Newsletter 21001

【數位轉型 台灣最行】VMS-ML機械學習智能監控系統

固德科技報｜【數位轉型 台灣最行】VMS-ML機械學習智能監控系統

---

#機器學習

#AI

#數位轉型

#汽車製造

#加工製造

#PHM

#機械手臂

Posted On : 14 Jan. 2021
物理模型透過使用者學習正常加工行為，持續追蹤加工行為模式並執行監測及辨識，進而將物理模型這類的複雜行為轉變成比較好管理的趨勢。

製造業預知監診該如何規劃？

預先建立物理模型＞辨識追蹤即時監測＞趨勢管理＞數據清洗＞標記後數據AI化
物理模型透過使用者學習正常加工行為，持續追蹤加工行為模式並執行監測及辨識，進而將物理模型這類的複雜行為轉變成比較好管理的趨勢。而在製造行為中的特殊行為是否與製造優良產品行為相同？ 或是特徵頻率是否正常？ 加工流程中是否平順？

這些種種特徵都能在行為模式中做後標記的動作，並可同時做產線內部的品質管理。另外一個特點是可讓 AI 業者利用此乾淨的數據做分析使用。透過機器學習的行為模式中幫助 OP 建立標準化，根據異常特徵作標記，可回溯過程進行產線製程的優化改善。

＃數位轉型 ＃工業4.0 ＃傳統產業轉型 ＃預知監測

生產設備的組成與運作特性？

訊號追蹤識別技術＞物理演算法建置的監測模型＞形成監測規範
想像針對訊號的人臉辨識，只要學過這張臉，就會記住然後自動辨識。同理只要看到機台做同樣的加工行為，系統就能自動擷取，然後比對建立的模型辨識好壞，成為產線管理的工具。振動雖然史最大宗的感測方式，但根據每種製程不同，例如電焊，就會取電流訊號。並且不會對設備產生侵入式影響，免去與各式機台對接的困難，實現真正 Plug in 的方式，直接裝上感測器就能達到監測的效果。

根據不同的製程，利用不同特性來作監測，而軟體運作主要以振動量測為手段，例如：振幅、頻率、相位等都是建置在 VMS-ML 中的模型，追蹤器取需要的片段拆解後的新數據，而仰賴現場的人員從工作流程中的 QC 行為、設定門檻、標記數據，這就是清洗數據的流程。對於傳統產業範圍內，以習知的習慣，確保資料數據不遺漏。

成功案例分享：機械手臂

對於金屬焊接手臂中，由於手臂的姿態的改變，焊接的角度與距離也會不一樣，電流本身有會有所不同，都會影響到最後的品質，而 VMS-ML 也能有效增測到手臂的各種異常。

成功案例分享：衝壓產業

衝壓是不斷生產中的過程，停機就會造成稼動率的損失，而模具損壞、刀具鈍化，加上插件是無法重工的，因此就會導致大量的不良品。VMS-ML 在衝壓流程中，讓設備檢測與產線檢查做結合，以預警的角度上，預防產線製造大量的不良品。

有效執行檢測品質及預知診斷

在 AIOT 的運用在除了在事後作品質的 QC 來作改善外，若能在加工行為的製程中，透過簡單的安裝感測器，得到簡單的數據及頻譜，就能有效執行檢測品質及預知診斷，將會對產線品質做大幅的躍升，降低不良率的產生。

固德科技的 VMS-ML 機械學習智能監控系統，能有效幫助產業維持產品良率、機台穩定度、降低保養成本及縮短保養時間。固德科技 許文澤總經理，藉機械手臂及衝壓產業案例分享，針對各式機械設備的動態監測，運用自動擷取正確週期動作進行比對即時產生結果判斷，使製程優化及良率提升大躍升。 為推動台灣產業進行數位轉型提升產業競爭力，中華軟協與Digitimes合作製播【數位轉型 台灣最行】系列節目，歡迎鎖定與分享。