工业周期性生产设备 预知保养解决方案
什么是周期性（重复性）生产设备？
藉由周期重复动作来建立模型
在智慧制造时代中，厂区充斥着大量自动化生产机具。由多样机构、电机所组成，相同设备执行不同的生产任务及大量进行重复性周期加工等设备，我们都将它归类于周期性（重复性）生产设备。例如：加工机、机械手臂、CNC工具机、冲压锻造机台设备、自动焊接手臂设备、射出成型机台设备等。
加工机、机械手臂、CNC工具机、冲压锻造机台设备、自动焊接手臂设备，该如何进行监测？
藉由周期重复动作来建立模型
在智慧制造时代中，厂区充斥着大量自动化生产机具。由多样机构、电机所组成，相同设备执行不同的生产任务及大量进行重复性周期加工等设备，我们都将它归类于周期性（重复性）生产设备。例如：加工机、机械手臂、CNC工具机、冲压锻造机台设备、自动焊接手臂设备、射出成型机台设备等。
制定预知保养规划能够有效管理产线，避开计划外的设备维护与等修叫料的时间，让产线更有效执行生产任务，产线延长可利用时间高达 23%。
依据设备健康状态进行维护，进而最大化延长设备使用寿命，并有效延长设备良品的使用时间，避免过度保养。增加设备使用效益约 53％ 。
提前预知设备损坏发生，当监测到损坏前指标的发生，即时开始着手维修及待料计画，避免设备无预警停机甚至严重损坏机率高达 95%。
1. 设备讯号监测观念与门阀值规范
2. 依据制程关键指标，搭配相关物理量感测器
3. 去除搜集数据漫长过程，即时得到效益
由于周期性设备的机械运转动作极为复杂，运转中正常讯号及异常讯号常常会交错在一起，数值高低不再是判定运转是否异常的准则。因此只有单一数值的警告门阀值，显然不敷使用。
另外，对于周期性设备而言，即使是同一台设备，只要是在制造不同产品、不同材质、不同转速时，即会出现不同的讯号模式，因此，我们必须根据不同的制造模式套用不同的学习规范。
不同特性的制程，使用不同功能的感测器，例如：机械行为相关的机械手臂、冲压锻造模具、工具机等使用振动感测器（加速规）感测，制程与电流直接相关的自动焊接使用电流感测器，制程与压力直接相关的自动点胶、涂胶、射出成型使用压力感测器。
传统导入AI 的监测系统需要经由长时间累积大量数据、大量经验事件，在模型建立前所需要花费的建置成本，效益难以估计。即使搜集了大量的数据，没有经过数据清洗或特征化，数据将无法有效的被利用。另外，每种类型的数据都需要由专业领域的专家跟资料科学家合作来重新分析建模，在真正有效益前，已耗费大量的金钱与时间。 因此，要解决这个困境，系统需要一套安装当下即可产生效益，执行产线监测任务的系统。
周期性生产设备由于设备动作、机构组成都相当复杂，在执行设备监测上，常会面临许多困难。固德为此设计适用于各式周期性设备的解决方案，帮助厂区智能化、提升产线良率。
周期性设备动作与机构组成复杂，要执行量测时，该如何安装监测点位？设备机台动作多样而复杂，除了机台资料交握的困难外，每种机台更有不同的制造厂商，更造成获取数据资料对接的困难，该如何克服？
OLVMS®-ML机器学习智能监控系统不需做机台交握、非侵入式量测方式，真正实现PLUG IN，只需一颗依据制程关键监测指标相关的物理量感测器，安装当下系统即可直接执行产线品质监测任务。
自动化厂区充斥着大量自动化设备，在制造过程中大量设备同时运转，或是一些人为不可控的因素，例：地震、场外施工等，必定会造成一定的相互干扰。这个时候所量测的数据，该如何正确判读呢？
OLVMS®-ML自动追踪目标加工讯号。在即时监测讯号中，自动侦测标定过的目标讯号。 即使制造过程机械动作有发生异常或是有其他外在干扰，自动追踪识别技术依然能够正确判别数据讯号是否为同一组周期动作，并判别结果。
周期性生产设备由于种类繁多且复杂精密，不同的设备会有不同的监测需求，而维护机台的工程师就需要熟悉各种方案。或是不同的设备端就由不同的工程师来维护，这对人员的学习或是公司的维运都不算是完善的方式。
