預警。
RCM（Reliability-Centered Maintenance）：確保設備在經濟與安全的情況下維持最佳性能。

PHM（預知保養）在 AI 模型中的融合

PHM 的核心在於實現設備健康狀態的預測與管理，其理念體現在以下幾方面：

1. 健康狀態評估與趨勢預測：AI 模型利用多特徵值數據與趨勢分析，提供設備健康狀態的預測結果，趨勢圖示（例如色條）清晰表現每個狀態的機率佔比，幫助快速判斷健康走向。利用標準化建模方式，建立基於不同設備類型的健康狀態模型，確保結果具有可比較性。

其數據豐富性增強，擴展感測器數據來源，例如溫度、壓力與環境條件，提升健康狀態評估的準確性。

2. 異常檢測與早期預警：AI 模型能識別微小但關鍵的特徵變化，提早預警可能的故障，避免設備在完全失效後才進行干預。例如，ISO 振動規範雖標準嚴格，但 AI 可進一步結合其他數據，檢測出傳統方法難以捕捉的異常。

利用歷史數據生成每台設備的異常基線，提供設備個性化的早期預警。並且為設備警設置多層級預警策略，區分輕微異常與嚴重異常，避免誤報影響正常操作，為用戶提供異常應對的標準作業程序（SOP），包括巡檢、診斷與排程。

3. 動態優化與學習：PHM 重視數據的累積與模型的動態更新，AI 模型可根據實際使用情境，持續學習新數據，逐步優化預測精度。進而能夠與設備供應商或用戶合作，進行模型驗證與優化。建立持續學習平台，將新增數據自動用於訓練模型。

4. 決策支持：提供維修建議，例如當狀態為「警告」時，AI 會建議用戶進行排程式保養，而非立即停機，最大化設備使用效率，提供管理層決策參考，實現智能化流程。

RCM（可靠性中心保養）在 AI 模型中的融合

RCM 的目標在於透過系統化分析，選擇適當的維護策略以提升設備可靠性。其理念體現在以下幾方面：

1. 功能導向分析：AI 模型對轉動設備的監控，從設備功能需求出發，確保機械運行符合使用目標（如穩定的振動數據）。聚焦於設備核心功能的健康狀態，而非單一部件的表面問題。藉由關鍵性能指標定義，為每台設備設定核心功能制定不同的KPI（例如振動速度、加速度），以及跨場景模型適配不同工業場景的核心功能需求。

2. 故障模式與分析：AI 通過特徵數據，建模設備可能的故障模式，識別其對生產影響的關鍵性。例如，當 Y 方向振動異常時，AI 結合其他特徵值進行全盤分析，避免片面判斷。整合不同的故障特徵，建立共享的故障數據庫，專注於常見故障模式的預測與分析。

3. 優化維修策略：RCM 提倡選擇最適當的維修方式（例如預防性維護、狀態基準維護或事後維護）。而 AI 結合健康狀態等級與趨勢，動態決定是否需要立刻維修或安排定期檢查。根據維修模式分層，建立按健康狀態等級觸發的維修策略框架，模擬不同維修模式對生產的影響，找出最佳解。並根據實時監測數據，自動更新維修計劃。

4. 成本效益平衡：透過 AI 的準確預測，避免過度維護（降低維護成本），同時避免設備因未監控而發生故障停機（降低生產損失），降低設備維修的總成本。並且資源分配優化，根據健康狀態與維修需求，動態分配維修人員與零件。根據不同工業場域（如半導體、石化、電力），設計專屬的健康狀態監控模型，確保最佳適配性。

風險分層建議指標