Company

固德技术与理念

首页｜关于固德

透过固德独家的特殊演算法，自动化分析、统计，进而自主式做出决策或判别，甚至预测结果。优化系统的操作流程，实现真正好用也可用的解决方案，帮助使用者为产线设备做出最精准的决策。

固德监测方案 4大优势

技术门槛低

内建转子常用ISO规范 10816 2372 等除此之外，也特别领先业界加入了ISO 20816 规范，更全面管理转子设备。内建规范无需背表或过多的技术设定，只需选择对应的功率转速等，即可开始量测。因此无专业背景的人也能适用。

什么是ISO？

介面操作简单

团队整合了多年的使用者与仪器开发经验，以使用者操作习惯为优先，软体一定要好用、会用、可用，才能真正发挥效用。因此，固德所设计的软体，都会要求操作流程简单，并且平均教育训练一小时内，即可上手。系统与仪器 UI 介面皆采用红绿灯概念，设备状态更直观。

软硬体弹性扩充

固德的软硬体机制大多保留最高的自由度，除了软体架构采弹性新增架构外，硬体也是能让使用者根据厂区环境条件、设备监测条件等，选择硬体搭配。固德了解系统建置常常无法一次到位，因此让使用者方便日后扩充的机制也相当重视。

解决方案

效益最快

固德的监测系统，大都采用非侵入式量测方式，随插即量，使用者安装当下，就能立即看到效益就能开始管理设备。传统 AI 需要大量累积数据时间，固德的机器学习智能监控系统随架即量，立即得到效益。

机器学习智能监测系统

3大核心技术

基于RULE BASE，搭配独家演算法，为客户创造最佳效益。

适用于转子设备

效益快 4 倍的 SOA 演算

边缘运算的 EDGE-IOT

免二次运算看你想看的

机器学习自动判别

领先业界独家核心技术

转子设备管理中的 AI 智慧监测

随着智能制造的快速发展，设备运行的可靠性与稳定性已成为企业竞争力的重要基石。特别是转子设备，由于广泛应用于半导体、石化、发电等行业，其运行状态直接影响生产效率与安全。

然而，传统设备监测方式如固定排程维护或基于ISO振动标准的监控，往往存在数据单一、早期异常识别能力不足的问题，导致过度维护或未预警故障的风险。针对这些挑战，固德科技结合人工智慧(AI)、预测性保养(PHM)与可靠性中心保养(RCM)，开发了领先业界的转动设备监测解决方案。

应用说明

此 AI 监测模型透过无线感测器捕捉 25 种特征值，并以 ISO 规范的四等级（优良、正常、警告、危险）评估设备的健康状态。 AI 的核心功能包括：

1. 健康状态评估：根据特征值组合，分析设备运行的状态机率。
2. 趋势监控：以色灯显示每次监测结果，协助识别异常或劣化趋势。
3. 预防性建议：当检测到警告或危险状态，提供维修或保养建议以降低停机风险。

转子品质是用哪些规范？

技术说明

目前此 AI 转动设备监测模型是由固德科技已预先训练完成的，底层数据来自无线感测器的25 种特征值，AI 的预测目标命题为转动设备的品质状况等级，与 ISO 规范相同分为四种等级，优良、正常、警告、危险。

AI 底层趋势图所表示的色条为该次感测器回传之特征值，经转换为该次数据组成为何种状态的“机率”，因此可藉由状态色块的占比判断目前该点位的健康状态。

如上图范例：AI 结果建议该转动设备可以正常使用的机率为 91.2

Ｙ方向的振动数值套用 ISO 振动规范管理，显示为警告（橘灯），而警告的状态表示建议排定维修保养计画。但若加入其他振动特征值并经过 AI 模型的预测结果为正常-优良等级，此状态表示设备可以正常运行。

套用 ISO 振动规范管理，显示为警告

比较上述结果，不代表 ISO 振动规范不准确，只能说 ISO 规范较严格。

其原因也来自以往所使用ISO 振动管理的设备主要分布石化产业、发电、甚至核能电厂，因为设备价值普遍较高以及这些设备若有无预警损外也容易引发工安因素，所以在这些专家学者透过长时间研究各式转子设备大数据以及实务面的综合考量下，都会将标准定义的较为严格。