是不是可以提出一种解决方案来符合所有的周期性生产设备的检测需求？
OLVMS®-ML 是专为周期性生产设备所设计的监测系统。 可依照需求搭配多通道版本，一套系统即可监测多台设备。系统将透过演算法将重要的结果以最简单的红绿灯及分数的呈现。内层保留各式数据分数及特征图，及提供多组规范可供使用者自行设定套用。
操作简单且结果容易判读。工程师透过简单的教育训练后，即可立即开始监测。
监测系统导入AI 技术，往往需要经由搜集大量的数据累积，遇到设备异常事件后才能够进行特征提取，遇到不同事件或不同制程时，又必须重新，累积纪录，等到监测系统可以执行任务时间仍未知，搜集数据资料的时间过于漫长，迟迟无法看到监测效益，该怎么办？
OLVMS®-ML 快速建立学习规范，能够为设备即时异常检出，不再需要漫长的搜集数据期。已经针对加工行为或制程种类分类、干净的制程，数据库可直接加入事件执行训练。
系统并内建监测模型：振幅、频率、相位、小波、标准差、稳定度等演算法，能够更快速为讯号进行判分得到结果。
在制造加工过程中，常遇到的是制造零件或是设备会因为人工品检或人为经验判断而标准不一，细部瑕疵无法察觉，检测效益较低。该如何将标准统一化，避免品质参差不齐？
OLVMS®-ML 即时快速的学习（标定）重复性或者部分重复性的生产行为，并且以“人”的经验做为基础，转植为 Rule Base 的监测。依照人为制造经验透过系统建立成加工周期规范，能够有效建立数据化的统一检测模式，让产品达到统一标准品要求。
制造加工过程时间长短不一且程序复杂，设备机台会根据不同的产品、制程动作不同而有不同的参数，或是部分动作会交由人为操作，如：换模、移动等。此时系统在不同的动作下作比对，将导致判断结果无意义，是否可以直接排除搜集不必要的参数比对？
OLVMS®-ML 除了可透过学习正确的时序动作快速建立学习规范外，还可将不必要的时序动作排除，只需在学习规范中选取排除功能，系统即可只留下需要的时序动作进行比对，OLVMS®-ML 自动追踪目标加工讯号的功能，能够锁定标定的动作图形进行侦测比对判定。此外，排除后的时序动作参数将不会于系统内累积，造成记忆体的浪费。
由于自动化产线加工速度快，一有小状况发生，例如：设备在运转振动过大时而造成的位移或准度有偏差，就会造成大量的不良品产出。该如何对于产线能够提早检知状态，更积极的避免不良品被制造呢？
在设备出现小异常时OLVMS®-ML就能即时抓出。可利用 VMS®-PH 快速排查设备异常，缩短停机时间，并且透过预知保养来避免设备严重异常的发生，阻止大量废品被产出。透过机器学习的行为模式中帮助OP建立标准化，根据异常特征作标记，可回溯过程进行产线制程的优化改善，掌握未来机况。
工业生产中，产品品质为最核心重要因素，掌握产状态提早检知细微症结，更积极的避免不良品被制造。
监测周期性设备的前置作业，VMS®-PH 可将制程数预先进行量测、拆解分析。进而加速ML监测效益及AI训练。
OLVMS®-ML 针对周期性生产设备动态监测，快速建立学习规范进行监测，系统自动判分机制，即时掌握设备状态。
ML-EDGE IIoT 分散式核心运算系统，同时监测大量周期性设备，并于IIoT进行统一管理，为设备建立专属的战情室。
当OLVMS®-ML监测系统出现异常告警时，利用VMS®-PH 可快速、精准的找出异常原因，缩短维修工时与停机时间。
依据制程建立规范并自动追踪讯号，为设备动作进行检测判分，掌握设备状态。
搜集数据经由清洗提取特征后、特征值累积，可进行二次监测门槛趋势管理。
各式 AI 参数建立标准化模型，并可根据异常特征标记，回溯进行制程优化。
了解设备状态并可预测使用寿命，掌握机况提早排除异常，杜绝不良品的产出。
索取简介扫描QRcode/输入LINE ID搜寻：＠grj4308r
