機械手臂智慧監測

執行痛點
漫長的累積數據時間，無法看到即時效益？

監測系統導入時，往往需要經由蒐集大量的數據累積，遇到設備發生異常事件後才能夠進行特徵提取，遇到不同事件或不同製程時，又必須重新累積紀錄，監測系統可以執行任務時間仍未知，蒐集數據資料的時間過於漫長，遲遲無法看到監測效益，該怎麼辦？

執行痛點
監測系統與設備對接，資料交握的困難？

機械手臂設備動作多樣且機構組成複雜，要執行監測時，除了在部署安裝感測器上造成困難外，各式手臂機台更有不同的製造廠商，機台數據資料皆由第三方設備商管理，造成機台交握上的困難，該如何克服？

執行痛點
只用振動總量門檻監測，系統容易誤判？

由於機械手臂的機械運轉動作極為複雜，運轉中正常訊號及異常訊號常常會交錯在一起，數值高低不再是判定運轉是否異常的準則。因此只有單一數值的警告門閥值，顯然不敷使用。另外，即使是同一台手臂，只要是在製造不同產品、不同材質、不同轉速時，即會出現不同的訊號模式。

如何執行
從單純到複雜的動作都可以自動追蹤識別

VMS®-ML 機器學習智能監控系統自動追蹤目標加工訊號，根據不同的製造模式套用不同的學習規範，實現真正量身定做的門檻監測。並且在即時監測訊號中，自動偵測標定過的目標訊號。即使製造過程機械動作有發生異常或是有其他外在干擾，自動追蹤識別技術依然能夠正確判別數據訊號是否為同一組週期動作，並給予判分及結果。

執行痛點
大量蒐集無用的數據，無效益的 Ai 化？

傳統導入 Ai 的監測系統需要經由長時間累積大量數據，數據量不足則無法做出判斷， 也無法避免蒐集到的是否為需要的數據。而且還需要經由累積大量的經驗事件，才能開始做判定。在真正有效益前，已耗費大量的金錢與時間。