此种设定原则也完全符合预知保养期待与精神的。在此案例两种管理的方式比较下，也可清楚的看到当 ISO 振动管理数值超标的同时，AI 品质状态的趋势也是有往劣化发展的趋势。

AI 优化监测

上图为另一种 AI 优化监测范例。由上两种监测模型比较得知，若损坏的机械运转时恰好无法透过振动速度来侦测出来，则可藉由 AI 的优化监测模型来侦测出异常状态。在此案例中异常设备段的AI 侦测状态结果就很明显为警告-危险的状态，经过一个月维修重新复机，虽然振动数值无明显的变异，但AI 的侦测模型在设备维修后重新复机后，已明显的转换为状态优良的情况。

此案例就很清楚的说明，当电脑功能愈来愈完整并且足够加入更多的振动特征值以及演算机制，并适当的设计AI 监测模型后，确实能将以往众多国际振动专家所合力讨论与统计出的振动规范再进行优化，并获得更提前预知异常的能力。

技术优势

1. 适用性广：相比ISO 单一振动规范，AI 模型能分析更多特征值，适用性更广。
2. 精准预测：AI 能及早识别 ISO 未侦测到的异常，避免维修延误。
3. 动态调适：AI 模型能根据不同工业场景优化算法，符合多元需求。
4. 持续优化：可随着数据增加与模型更新，逐步提升预测准确率。

特点

1. 多特征值整合分析：
固德科技的AI 转动设备监测模型采用了来自感测器的25 种特征值进行数据分析，涵盖振动速度、加速度、温度等多维数据。相较传统仅依赖单一振动值的 ISO 规范，固德的模型大幅提升了设备健康状态判断的精准度。

2. ISO 规范与AI结合：
固德的模型依据 ISO 振动标准进行状态分级（优良、正常、警告、危险），并透过 AI 进一步优化该标准。这种结合让AI模型能在 ISO 数值达标或轻微偏差时，提前发现异常趋势，实现更精细化的管理。

3. 健康状态趋势预测与可视化：
固德的系统利用色灯显示健康状态的分布与变化，帮助用户快速判断设备健康状态。趋势分析功能可让用户提前规划维修计划，降低非计划性停机风险。

4. 异常检测能力优化：
传统方法难以捕捉的早期异常（例如微小的特征值变化），藉由 AI 模型侦测，尤其在多特征综合分析下，提升异常检测的敏感度。此功能对于重要设备（如半导体制造机台或石化压缩机）特别重要，能有效避免重大故障。

5. 动态学习与模型优化：
固德的 AI 模型具备持续学习能力，能根据实际应用中的新数据不断优化预测精度。随着时间的推移，变得更适应具体设备的运行需求。

6. 应用广泛性：
固德科技的技术适用于多个工业场景，包括半导体、石化、发电、冲压设备等，充分展现其灵活性与适应性。

技术差异化

固德科技的 AI 转动设备监测技术通过多特征数据整合、AI 深度学习、ISO 标准优化等手段，为设备健康管理带来了显著的突破。相比于业界传统方法，固德的技术不仅提升了异常检测的精准度，还实现了预知保养与可靠性中心保养的完美融合，为客户提供了更加经济、高效且灵活的解决方案。

技术差异	固德技术	传统技术
1. 数据处理深度与广度	采用多达25种特征值，并结合AI进行深层数据处理，能捕捉更丰富的设备状态资讯。胜	主要依赖单一振动数据，如振动速度，进行健康状态判断，分析范围有限。
2. 异常检测精准度	利用AI 进行个性化健康状态建模，能检测ISO标准未能捕捉的早期异常，提前规避风险。胜	通常依据固定标准（如ISO），但对于设备个性化的异常特征识别能力不足。
3. 趋势分析与预测能力	透过趋势分析，提前预测健康状态变化，主动支持维护计划的制定。胜	以静态监测为主，通常只在问题出现后提供诊断，缺乏前瞻性。
4. 模型的动态优化	具备动态学习能力，模型可随着数据的积累不断进化，适应多样化需求。胜	通常采用静态标准，无法根据新增数据进行即时学习。
5. 可视化与用户体验	提供直观的健康状态可视化图表，用户可快速了解设备状况，降低技术门槛。胜	健康状态表达形式较为简单，需依赖专业人员进行解读。
6. 经济效益与实用性	通过智能化监测与精准维修建议，显著降低维护成本，同时提升生产效率。胜	过度依赖专家经验，成本高且效率有限。

PHM 与 RCM 在转子设备管理中的应用

结合预知保养（PHM）与可靠性中心保养（RCM）：
PHM（Prognostics and Health Management）：提供设备健康的预测能力，实现异常的提前预警。
RCM（Reliability-Centered Maintenance）：确保设备在经济与安全的情况下维持最佳性能。

PHM（预知保养）在 AI 模型中的融合

PHM 的核心在于实现设备健康状态的预测与管理，其理念体现在以下几方面：

1. 健康状态评估与趋势预测：AI 模型利用多特征值数据与趋势分析，提供设备健康状态的预测结果，趋势图示（例如色条）清晰表现每个状态的机率占比，帮助快速判断健康走向。利用标准化建模方式，建立基于不同设备类型的健康状态模型，确保结果具有可比较性。

其数据丰富性增强，扩展感测器数据来源，例如温度、压力与环境条件，提升健康状态评估的准确性。

2. 异常检测与早期预警：AI 模型能识别微小但关键的特征变化，提早预警可能的故障，避免设备在完全失效后才进行干预。例如，ISO 振动规范虽标准严格，但 AI 可进一步结合其他数据，检测出传统方法难以捕捉的异常。

利用历史数据生成每台设备的异常基线，提供设备个性化的早期预警。并且为设备警设置多层级预警策略，区分轻微异常与严重异常，避免误报影响正常操作，为用户提供异常应对的标准作业程序（SOP），包括巡检、诊断与排程。

3. 动态优化与学习：PHM 重视数据的累积与模型的动态更新，AI 模型可根据实际使用情境，持续学习新数据，逐步优化预测精度。进而能够与设备供应商或用户合作，进行模型验证与优化。建立持续学习平台，将新增数据自动用于训练模型。

4. 决策支持：提供维修建议，例如当状态为「警告」时，AI 会建议用户进行排程式保养，而非立即停机，最大化设备使用效率，提供管理层决策参考，实现智能化流程。

RCM（可靠性中心保养）在 AI 模型中的融合

RCM 的目标在于透过系统化分析，选择适当的维护策略以提升设备可靠性。其理念体现在以下几方面：

1. 功能导向分析：AI 模型对转动设备的监控，从设备功能需求出发，确保机械运行符合使用目标（如稳定的振动数据）。聚焦于设备核心功能的健康状态，而非单一部件的表面问题。藉由关键性能指标定义，为每台设备设定核心功能制定不同的KPI（例如振动速度、加速度），以及跨场景模型适配不同工业场景的核心功能需求。

2. 故障模式与分析：AI 通过特征数据，建模设备可能的故障模式，识别其对生产影响的关键性。例如，当 Y 方向振动异常时，AI 结合其他特征值进行全盘分析，避免片面判断。整合不同的故障特征，建立共享的故障数据库，专注于常见故障模式的预测与分析。

3. 优化维修策略：RCM 提倡选择最适当的维修方式（例如预防性维护、状态基准维护或事后维护）。而 AI 结合健康状态等级与趋势，动态决定是否需要立刻维修或安排定期检查。根据维修模式分层，建立按健康状态等级触发的维修策略框架，模拟不同维修模式对生产的影响，找出最佳解。并根据实时监测数据，自动更新维修计划。

4. 成本效益平衡：透过AI 的准确预测，避免过度维护（降低维护成本），同时避免设备因未监控而发生故障停机（降低生产损失），降低设备维修的总成本。并且资源分配优化，根据健康状态与维修需求，动态分配维修人员与零件。根据不同工业场域（如半导体、石化、电力），设计专属的健康状态监控模型，确保最佳适配性。

风险分层建议指标